UTILIZAÇÃO DE MODELOS DE APRENDIZADO DE MÁQUINA COMO FERRAMENTA PARA PREVISÃO DE CASOS DE COVID-19 NA CIDADE DE BOTUCATU – SÃO PAULO

Resumo

A COVID-19, doença causada pelo vírus SARS-CoV-2, provavelmente teve sua origem na província de Hubei, na China, em 2019, tornando-se uma pandemia em questão de meses trazendo grandes prejuízos em várias esferas, afetando milhões de indivíduos. Até agosto de 2021, mais de 200 milhões de pessoas se contaminaram com o Coronavírus, e mais de 4 milhões de mortes foram relatadas ao redor do mundo. No Brasil, no mesmo período, havia mais de 20 milhões de casos confirmados e mais de 500 mil óbitos, com 100% dos municípios contaminados. O município de Botucatu, no Estado de São Paulo, apresenta milhares de pessoas que já foram contaminadas pelo vírus e centenas de óbitos. Durante a pandemia, houve uma notável evidência e aumento do uso de tecnologias nas mais diversas áreas, inclusive para monitoramento de casos e contágio. Os modelos de aprendizado de máquina são algoritmos matemáticos computacionais desenvolvidos com o objetivo de simular o modo de aprendizado humano, com o intuito de desenvolver ferramentas para resolver problemas complexos. Diante desses fatos, o objetivo deste trabalho envolveu a comparação entre dois modelos, Long Short-Term Memory (LSTM) e Gated Recurrent Unit (GRU), ambos redes neurais recorrentes de aprendizado profundo, para avaliar a capacidade de previsão em uma série de dados temporais de pessoas contaminadas ou mortas dentro do município de Botucatu, interior do Estado de SP. Os dois modelos testados demonstraram bons resultados, compatíveis com a literatura científica disponível sobre redes neurais na detecção da COVID-19, sendo que o modelo de GRU obteve a melhor performance, com o menor erro e menor tempo de treinamento. Em resumo, pode-se afirmar que o uso destes modelos poderiam ser ferramentas importantes para o estudo epidemiológico da doença enquanto auxiliariam o poder público local a traçar rotas efetivas para combater e minimizar os danos causados pela pandemia.

 Palavras chaves: Aprendizado Profundo. Pandemia.  Redes Neurais.

USE OF MACHINE LEARNING MODELS TO PREDICT COVID-19 CASES IN THE CITY OF BOTUCATU – SÃO PAULO

ABSTRACT

 COVID-19, caused by the SARS-CoV-2 virus, emerged in Hubei Province, China, in 2019, and rapidly evolved into a global pandemic, causing significant impacts across health, economic, and social systems worldwide. By August 2021, more than 200 million infections and over 4 million deaths had been reported globally. In Brazil, during the same period, more than 20 million confirmed cases and more than 500 thousand deaths were recorded, with 100% of cities reporting cases of infection. In the city of Botucatu, São Paulo state, thousands of cases and hundreds of deaths associated with COVID-19 were reported. During the pandemic, the use of technological tools for monitoring and predicting disease spread increased substantially. In this context, machine learning techniques have been widely applied to analyze epidemiological data and support decision-making processes. This study aimed to compare the performance of two deep learning models:  Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU), both based on recurrent neural network architectures for predicting COVID-19 cases and deaths using time-series data from the city. Both models demonstrated satisfactory predictive performance, consistent with the findings reported in the scientific literature on neural network applications for COVID-19 forecasting. However, the GRU model showed superior performance, presenting lower prediction error and the shorter training time. Results suggest machine learning approaches may represent valuable tools for epidemiological monitoring and forecasting, contributing to the development of more effective public health strategies and supporting local government decision-making during health emergencies.

Keywords: Deep Learning. Neural networks. Pandemic