Boletim COVID-PA: relatos sobre projeções baseadas em inteligência artificial no enfrentamento da pandemia de COVID-19 no estado do Pará

Boletín COVID-PA: informes de proyecciones basadas en inteligencia artificial para enfrentar la pandemia COVID-19 en el estado de Pará, Brasil

Resumo

Objetivo:

Relatar o produto de pesquisa e extensão universitária denominado Boletim COVID-PA, que apresentou projeções sobre o comportamento da pandemia no estado do Pará, Brasil.

Métodos:

Utilizou-se da técnica de inteligência artificial conhecida como ‘redes neurais artificiais’, para geração de 13 boletins com projeções de curto prazo baseadas nos dados históricos do sistema da Secretaria de Estado de Saúde Pública.

Resultados:

Após oito meses de projeções, a técnica gerou resultados confiáveis, com precisão média de 97% (147 dias observados) para casos confirmados, 96% (161 dias observados) para óbitos e 86% (72 dias observados) para ocupação de leitos de unidade de terapia intensiva.

Conclusão:

Esses boletins tornaram-se um instrumento útil para a tomada de decisão de gestores públicos, auxiliando na realocação de recursos hospitalares e otimização das estratégias de controle da COVID-19 nas diversas regiões do estado do Pará.

Palavras-chave:
COVID-19; Inteligência Artificial; Projeção; Tomada de Decisões

Resumen

Objetivo:

Reporte el resultado de la investigación y extensión universitaria denominada ‘Boletim COVID-PA’ que presentó proyecciones sobre el comportamiento de la pandemia en el estado de Pará, con un enfoque práctico y computacionalmente eficiente.

Métodos:

Fue utilizada una técnica de inteligencia artificial denominadas Redes Neurales para generar trece boletines con proyecciones basado en datos históricos del sistema de la Secretaría de Salud Pública.

Resultados:

Después de ocho meses de previsiones, la técnica genero resultados confiables con una precisión promedio de 97% (147 días observados) para casos confirmados, 96% (161 días observados) para los fallecimientos y 86% (72 días observados) para la ocupación de camas en las unidades de cuidados intensivos.

Conclusión:

Estos boletines se convirtieron en una herramienta para la toma de decisiones, auxiliando en la redistribución de recursos en los hospitales en el estado de Pará.

Palabras-clave:
COVID-19; Inteligencia Artificial; Predicción; Toma de Decisiones

Abstract

Objective:

To report the university extension research result entitled ‘The COVID-PA Bulletin’, which presented forecasts on the behavior of the pandemic in the state of Pará, Brazil.

Methods:

The artificial intelligence technique also known as 'artificial neural networks' was used to generate 13 bulletins with short-term forecasts based on historical data from the State Department of Public Health information system.

Results:

After eight months of predictions, the technique generated reliable results, with an average accuracy of 97% (observed for147 days) for confirmed cases, 96% (observed for 161 days) for deaths and 86% (observed for 72 days) for Intensive Care Unit bed occupancy.

Conclusion:

These bulletins have become a useful decision-making tool for public managers, assisting in the reallocation of hospital resources and optimization of COVID-19 control strategies in various regions of the state of Pará.

Keywords:
COVID-19; Artificial Intelligence; Forecast; Neural Networks; Decision Making

Introdução

O coronavírus 2019 (COVID-19) gerou a maior crise sanitária e humanitária do século XXI, impondo um desafio sem precedentes para a saúde pública e a economia mundial,¹ suscitando vigilância epidemiológica permanente.^2-5 A região Norte do Brasil especialmente, em virtude da complexidade do contexto amazônico, apresentou altas taxas de mortalidade por COVID-19.⁶ No estado do Pará, até o dia 21 de fevereiro de 2021, foram registrados 355.128 casos da doença e 8.278 óbitos.^7,8 O estado do Pará reúne diversas condições capazes de potencializar os impactos da COVID-19, como serviços de saúde deficitários e limitada capacidade de testagem, além da distância geográfica entre a capital e os municípios do interior.⁹

Para o monitoramento da COVID-19, podem-se utilizar técnicas de inteligência artificial e modelagem matemática, a exemplo das redes neurais artificiais (RNA), as quais apresentam como vantagem uma abordagem prática, matematicamente rigorosa, computacionalmente eficiente e capaz de assimilar as distorções e incertezas oriundas dos dados.^10-13 A projeção da prevalência de doenças infecciosas por meio de RNA já é amplamente usada na investigação epidemiológica, tanto para avaliar picos epidêmicos como estimar o tamanho do risco e do alcance de doenças.^14-16

O estudo teve como objetivo relatar o produto de pesquisa e extensão universitária denominado ‘Boletim COVID-PA’,¹⁷ que apresentou projeções sobre o comportamento da pandemia no estado do Pará.

