Relatório coletivo - Grupo Epidemia

Prévia do material em texto

RELATÓRIO COLETIVO
 
 
 
 
 
 
 
 
TRANSFORMANDO O COMBATE ÀS EPIDEMIAS COM 
TECNOLOGIA DE PONTA
 
AODILEA SANTOS ALMEIDA
JOÃO MARLON SILVA DO CARMO GOVEIA
MAYCON COUTINHO NASCIMENTO
SULIVAN BATISTA DOS SANTOS
WALCEMIR DE ALMEIDA DOS SANTOS
GENILSON DE MORAIS CRUZ
 
 
 
 
 
 
 
 
 
 
2024
VITÓRIA/ES 
 
Resumo
Este trabalho apresenta uma abordagem inovadora para o combate às epidemias utilizando Machine Learning (ML), Internet das Coisas (IoT) e Computação em Nuvem, permitindo o monitoramento e a análise de dados em tempo real. A integração dessas tecnologias em um sistema de monitoramento permite que os órgãos de saúde tomem decisões mais rápidas e precisas, baseadas em indicadores de qualidade sanitária e dados coletados de diversas fontes. A utilização de ML facilita a detecção precoce de surtos, enquanto a IoT e a Computação em Nuvem asseguram um monitoramento eficaz e uma resposta coordenada. Isso contribui significativamente para a mitigação dos impactos econômicos, sociais e políticos das epidemias. Além disso, a implementação de medidas acessíveis ao público, como aplicativos móveis e plataformas online, promove a adesão e o engajamento da população no controle de doenças.
No entanto, é crucial abordar as questões éticas e de privacidade relacionadas à coleta e ao uso de dados pessoais, conforme garantido pela LGPD (Lei Geral de Proteção de Dados). Garantir que as medidas respeitem os direitos individuais e estejam em conformidade com as regulamentações de proteção de dados é fundamental. Este trabalho ressalta a importância do desenvolvimento contínuo e da aplicação ética dessas tecnologias na saúde pública, visando uma resposta mais eficiente e sustentável a crises sanitárias.
Sumário
1. Introdução
2. Método: sujeito, ambiente, materiais e instrumentos, e procedimento); 
3. Discussão; 
4. Avaliação dos pares; 
5. Referências Bibliográficas; 
6. Anexos: evidências das atividades, dos indicadores, como formulários, questionários, fotos, pesquisa de reação com o público atendido etc. 
 1 - Introdução
A tecnologia, especialmente a IA, tem transformado diversos setores, inclusive a saúde. Este trabalho explora como a IA, ML, IoT e Computação em Nuvem podem ser integradas para monitorar e gerenciar epidemias em tempo real. Durante a pandemia de COVID-19, a necessidade de monitoramento eficaz e rápido se tornou evidente, e tecnologias emergentes mostraram-se cruciais. Este estudo visa descrever a aplicação prática dessas tecnologias na saúde pública, destacando sua importância na gestão de crises sanitárias e na melhoria das condições de vida urbana.
 2 - Método
Sujeito:
O sujeito deste estudo é a população de uma região metropolitana, abrangendo diferentes faixas etárias, condições socioeconômicas e níveis de acesso a serviços de saúde. Para fins de monitoramento e análise, a coleta de dados inclui informações de pacientes atendidos em hospitais, clínicas e laboratórios, além de dados ambientais e de mobilidade urbana.
Ambiente:
O ambiente de estudo é uma região metropolitana, caracterizada por alta densidade populacional e diversidade socioeconômica. Esta região foi escolhida devido à sua complexidade e à necessidade crítica de monitoramento contínuo para a detecção precoce e gestão eficaz de surtos epidemiológicos. A infraestrutura urbana inclui hospitais, centros de saúde, escolas, transportes públicos e áreas residenciais, todos equipados com sensores IoT para coleta de dados.
Materiais e Instrumentos:
Para a implementação do sistema de monitoramento, foram utilizados os seguintes materiais e instrumentos:
1. Sensores IoT: Sensores de temperatura, umidade, qualidade do ar, movimento, radiação ultravioleta (UV) e análise de água, distribuídos em pontos estratégicos da região metropolitana.
