Vi krydser klimatiske og epidemiologiske data gennem Machine Learning for at forudsige dengue-udbrud og giver sundhedsmyndigheder præcise indsigter til at styre interventioner og sundhedspolitikker mere effektivt.
Siden 1981 har dengue etableret sig som endemisk i Brasilien. Kompleksiteten af faktorer gør kontrol og forudsigelse ekstremt udfordrende.
Serotyperne DENV-1 til DENV-4 cirkulerer landet over. Infektion med en type giver ikke immunitet mod de andre og holder befolkningen sårbar.
I 2019 forårsagede en ny DENV-2-variant en stigning på op til 149% i tilfælde i nogle brasilianske stater.
Det tropiske klima giver ideale forhold for Aedes aegypti-reproduktion, intensiveret af uhensigtsmæssig affaldsbortskaffelse og mangel på sanitet.
Vi anvender det mest moderne inden for Machine Learning. Nyere studier viser allerede, at krydsning af miljødata kan forudsige dengue-udbrud.
Vi inkorporerer værktøjer som AutoML og TPOT, som bruger genetisk programmering til at udforske tusindvis af muligheder og finde den ideelle forudsigelseskonfiguration.
Ud over at accelerere produktionen af forudsigelsesmodeller sigter vores tilgang til at demokratisere AI-brug og gøre Machine Learning tilgængelig for et bredere publikum.
Centralt mål: at tilbyde en hurtigere, optimeret og mere effektiv metode til at forudsige dengue-udbrud, før de opstår.
Vores projekt fungerer ikke på gætteri; det er grundlagt i et årtis grundigt behandlet historiske data.
Komplet historik over dengue-tilfælde i Presidente Prudente (SP) mellem 2014 og 2024, analyseret uge for uge gennem epidemiologiske uger.
Timeligt meteorologiske data fra det Nationale Institut for Meteorologi for samme periode på 10 år: temperatur, fugtighed, nedbør og atmosfærisk tryk.
Klimadata blev omhyggeligt behandlet for at udfylde huller og justeret til ugentlige gennemsnit for perfekt at synkronisere med dengue-medicinske optegnelser.
Alle præsenterede resultater blev udelukkende opnået fra offentligt tilgængelige data fra konventionelle INMET-vejrstationer — uden nogen egne stationer installeret i felten. Det betyder, at nøjagtigheden på 73,5% repræsenterer en konservativ baseline: med dedikerede lokale sensorer, der kan opfange mikroklima og hyperlokale variationer, forventes modellens forudsigelsesevne at forbedres markant.
Med tusindvis af datapunkter bruger vi Principal Component Analysis til at reducere kompleksitet og afsløre de variabler med størst påvirkning.
Dugpunktstemperatur og akkumuleret nedbør over flere uger (4-8 uger) er de stærkeste faktorer. Klimaet fra for uger siden dikterer dagens udbrud.
Markante temperatur- og atmosfæriske trykfluktuationer dikterer vektorens daglige og sæsonbestemte rytme.
Pludselige variationer (intense tørker eller pludselige torrentielle regn) fungerer som hurtige udløsere for sygdommen.
Nuancer i vindadfærd og relativ fugtighed fuldender puslespillet for Aedes aegypti-spredning.
Gennemsnitlig vindhastighed og maksimale vindstød afslører, hvordan ventilation påvirker myggenes dynamik.
Den sande værdi af data ligger i hvordan det bruges. Vores værktøj transformerer rå optegnelser til strategisk intelligens.
Mere præcise og rettidigt indsigter for sundhedsmyndigheder, der muliggør handling før udbruddet spreder sig.
Bevidsthedskampagner og kontrolforanstaltninger anført på de rigtige steder og tidspunkter, før udbruddet opstår.
Integration mellem epidemiologi, klimatologi og datascience for at mindske påvirkningen af vektorbårne sygdomme.
Enhver sygdom, hvis forekomst varierer med klimaet, kan forudsiges ved samme tilgang. Motoren er generisk; dataene ændres. For den farmaceutiske industri betyder det at forudsige efterspørgslen uger i forvejen.
Dengue, zika, chikungunya, urbant gul feber. Samme vektor, samme klimalogik.
Influenza, bronkitis, sæsonbetinget astma, lungebetændelse. Vinterspidser forudsigelige efter klimamønstre.
Rhinitis, konjunktivitis, atopisk dermatitis. Fugtighed og temperatur dikterer efterspørgslen efter antihistaminer.