Métodos

Contexto e coleta de dados

Trata-se de um relato de experiência com dados históricos relacionados à pandemia da COVID-19, coletados no sítio eletrônico da Secretaria de Estado de Saúde Pública do Pará (SESPA) entre 18 de março e 31 de agosto de 2020, período referente à primeira onda da pandemia no estado.⁷

O estado do Pará, localizado na região Norte do Brasil, ocupa cerca de 1.245.870 km² de extensão territorial e, com uma população estimada de 8.690.745 habitantes, apresenta uma densidade demográfica de 6,07 habitantes por km² e índice de desenvolvimento humano (IDH) de 0,646.¹⁸ No Pará, o rendimento mensal domiciliar per capita era de R$ 883,00 até 2010, quando 68,48% da população vivia em área urbana e 31,52% em área rural.¹⁹ A SESPA gere as ações de saúde do Sistema Único de Saúde (SUS) em 13 Centros Regionais de Saúde, distribuídos em regiões de saúde em todo o território paraense, com o propósito de descentralizar e regionalizar o atendimento a seus usuários, que era prestado por 2.057 estabelecimentos de saúde pública até 2010.^7,18,19

No presente estudo, a coleta dos dados foi semanal. Os dados obtidos foram separados por registro diário, correspondente a cada dia da semana coletada. Para cada região de saúde, os dados coletados somaram 147 dias de observação para a variável ‘casos confirmados’, 161 dias para ‘óbitos’ e 72 dias para a variável ‘quantidade de leitos de unidades de terapia intensiva (UTI) ocupados’.

Os dados foram classificados em variáveis quantitativas e categóricas, conforme descrição a seguir: dia de ocorrência (data, variável categórica), casos acumulados (variável quantitativa), óbitos acumulados (quantitativa), casos diários (quantitativa), óbitos diários (quantitativa), cidade de ocorrência (variável categórica), microrregião (categórica), região de saúde do estado (categórica), região de gestão de leitos de UTI (categórica), densidade demográfica das cidades (quantitativa), leitos de UTI disponíveis (quantitativa), leitos de UTI ocupados (quantitativa), leitos clínicos disponíveis (quantitativa), leitos clínicos ocupados (quantitativa), médicos disponíveis (quantitativa), enfermeiros disponíveis (quantitativa), fisioterapeutas disponíveis (quantitativa) e técnicos de enfermagem disponíveis (quantitativa).

Uma equipe de pesquisadores da Universidade Federal Rural da Amazônia (UFRA) iniciou uma série de pesquisas. A posteriori, a equipe contou com a colaboração de outros pesquisadores, vinculados à Universidade Federal do Oeste do Pará (UFOPA), Universidade Federal do Pará (UFPA) e Universidade do Estado do Pará (UEPA), vindo a formar uma equipe multidisciplinar e interinstitucional. O escopo das pesquisas foi compreender a dinâmica de transmissão e gerar previsões capazes de identificar padrões nos dados observados. Alcançado esse propósito, seria possível fornecer informações confiáveis, que pudessem auxiliar as autoridades de saúde pública na tomada de decisões importantes para mitigar o surto em um ambiente mutável, onde vários fatores influenciam, positiva ou negativamente, a transmissão local e regional.