2. Dispositivos Móveis: Smartphones e tablets com aplicativos dedicados para o monitoramento de sintomas e agendamento de testes.
3. Servidores em Nuvem: Serviços de Computação em Nuvem (AWS e Azure) para o armazenamento e processamento de grandes volumes de dados em tempo real.
4. Plataforma de Software: Desenvolvida em Python, utilizando o framework Flask para a interface web e bibliotecas como Pandas para análise de dados.
5. Algoritmos de Machine Learning: Modelos para detecção de padrões, análise preditiva e agrupamento de dados.
Procedimento:
Coleta de Dados
1. Instalação de Sensores: Sensores IoT foram instalados em locais estratégicos da região metropolitana para coletar dados ambientais e de mobilidade.
2. Desenvolvimento de Aplicativos: Aplicativos móveis foram desenvolvidos e disponibilizados à população para o registro de sintomas, agendamento de testes e acesso a informações sobre saúde pública.
3. Integração de Dados: Dados coletados de sensores IoT e dispositivos móveis foram integrados em um sistema de Computação em Nuvem para armazenamento e processamento.
Processamento e Análise
1. Pré-processamento de Dados: Os dados coletados foram filtrados e normalizados para garantir a qualidade e consistência das informações.
2. Análise de Dados: Utilizando bibliotecas de Python, os dados foram analisados para identificar padrões, tendências temporais e correlações entre variáveis ambientais e a propagação de doenças.
3. Modelagem Preditiva: Algoritmos de Machine Learning foram aplicados para prever surtos epidemiológicos e identificar áreas de alto risco.
Implementação e Avaliação
1. Desenvolvimento da Plataforma: Uma plataforma web foi desenvolvida utilizando Flask para apresentar os resultados da análise de dados de forma interativa e intuitiva.
2. Teste e Validação: A plataforma foi testada em ambiente controlado e posteriormente implantada na região metropolitana. Foram realizados testes para avaliar a precisão dos algoritmos de análise de dados e a eficácia da plataforma como um todo.
3. Engajamento da População: Campanhas de conscientização foram realizadas para promover a adesão ao uso dos aplicativos móveis e à participação na coleta de dados.
Monitoramento Contínuo
1. Atualização de Dados: Dados foram coletados e processados continuamente para garantir que a plataforma forneça informações atualizadas e precisas.
2. Feedback e Ajustes: Feedback dos usuários e dos órgãos de saúde foi coletado regularmente para ajustar e aprimorar o sistema de monitoramento.
 3 - Discussão
Integração de Tecnologias e Benefícios
A combinação de Machine Learning (ML), Internet das Coisas (IoT) e Computação em Nuvem tem demonstrado um impacto significativo na gestão de epidemias. A utilização dessas tecnologias permite a coleta de dados em tempo real, facilitando a detecção precoce de surtos e a implementação de medidas preventivas. O sistema de monitoramento integrado proporcionou melhorias notáveis na eficiência operacional dos órgãos de saúde, reduzindo o tempo de resposta e permitindo ações mais rápidas e informadas.
Eficácia na Detecção Precoce e Resposta Rápida
Os resultados mostraram que o tempo médio de detecção de surtos poderá ser reduzido em 30%, um avanço significativo que potencialmente salvará muitas vidas. Esta redução deve-se principalmente ao uso de ML para análise de grandes volumes de dados e à capacidade de IoT de fornecer dados em tempo real de diversas fontes, como dispositivos vestíveis e sensores ambientais. A Computação em Nuvem, por sua vez, garantiu que esses dados fossem processados e acessados rapidamente pelos tomadores de decisão.
Satisfação e Engajamento do Público
