GeoSchisto: Geoprocessamento e Esquistossomose › referata › arq › _2011 › 04_Ricardo ›...

GeoSchisto: Geoprocessamento e Esquistossomose

Ricardo J.P.S. Guimarãesricardojpsg@gmail.com

Corina C. Freitas (INPE) - Luciano V. Dutra (INPE) - Omar S. Carvalho (CPqRR) – Sandra C. Drummond (SESMG) – Ronaldo S. Amaral (MS)

http://www.dpi.inpe.br/geoschisto

O presente trabalho é parte dos resultados oriundos da cooperação institucional

entre o Centro de Pesquisas René Rachou (CPqRR-Fiocruz), o Instituto

Nacional de Pesquisas Espaciais (INPE), a Universidade Federal de Minas

Gerais (UFMG), a Secretaria de Vigilância em Saúde/Ministério da Saúde

(SVS/MS) e a Secretaria de Estado de Saúde de Minas Gerais (SES/MG).

Esta colaboração foi com suporte do CNPq e da FAPEMIG nos projetos:

1. “Desenvolvimento de um sistema de informações para o estudo,

planejamento e controle da esquistossomose no Estado de Minas Gerais”

(processo: 1775/03) e

2. “Desenvolvimento de metodologias e ferramentas de geoprocessamento na

análise espacial e distribuição da esquistossomose no Estado de Minas

Gerais” (processo: 893/05).

http://www.dpi.inpe.br/geoschisto

2

http://www.dpi.inpe.br/geoschisto

3

http://www.dpi.inpe.br/geoschisto

5

http://www.dpi.inpe.br/geoschisto

Carvalho et al. 2008

Biomphalaria glabrata

B. straminea

B. tenagophila

6

http://www.dpi.inpe.br/geoschisto

7

Geoprocessamento X Esquistossomose

http://www.dpi.inpe.br/geoschisto

8

Cross et al. (1984) - Filipinas

http://www.dpi.inpe.br/geoschisto

9

África – Ásia

http://www.dpi.inpe.br/geoschisto

10

Brasil: PE, BA, MG, SP

http://www.dpi.inpe.br/geoschisto

11

Desenvolver metodologias utilizando ferramentas de geoprocessamento para a

caracterização da distribuição espacial da esquistossomose mansoni, visando a

construção de cenários representativos de áreas potenciais para a ocorrência da

doença usando variáveis obtidas por sensoriamento remoto, meteorológicas,

socioeconômicas e ambientais. Objetiva-se também inferir sobre a presença das

espécies de Biomphalaria (B. glabrata, B. tenagophila e/ou B. straminea),

hospedeiros intermediários do S. mansoni, no Estado de Minas Gerais.

http://www.dpi.inpe.br/geoschisto

12

Área de estudo

http://www.dpi.inpe.br/geoschisto

13

PCE – SISLoc (80092/MG) e SISPCE (+6,7 milhões)

http://www.dpi.inpe.br/geoschisto

14

- Índice de Positividade (localidades)

- Prevalência (municípios)

casos positivos( ) *100

população estudadaPv ou Ip

http://www.dpi.inpe.br/geoschisto

15

- Distribuição espacial dos caramujos Biomphalaria.

Etapas do trabalho de campo

http://www.dpi.inpe.br/geoschisto

16

http://www.dpi.inpe.br/geoschisto

17

http://www.dpi.inpe.br/geoschisto

18

Mobilização da população

http://www.dpi.inpe.br/geoschisto

19

- Montagem do laboratório

- Transporte dos equipamentos

http://www.dpi.inpe.br/geoschisto

20

- Recepção das amostras

- Entrega do material

- Coleta das amostras

http://www.dpi.inpe.br/geoschisto

21

Exames parasitológicos:

- Kato-Katz

- Gradiente Salínico

http://www.dpi.inpe.br/geoschisto

22

Armazenamento:

- Amostras

- Lâminas

http://www.dpi.inpe.br/geoschisto

23

Armazenamento:

- Caramujos

http://www.dpi.inpe.br/geoschisto

24

Tratamento da população

Ensinando a população

http://www.dpi.inpe.br/geoschisto

25

Coleta de dados

http://www.dpi.inpe.br/geoschisto

26

Visualização

dos dados

http://www.dpi.inpe.br/geoschisto

27

Dificuldades

http://www.dpi.inpe.br/geoschisto

28

http://www.dpi.inpe.br/geoschisto

29

http://www.dpi.inpe.br/geoschisto

30

- Variáveis meteorológicas (CPTEC)

- Variáveis socioeconômicas

- Variáveis ambientais

- Variáveis de sensoriamento remoto

http://www.dpi.inpe.br/geoschisto

31

- Variáveis meteorológicas

- Variáveis socioeconômicas (SNIU – IBGE)

- Variáveis ambientais

- Variáveis de sensoriamento remoto

http://www.dpi.inpe.br/geoschisto

32

- Variáveis meteorológicas

- Variáveis socioeconômicas

- Variáveis ambientais (CPRM, IBGE, ...)