Uso das RNAs para a geração do Boletim COVID-PA

No presente trabalho, utilizaram-se as RNAs para projetar o número de óbitos e de casos confirmados, acumulados e diários, e a demanda de leitos de UTI nas diversas regiões de saúde do Pará, sendo os resultados sendo compilados semanalmente sob a forma de boletim. A publicação dos boletins teve início com a publicação de um artigo científico de autoria de Castro et al.²⁰, que propôs o método de geração das primeiras projeções, e em seguida, por um artigo publicado por Braga et al.,²¹ que aprimorou os métodos utilizados neste estudo. O trabalho para a geração dos boletins seguiu os seguintes passos:

1. Coleta dos dados de casos confirmados, óbitos, recursos hospitalares, além de informações das cidades;

2. Integração e pré-processamento dos dados, gerando-se a tabela de aprendizado, apta para a execução da técnica de aprendizado de máquina;

3. Processamento/treinamento e seleção das melhores redes neurais;

4. Geração das projeções de casos e óbitos, com margem de erro em torno de 10%;

5. Análise de precisão, resíduos e erro das projeções de casos e óbitos;

6. Armazenamento das projeções pós-processadas;

7. Processamento e seleção da melhor rede neural treinada para a ocupação de leitos de UTI;

8. Geração das projeções da demanda de leitos de UTI, com margem de erro em torno de 10%;

9. Análise de precisão, resíduos e erro das projeções de ocupação de leitos de UTI;

10. Armazenamento dos dados gerados;

11. Compilação e disponibilização do acervo documental da próxima edição do Boletim COVID-PA no sítio eletrônico do projeto,¹⁷ e divulgação em mídias sociais.

Nas ciências exatas, o uso de RNAs é comum na análise de fenômenos que necessitam de um processo de identificação de padrões. O ajuste dos diferentes parâmetros, a partir de dados previamente conhecidos, permite que o modelo identifique padrões do problema e expresse, os dados reais, observados posteriormente, com satisfatória precisão. Essa etapa é conhecida como o treinamento do sistema inteligente, que requer extenso poder computacional para o processamento de centenas de RNAs criadas dinamicamente.

As RNAs treinadas foram de tipo multi layer perceptron (MLP), com uma camada oculta.¹⁹ O método de Fletcher-Gloss foi utilizado para definir o intervalo de número de neurônios na camada oculta, por meio da seguinte equação,

$$2\times \sqrt{n}+n_2\le n_1\le 2\times n+1$$

onde n é a quantidade de variáveis de entrada da rede neural, n ₁ é a quantidade de neurônios na camada oculta e n ₂ é a quantidade de neurônios na camada de saída.

As funções de ativação testadas foram a exponencial, a identidade, a logística e a tangente hiperbólica. O algoritmo de treinamento utilizado foi o Broyden-Fletcher-Goldfarb-Shanno (BFGS).^20,21 Os pesos iniciais das RNAs foram gerados aleatoriamente. A validação das RNAs foi realizada mediante o particionamento aleatório dos dados em dois conjuntos: conjunto de treinamento (80%) e conjunto de validação (20%).

Após a seleção da melhor RNA treinada, iniciou-se a etapa de geração e visualização das projeções e, em seguida, a análise de precisão e erro, para atestar a validade do modelo, utilizando-se a seguinte equação,

$$\text{Precisão}\text{= 1 -}\frac{\sum \frac{\left|\text{R - P}\right|}{\text{R}}\text{× 100}}{\text{N}}$$

sendo R os valores reais observados, P os valores projetados e N o número de observações. Neste artigo, o termo "precisão" é entendido como o quão próximo o valor previsto está do valor observado real, em valores percentuais.

As projeções de recursos hospitalares também foram estimadas neste estudo. A data de ocorrência e os óbitos diários projetados pela melhor RNA foram utilizados como variáveis preditoras, para estimar a demanda por leitos de UTI. Com a informação do número de leitos de UTI, é possível determinar a quantidade de recursos hospitalares²² e profissionais de saúde. Assim, uma RNA exclusiva foi treinada para projetar o número de leitos de UTI necessários para as diversas regiões do Pará, e seus resultados foram comparados com os dados reais de leitos de UTI ocupados. Por fim, essas informações foram armazenadas e usadas para gerar os gráficos e tabelas necessários à elaboração dos boletins COVID-PA.

Publicação dos boletins COVID-PA

Inicialmente, os boletins¹⁷ foram publicados a cada sete dias, referentes ao período entre o dia 18 de março de 2020, data do primeiro caso de COVID-19 confirmado no Pará, até 30 de julho de 2020. Subsequentemente, os boletins foram publicados a cada 14 dias, até o período de 31 de julho a 31 de agosto de 2020, data em que foi publicado o último boletim.