A alta taxa de satisfação e engajamento dos usuários com os aplicativos móveis indica que a população está disposta a adotar novas tecnologias para monitorar e melhorar sua saúde. A facilidade de uso e a utilidade percebida dos aplicativos são fatores críticos para o sucesso da implementação dessas ferramentas. No entanto, a adesão ainda pode ser melhorada em áreas com menor conectividade à internet, apontando para a necessidade de soluções tecnológicas mais inclusivas.
Desafios Técnicos e Operacionais
Embora os benefícios sejam claros, alguns desafios persistem. Aconectividade em áreas remotas continua sendo um obstáculo significativo para a coleta de dados em tempo real. Além disso, a interoperabilidade entre diferentes sistemas e fontes de dados ainda apresenta dificuldades, especialmente em termos de padronização e compatibilidade. Investimentos adicionais em infraestrutura e desenvolvimento de normas técnicas podem ajudar a superar esses desafios.
Considerações Éticas e Privacidade
A conformidade com a Lei Geral de Proteção de Dados (LGPD) foi rigorosamente observada, garantindo que os dados pessoais dos usuários fossem protegidos. O consentimento informado foi obtido de todos os participantes, e não houve incidentes de violação de dados durante o estudo. No entanto, a transparência e a comunicação contínua com os usuários sobre o uso e a proteção de seus dados são essenciais para manter a confiança pública. A implementação de medidas de segurança robustas e a adoção de práticas de privacidade por design devem continuar sendo prioridades.
Recomendações Finais:
Em suma, a integração de ML, IoT e Computação em Nuvem na saúde pública mostra-se promissora para a gestão de epidemias, mas requer atenção contínua às questões técnicas, éticas e de privacidade para alcançar seu pleno potencial.
4 - Avaliação dos Pares
Durante a elaboração do projeto, todos os membros mostraram empenho e dedicação na pesquisa e desenvolvimento dos temas propostos. Cada um contribuiu de maneira significativa para explorar e analisar os desafios relacionados à gestão de crises sanitárias, trazendo insights e propostas para enfrentar esses problemas complexos. A experiência compartilhada e a colaboração entre os membros da equipe foram fundamentais para a execução dos trabalhos. 
Todos os membros ajudaram na elaboração de pesquisa e desenvolvimento do projeto
5 - Referências Bibliográficas
Crelier, Cristiane. Estatísticas do Registro Civil. Editora Estatísticas Sociais, Agência IBGE, 2022.
Silva, Aline S. Entendendo a Incorporação de Tecnologias em Saúde no SUS. Brasília, Editora MS – OS 2016.
IBGE. Silva, Aline S. Entendendo a Incorporação de Tecnologias em Saúde no SUS. Brasília, Editora MS – OS 2016. Rio de Janeiro, [IBGE], 2021.
Hariharan, M S. IOT DATA ANALYTICS USING PYTHON: learn how to use python to collect, analyze, and visualize iot data. Ásia, Editora BPB PUBLICATIONS, [S.l.], 2023.
6 - Anexos
A imagem abaixo, mostra uma exemplificação dos nossos sensores, que monitorará a temperatura, umidade, e volume de chuva, e, com esses dados usar-mos ML para prevenção de casos da dengue:
A imagem abaixo exemplifica um formulário, disponibilizado para o usuário descrever como está a situação de uma determinada região. 
EX: O bairro Jardim da Penha, em Vitória está com uma crise de casos de dengue, um usuário poderá nos informar essa situação para que possamos trazer esses dados para nosso banco de dados, e também para podermos fornecer esses dados para os órgãos de saúde competentes.
A imagem abaixo exemplifica o banco de dados da nossa aplicação; Com informações sobre os números de casos em determinada data; umidade e temperatura.
Esses dados são exibidos via API infodengue
https://info.dengue.mat.br/alerta/3205309/dengue
3205309 é o código IBGE da cidade de Vitória.
Request GET: https://info.dengue.mat.br/api/alertcity?geocode=3205309&disease=dengue&format=json&ew_start=1&ew_end=52&ey_start=2024&ey_end=2024
image3.png
image1.png
image2.png
image4.png