- Variáveis de sensoriamento remoto

Geologia

http://www.dpi.inpe.br/geoschisto

33

- Variáveis meteorológicas

- Variáveis socioeconômicas

- Variáveis ambientais

- Variáveis de sensoriamento remoto (NASA)

http://www.dpi.inpe.br/geoschisto

34

http://www.dpi.inpe.br/geoschisto

35

http://www.dpi.inpe.br/geoschisto

36

http://www.dpi.inpe.br/geoschisto

37

http://www.dpi.inpe.br/geoschisto

38

Nova Tiúma

São Lourenço da Mata

PE

A estimativa kernel é uma técnica estatística, de interpolação, não paramétrica, que

produz uma superfície contínua (aglomerado) de densidade calculada em todas as

localizações, para a identificação visual de “áreas quentes” (hotspot), sem alterar as

suas características locais

http://www.dpi.inpe.br/gilberto/livro/analise/cap2-eventos.pdf

http://www.dpi.inpe.br/geoschisto

39

http://www.dpi.inpe.br/geoschisto

40

0 dias 180 dias 360dias

http://www.dpi.inpe.br/geoschisto

41

http://www.dpi.inpe.br/geoschisto

42

http://www.dpi.inpe.br/geoschisto

43

pontos

http://www.dpi.inpe.br/geoschisto

44

http://www.dpi.inpe.br/geoschisto

45

1

2

3

http://www.dpi.inpe.br/geoschisto

46

Mapa da distribuição das esp. Estimadas Mapa de incerteza

http://www.dpi.inpe.br/geoschisto

47

Distribuição espacial dos caramujos

Bacia Rio São Francisco

Distribuição espacial dos caramujos

Bacia Rio Paraíba do Sul

SESMG - 6 municípios SESMG-JF/UFJF- 8 mun

http://www.dpi.inpe.br/geoschisto

48

Como a krigeagem é muito afetada pela quantidade e pela distribuição espacial dos

dados de entrada, isto pode explicar as diferenças encontradas nas duas bacias.

- Bacia do Rio São Francisco, distribuição, cerca de 50% municípios, acerto de 100%;

- Bacia do Rio Paraíba do Sul, distribuição, cerca de 32% municípios, acerto de 67%;

Bacia do Rio São Francisco apresenta uma média geral de incerteza de 0,232 e

Bacia do Rio Paraíba do Sul com média geral de incerteza de 0,332 (43,1%).

Os resultados obtidos mostram que o mapa de risco obtido da krigagem pode ser

usado como uma ferramenta auxiliar para a formulação adequada de estratégias de

saúde pública e orientar o trabalho de campo, considerando os locais com maior

probabilidade de ocorrência das espécies de Biomphalaria.

http://www.dpi.inpe.br/geoschisto

49

http://www.dpi.inpe.br/geoschisto

50

http://www.dpi.inpe.br/geoschisto

51

Uso do algoritmo Skater do software TerraView 3.1.3;

Divisão do Estado de Minas Gerais em quatro regiões;

Utilização dos polígonos que representam a divisão política dos municípios de

Minas Gerais, juntamente com oito variáveis selecionadas por demonstrarem maior

relação com a transmissão da doença;

As variáveis utilizadas para fazer a regionalização foram: mapa de geologia

(áreas calcárias), índice hidrológico (porcentagem de água no município - obtido do

Mapa de Drenagem), espécies de Biomphalaria, índice de necessidade de saúde

(INS), modelo digital de elevação (MDE), vegetação (modelo de mistura),

precipitação acumulada e média da temperatura.

http://www.dpi.inpe.br/geoschisto

52

Mapa de Regionalização

http://www.dpi.inpe.br/geoschisto

53

http://www.dpi.inpe.br/geoschisto

54

http://www.dpi.inpe.br/geoschisto

55

http://www.dpi.inpe.br/geoschisto

56

http://www.dpi.inpe.br/geoschisto

57

http://www.dpi.inpe.br/geoschisto

58

12

http://www.dpi.inpe.br/geoschisto

59

Log

http://www.dpi.inpe.br/geoschisto

60

http://www.dpi.inpe.br/geoschisto

61

Modelo 1 (global-município) - foram utilizadas 51 variáveis;

Modelo 2 (regional-município) - foram utilizadas 51 variáveis;

Modelo 3 (global-localidade) - foram utilizadas 93 variáveis;

Modelo 4 (regional-localidade) - foram utilizadas 93 variáveis.

http://www.dpi.inpe.br/geoschisto

62

Modelo 1 (global-município) - foram utilizadas 51 variáveis;

Modelo 2 (regional-município) - foram utilizadas 51 variáveis;

Modelo 3 (global-localidade) - foram utilizadas 93 variáveis;

Modelo 4 (regional-localidade) - foram utilizadas 93 variáveis.

http://www.dpi.inpe.br/geoschisto

63

Modelo 1 (global-município) - foram utilizadas 51 variáveis;

Modelo 2 (regional-município) - foram utilizadas 51 variáveis;

Modelo 3 (global-localidade) - foram utilizadas 93 variáveis;

Modelo 4 (regional-localidade) - foram utilizadas 93 variáveis.

http://www.dpi.inpe.br/geoschisto

64

http://www.dpi.inpe.br/geoschisto

65

( 7,18 0,49 0,36 5,83 0,01 )ˆ 1v iBG TN EVI WPPv ePresença ou ausência de B. glabrata (BG), temperatura mínima do verão (TNv),

índice de vegetação do inverno (EVIi) e porcentagem de casas com água de poço

ou nascente (WP).