É importante relatar que, a partir do terceiro boletim (28/05/2020), a equipe multidisciplinar começou a apresentar as projeções específicas para cada uma das 13 regiões de saúde do Pará. No sexto boletim (19/06/2020), passou-se também a gerar projeções de ocupação de leitos de UTI, em virtude da necessidade de acompanhar essa informação que, no início da pandemia, ainda não era disponibilizada periodicamente. Por fim, no oitavo boletim (06/07/2020), passou-se a publicar as projeções para os 40 municípios mais populosos ou mais próximos das sedes de saúde do estado.

Consequentemente, após a publicação e encaminhamento dos boletins à SESPA, houve indução à resposta operacional de distribuição de recursos hospitalares e de informações para subsidiar medidas de restrição e flexibilização à mobilidade da população. As constatações de que medidas foram tomadas após a publicação dos boletins referem-se aos anúncios de novos leitos em regiões com alta pressão hospitalar, diretamente apontados nas projeções deste estudo, e citações diretas do estudo pelas mídias de divulgação governamentais (amostras de notícias do projeto: https://pastebin.com/embed_iframe/0mqMEQFY).

Esta pesquisa envolveu apenas dados de domínio público, não há identificação de identidade e tampouco envolvimento de seres humanos, pelo que não foi necessária a aprovação de um Comitê de Ética em Pesquisa (CEP).

Resultados

Os números publicados do Boletim COVID-PA indicaram projeções com precisão média de 97% para casos confirmados e de 96% para óbitos, quando comparadas com os dados observados posteriormente (Tabela 1). A projeção da demanda por leitos de UTI ficou próxima do número real de leitos de UTI ocupados, com precisão média igual a 86%. As projeções de mais de 20 dias, geradas no início da pandemia, foram divulgadas em formato de artigo científico²⁰ e apresentaram uma precisão média de 96% e 87% para casos confirmados acumulados e óbitos acumulados, respectivamente.

Pode-se observar que o comportamento das projeções seguiu o número de casos confirmados acumulados (Figura 1a). Uma ocorrência foi observada nas projeções de óbitos acumulados no segundo e no terceiro boletins (Figura 1b): entre os dias 19 e 30 de maio de 2020, o segundo boletim mostrou uma curva exponencial, e o terceiro, um comportamento linear.

O gráfico comparativo das projeções de óbitos diários feitas pela RNA para o estado no Pará, publicado no último boletim, e sua respectiva ocorrência observada, indicam o período do pico do número de óbitos da primeira onda, que coincide, no mês de maio, com o período entre os dias 5 e 20 (Figura 2).

Na Figura 3, observa-se uma constante diminuição na ocupação de leitos (em números absolutos), com um decréscimo linear médio de aproximadamente 3,5 leitos por dia. Além do mais, as projeções das demandas de leitos de UTI, feitas pelas RNAs, acompanharam essa queda.

Tabela 1
- Precisões obtidas no artigo científico e nos boletins COVID-PA utilizando-se redes neurais artificiais para projetar os casos confirmados, óbitos e ocupação dos leitos de UTI^a, Pará, 30 de abril a 29 de agosto de 2020

Trabalho técnico-científico	Data da publicação	Casos confirmados		Óbitos	Ocupação de leitos de UTIa
		(%)		(%)
Artigo científico20	30/04/2020	96		87	-
Boletim 1b	13/05/2020	96		94	-
Boletim 2b	20/05/2020	96		93	-
Boletim 3b	28/05/2020	94		88	-
Boletim 4b	05/06/2020	98		96	-
Boletim 5b	10/06/2020	98		97	-
Boletim 6b	18/06/2020	98		94	-
Boletim 7	26/06/2020	97		98	87
Boletim 8	06/07/2020	99		99	85
Boletim 9	14/07/2020	99		98	91
Boletim 10	21/07/2020	98		98	93
Boletim 11c	31/07/2020	98		99	90
Boletim 12c	14/08/2020	96		99	62
Boletim 13c,d	29/08/2020	-		99	93
Média geral	-	97		96	86

• a) UTI: Unidade de terapia intensiva; b) As projeções da ocupação de leitos de UTI não foram apresentadas porque, inicialmente, esta variável não estava no escopo da pesquisa; c) As projeções foram realizadas para 14 dias, em vez de 7 dias; d) A projeção de casos confirmados não foi gerada, em função da troca da metodologia de testagem de casos confirmados pelo estado do Pará.

Figura 1
- Projeções geradas pelas redes neurais artificiais a cada Boletim COVID-PA publicado, Pará, 18 de março a 6 de setembro de 2020

Figura 2
- Média móvel de óbitos diários e projeção de óbitos por redes neurais artificias, sobre dados dos boletins COVID-PA, Pará, 1º de abril a 2 de setembro de 2020

Figura 3
- Ocupação de leitos de UTI^a e projeções da demanda por esse serviço, sobre dados dos boletins COVID-PA, Pará, 19 de julho a 29 de agosto de 2020

Discussão

Neste artigo, é relatada uma abordagem de inteligência artificial aplicada aos dados da pandemia da COVID-19 no estado do Pará, resultando em 13 boletins técnicos que apresentaram projeções confiáveis no curto prazo, com 97% de precisão de acerto para casos confirmados, 96% para óbitos e 86% para ocupação de leitos de UTI. Nos primeiros boletins, a equipe de trabalho focou a geração de projeções para o Pará. À medida que mais dados sobre o vírus foram disponibilizados, percebeu-se a necessidade de acompanhar cada região, pois ficou claro que ocorriam diferentes cenários epidemiológicos no estado.

O terceiro e o quarto boletins, publicados no fim de maio e no início de junho, respectivamente, indicaram uma incipiente queda na curva de óbitos e casos diários. Vários fatores podem ter contribuído para esse fato, tais como as políticas governamentais (por exemplo: implantação de clínicas itinerantes, com distribuição de máscaras e medicamentos complementares), medidas de higiene adotadas e suspensão de fluxo de pessoas.²³ O novo comportamento da população em relação à proteção contra o vírus e o conhecimento adquirido pelas equipes de saúde quanto ao manejo dos casos de COVID-19, observados no final do mês de abril e nos primeiros dias de maio, também poderiam explicar essa redução. Vale destacar que, enquanto algumas regiões do Pará já mostravam estabilização dos casos de COVID-19 (por exemplo, a Região Metropolitana de Belém), outras alcançavam seu pico epidêmico (Baixo Amazonas, Tapajós e Araguaia), indicando a necessidade de realocação de recursos hospitalares de uma região estável para outra com alta demanda por atendimento, ao longo do ano de 2020.

Observa-se que, no penúltimo boletim, COVID-PA n^o 12, houve uma queda percentual para 62% de precisão, sobre a projeção da demanda de leitos de UTI, provável resultado da mudança na metodologia de testagem da COVID-19 - de molecular para sorológica - no período de 31 de julho a 17 de agosto de 2020. Essa mudança pode ter influenciado na precisão dos dados apresentados no boletim de n^o 12. Por conseguinte, a variável de entrada ‘casos confirmados’ foi retirada do modelo de RNA, fazendo com que a precisão da projeção aumentasse para 93% de acordo com o último boletim publicado (COVID-PA n^o 13).

O número de leitos de UTI disponibilizados mantinha-se superior a sua ocupação de fato, e superior à projeção de demanda de leitos apontada pelos boletins. Paralelamente, a oferta de leitos de UTI começou a cair a partir do mês de agosto, provavelmente devido ao encerramento de atividades em hospitais de campanha para pacientes com COVID-19 na rede pública, acompanhando a queda no número de casos e de óbitos.

A técnica de redes neurais artificiais suporta um número elevado de dados, modelando as incertezas associadas às projeções. Diversos estudos aplicaram a mesma técnica durante a pandemia, com o objetivo de projetar a prevalência e identificar a sazonalidade da doença.^24-26 Dessa forma considerando-se a transmissibilidade do SARS-CoV-2, torna-se necessária a observação periódica do aumento substancial da capacidade de leitos de UTI, para um rápido isolamento de doentes,²⁷ mediante iniciativas que já foram executadas e relatadas, com base em dados históricos.^28,29 Essa estrutura quantitativa, em escala espacial e temporal, fornece informações úteis para avaliar o impacto das intervenções de controle, e de como as mudanças de comportamento afetam a dinâmica da transmissão.^13,30

Os dados utilizados na fase de treinamento resultam em uma dependência do modelo aos dados coletados, dados estes provenientes de fontes secundárias, compostas por casos confirmados, óbitos e leitos de UTI. Tal condição implica ajuste periódico dos parâmetros do modelo. No entanto, as projeções realizadas ao longo do tempo, posteriormente avaliadas, demonstraram que essa limitação não alterou significativamente os resultados do presente estudo.

As projeções de curto prazo, com suporte das RNAs, cumpriram a função de antever o comportamento de surtos epidemiológicos, auxiliando na prevenção de colapsos no sistema de saúde do estado do Pará, no ano de 2020, especialmente na realocação de leitos hospitalares, cuja eficiência ajudou na tomada de decisão dos gestores públicos, além de informar a sociedade sobre o comportamento epidemiológico da doença. Finalmente, os boletins COVID-PA, produzidos pela presente pesquisa de extensão universitária, indicam que parcerias entre as universidades, a vigilância de saúde e a gestão estadual são fundamentais para a produção de informações relevantes, em um período crítico de pandemia, contribuindo para a preservação das vidas na capital e no interior do Pará.

Agradecimentos

A todos os profissionais de saúde que contribuíram com informações sobre os atendimentos na linha da frente da pandemia, especialmente Andrea A. F. de Souza, Cristina Shizuka K. Castro e Helloyza H. F. A. Pompeu. Aos profissionais Ben R. S. Pereira e Jean Patrick C. Souza, pelo apoio técnico-administrativo da Universidade Federal Rural da Amazônia à publicação dos boletins COVID-PA.

Referências

• ¹
  Li L, Huang T, Wang Y, et al. COVID-19 patients’ clinical characteristics, discharge rate, and fatality rate of meta‐analysis. J Med Virol. 2020;92(6):577-583. doi:10.1002/jmv.25757
  » https://doi.org/10.1002/jmv.25757
• ²
  Croda J, Oliveira WK de, Frutuoso RL, et al. Covid-19 in Brazil: Advantages of a socialized unified health system and preparation to contain cases. Rev Soc Bras Med Trop. 2020;53. doi:10.1590/0037-8682-0167-2020
  » https://doi.org/10.1590/0037-8682-0167-2020
• ³
  Takemoto MLS, Menezes M de O, Andreucci CB, et al. The tragedy of COVID-19 in Brazil: 124 maternal deaths and counting. Int J Gynecol Obstet. Published online July 29, 2020:ijgo.13300. doi:10.1002/ijgo.13300
  » https://doi.org/10.1002/ijgo.13300
• ⁴
  Islam N, Shabnam S, Erzurumluoglu AM. Temperature, Humidity, and Wind Speed Are Associated with Lower Covid-19 Incidence. Cold Spring Harbor Laboratory Press; 2020. doi:10.1101/2020.03.27.20045658
  » https://doi.org/10.1101/2020.03.27.20045658
• ⁵
  Lima NT, Buss PM, Paes-Sousa R. A pandemia de COVID-19: uma crise sanitária e humanitária. doi:10.1590/0102-311X00177020
  » https://doi.org/10.1590/0102-311X00177020
• ⁶
  Cavalcante JR, Cardoso-Dos-Santos AC, Bremm JM, et al. COVID-19 no Brasil: evolução da epidemia até a semana epidemiológica 20 de 2020. Epidemiol e Serv saude Rev do Sist Unico Saude do Bras. 2020;29(4):e2020376. doi:10.5123/s1679-49742020000400010
  » https://doi.org/10.5123/s1679-49742020000400010
• ⁷
  Pará Information and Communication Technology Company. Monitoramento COVID-19 (SESPA). Empresa de Tecnologia da Informação e Comunicação do Pará - PRODEPA. Published 2020. https://www.covid-19.pa.gov.br/
  » https://www.covid-19.pa.gov.br/
• ⁸
  Pará’s Government. Decreto Estadual No609 de 16 de abril de 2020. LEGIS-PA. Published 2020. Accessed August 5, 2020. https://www.sistemas.pa.gov.br/sisleis/legislacao/5444
  » https://www.sistemas.pa.gov.br/sisleis/legislacao/5444
• ⁹
  Universidade Federal de Pelotas. COVID-19 No Brasil: Várias Epidemias Num Só País: Primeira Fase Do EPICOVID19 Reforça Preocupação Com a Região Norte.; 2020. Accessed July 22, 2020. https://wp.ufpel.edu.br/covid19/files/2020/05/EPICOVID19BR-release-fase-1-Portugues.pdf
  » https://wp.ufpel.edu.br/covid19/files/2020/05/EPICOVID19BR-release-fase-1-Portugues.pdf
• ¹⁰
  Luengo-Oroz M, Hoffmann Pham K, Bullock J, et al. Artificial intelligence cooperation to support the global response to COVID-19. Nat Mach Intell. 2020;2(6):295-297. doi:10.1038/s42256-020-0184-3
  » https://doi.org/10.1038/s42256-020-0184-3
• ¹¹
  Massad E, Burattini MN, Lopez LF, Coutinho FAB. Forecasting versus projection models in epidemiology: The case of the SARS epidemics. Med Hypotheses. 2005;65(1):17-22. doi:10.1016/j.mehy.2004.09.029
  » https://doi.org/10.1016/j.mehy.2004.09.029
• ¹²
  Al-qaness MAA, Ewees AA, Fan H, Abd El Aziz M. Optimization Method for Forecasting Confirmed Cases of COVID-19 in China. J Clin Med. 2020;9(3):674. doi:10.3390/jcm9030674
  » https://doi.org/10.3390/jcm9030674
• ¹³
  Mohamadou Y, Halidou A, Kapen PT. A review of mathematical modeling, artificial intelligence and datasets used in the study, prediction and management of COVID-19. Appl Intell. 2020;50(11):3913-3925. doi:10.1007/s10489-020-01770-9
  » https://doi.org/10.1007/s10489-020-01770-9
• ¹⁴
  Manliura Datilo P, Ismail Z, Dare J. A Review of Epidemic Forecasting Using Artificial Neural Networks. Int J Epidemiol Res. Published online 2019. doi:10.15171/ijer.2019.24
  » https://doi.org/10.15171/ijer.2019.24
• ¹⁵
  Wahyunggoro O, Permanasari AE, Chamsudin A. Utilization of Neural Network for Disease Forecasting. In: Proceedings 59th ISI World Statistics Congress. ; 2013:549. Accessed July 12, 2020. https://www.semanticscholar.org/paper/Utilization-of-Neural-Network-for-Disease-Wahyunggoro-Permanasari/88b515658b38e404dfffe8fdc55da519076c848d
  » https://www.semanticscholar.org/paper/Utilization-of-Neural-Network-for-Disease-Wahyunggoro-Permanasari/88b515658b38e404dfffe8fdc55da519076c848d
• ¹⁶
  Fernandes R. Compartmental Epidemiological Models for Covid-19: Estimation, Goodness-of-Fit and Forecasting Epidemics | IEEE Latin America Transactions. Special Issue on Fighting against COVID-19. Published 2020. Accessed October 5, 2020. https://latamt.ieeer9.org/index.php/transactions/article/view/4399
  » https://latamt.ieeer9.org/index.php/transactions/article/view/4399
• ¹⁷
  Universidade Federal Rural da Amazônia. Boletim COVID-19 PARÁ. PROEX - Pro-reitoria de Extensão. Published 2020. Accessed October 20, 2020. https://proex.ufra.edu.br/index.php?option=com_content&view=article&id=265:boletim-covid-ufra&catid=2&Itemid=375
  » https://proex.ufra.edu.br/index.php?option=com_content&view=article&id=265:boletim-covid-ufra&catid=2&Itemid=375
• ¹⁸
  Instituto Brasileiro de Geografia e Estatistica - IBGE. IBGE | Cidades@ | Pará | Panorama. Published 2020. Accessed June 3, 2021. https://cidades.ibge.gov.br/brasil/pa/panorama
  » https://cidades.ibge.gov.br/brasil/pa/panorama
• ¹⁹
  Governo do Estado do Pará. Plano Estadual de Saúde.; 2016. Accessed June 3, 2021. https://www.conass.org.br/pdf/planos-estaduais-de-saude/PA_Plano-estadual-saude-2016-2019.pdf
  » https://www.conass.org.br/pdf/planos-estaduais-de-saude/PA_Plano-estadual-saude-2016-2019.pdf
• ²⁰
  Castro J, Souza GN, Brito SR, et al. Redes neurais artificiais na previsão de contágio e óbitos por COVID-19: um estudo no Estado do Pará, Brasil. Int J Dev Res. 2020;10(4):35416-35421. Accessed October 20, 2020. https://www.journalijdr.com/redes-neurais-artificiais-na-previsão-de-contágio-e-óbitos-por-covid-19-um-estudo-noestado-do-pará
  » https://www.journalijdr.com/redes-neurais-artificiais-na-previsão-de-contágio-e-óbitos-por-covid-19-um-estudo-noestado-do-pará
• ²¹
  Braga MB, Fernandes RS, Souza GN, et al. Artificial neural networks for short-term forecasting of cases, deaths, and hospital beds occupancy in the COVID-19 pandemic at the Brazilian Amazon. Zeng Q, ed. PLoS One. 2021;16(3):e0248161. doi:10.1371/journal.pone.0248161
  » https://doi.org/10.1371/journal.pone.0248161
• ²²
  Moghadas SM, Shoukat A, Fitzpatrick MC, et al. Projecting hospital utilization during the COVID-19 outbreaks in the United States. Proc Natl Acad Sci U S A. 2020;117(16):9122-9126. doi:10.1073/pnas.2004064117
  » https://doi.org/10.1073/pnas.2004064117
• ²³
  Mecenas P, Bastos R, Vallinoto A, Normando D. Effects of Temperature and Humidity on the Spread of COVID-19: A Systematic Review. Cold Spring Harbor Laboratory Press; 2020. doi:10.1101/2020.04.14.20064923
  » https://doi.org/10.1101/2020.04.14.20064923
• ²⁴
  Yang Z, Zeng Z, Wang K, et al. Modified SEIR and AI prediction of the epidemics trend of COVID-19 in China under public health interventions. J Thorac Dis. 2020;12(3):165-174. doi:10.21037/jtd.2020.02.64
  » https://doi.org/10.21037/jtd.2020.02.64
• ²⁵
  Saba AI, Elsheikh AH. Forecasting the prevalence of COVID-19 outbreak in Egypt using nonlinear autoregressive artificial neural networks. Process Saf Environ Prot. 2020;141:1-8. doi:10.1016/j.psep.2020.05.029
  » https://doi.org/10.1016/j.psep.2020.05.029
• ²⁶
  Tamang SK, Singh PD, Datta B. Forecasting of Covid-19 cases based on prediction using artificial neural network curve fitting technique. Glob J Environ Sci Manag. 2020;6(Special Issue (Covid-19)):53-64. doi:10.22034/GJESM.2019.06.SI.06
  » https://doi.org/10.22034/GJESM.2019.06.SI.06
• ²⁷
  Grasselli G, Pesenti A, Cecconi M. Critical Care Utilization for the COVID-19 Outbreak in Lombardy, Italy. JAMA. 2020;323(16):1545. doi:10.1001/jama.2020.4031
  » https://doi.org/10.1001/jama.2020.4031
• ²⁸
  Li R, Rivers C, Tan Q, Murray MB, Toner E, Lipsitch M. The demand for inpatient and ICU beds for COVID-19 in the US: lessons from Chinese cities. medRxiv. Published online March 16, 2020:2020.03.09.20033241. doi:10.1101/2020.03.09.20033241
  » https://doi.org/10.1101/2020.03.09.20033241
• ²⁹
  Jiang X, Coffee M, Bari A, et al. Towards an Artificial Intelligence Framework for Data-Driven Prediction of Coronavirus Clinical Severity. C C. 2020;63(1):537-551. doi:10.32604/cmc.2020.010691
  » https://doi.org/10.32604/cmc.2020.010691
• ³⁰
  Chowell G, Sattenspiel L, Bansal S, Viboud C. Mathematical models to characterize early epidemic growth: A review. Phys Life Rev. 2016;18:66-97. doi:10.1016/j.plrev.2016.07.005
  » https://doi.org/10.1016/j.plrev.2016.07.005

Editado por

Editora associada: Thaynã Ramos Flores - orcid.org/0000-0003-0098-1681

Datas de Publicação

• Publicação nesta coleção
  29 Out 2021
• Data do Fascículo
  2021

Histórico

• Recebido
  26 Fev 2021
• Aceito
  02 Jul 2021