R2 = 0,39

http://www.dpi.inpe.br/geoschisto

66

(0,92 0,28 0,29 ) 2

1ˆ 1 0,97

WN EPv Re

(0,86 0,12 8,3 * 0,22 * ) 2

2ˆ 1 0,60i iPC BG NDVI BG QTAPv Re

(12,1 0,002 0,68 0,82 2,61 ) 2

3ˆ 1 0,63v vMDE TN TX INSPv Re

00( 3,93 0,004 6,45 0,07 ) 2

4ˆ 1 0,76

MDE IDHE CPv Re

http://www.dpi.inpe.br/geoschisto

67

Presença ou ausência de B. glabrata (BG), precipitação do verão (PCv), temperatura

mínima do verão (TNv), índice de vegetação do inverno (EVIi) e domicílios com

banheiro ou sanitário ligado via fossa séptica (V31).

R2 = 0,1831( 7,34 0,51 0,004 0,37 0,0003 0,004 )1v v iBG PC TN EVI V

Ip e

http://www.dpi.inpe.br/geoschisto

68

25(14,04 0,05 0,01 1,15 ) 2

1 1 0,35i vPC V TIp Re

25 261( 11,63 0,68 0,59 0,0004 0,03 0,005 ) 2

2 1 0,21v iBG TN EVI V VIp Re

33 283(0,16 0,39 0,0002 0,015 0,002 ) 2

3 1 0,38vBG NDVI V VIp Re

254 272( 3,54 0,0001 0,006 0,16 0,27 0,0006 0,003 ) 2

4 1 0,22v v vEVI PC TN QTA V VIp Re

http://www.dpi.inpe.br/geoschisto

69

Resumo – resultados dos modelos

Modelo nRMSE RMSEa nMSPR MSPRa Modelo nRMSE RMSE nMSPR MSPR

Glo

bal

mu

nic

ípio

M1 - R1 8 4,003 3 5,272

Glo

bal

locali

dad

e

M3 - R1 104 8,078 66 3,421

M1 - R2 49 5,186 38 3,899 M3 - R2 428 12,369 262 11,741

M1 - R3 44 7,498 61 7,968 M3 - R3 220 10,042 338 10,048

M1 - R4 22 5,974 30 9,743 M3 - R4 100 6,164 72 8,282

M1 123 6,185 132 7,478 M3 852 10,739 738 10,145

Reg

ion

al

mu

nic

ípio M2 - R1 8 0,843 3 1,301

Reg

ion

al

locali

dad

e M4 - R1 104 7,576 66 3,376

M2 - R2 49 4,732 38 3,780 M4 - R2 428 11,553 262 11,577

M2 - R3 44 4,444 61 5,110 M4 - R3 220 9,044 338 9,538

M2 - R4 22 3,883 30 7,744 M4 - R4 100 6,123 72 8,291

M2 123 4,327 132 5,463 M 4 852 9,979 738 9,848

RMSE (Erro Médio Quadrático), MSPR (Erro Médio Quadrático da Predição).

http://www.dpi.inpe.br/geoschisto

70

Modelo nRMSE RMSEa nMSPR MSPRa Modelo nRMSE RMSE nMSPR MSPR

Glo

bal

mu

nic

ípio

M1 - R1 8 4,003 3 5,272

Glo

bal

locali

dad

e

M3 - R1 104 8,078 66 3,421

M1 - R2 49 5,186 38 3,899 M3 - R2 428 12,369 262 11,741

M1 - R3 44 7,498 61 7,968 M3 - R3 220 10,042 338 10,048

M1 - R4 22 5,974 30 9,743 M3 - R4 100 6,164 72 8,282

M1 123 6,185 132 7,478 M3 852 10,739 738 10,145

Reg

ion

al

mu

nic

ípio M2 - R1 8 0,843 3 1,301

Reg

ion

al

locali

dad

e M4 - R1 104 7,576 66 3,376

M2 - R2 49 4,732 38 3,780 M4 - R2 428 11,553 262 11,577

M2 - R3 44 4,444 61 5,110 M4 - R3 220 9,044 338 9,538

M2 - R4 22 3,883 30 7,744 M4 - R4 100 6,123 72 8,291

M2 123 4,327 132 5,463 M 4 852 9,979 738 9,848

RMSE (Erro Médio Quadrático), MSPR (Erro Médio Quadrático da Predição).

Resumo – resultados dos modelos

http://www.dpi.inpe.br/geoschisto

71

A prevalência da esquistossomose foi estimada tanto a nível global como regional,

mostrando que a presença de B. glabrata, saneamento básico, índice de vegetação

e temperatura são as variáveis mais importantes, estando presente em ambos os

níveis. Resultado semelhante foi obtido por Bavia et al. (2001).

Resultados dos modelos de regressão mostram que a regionalização melhora a

estimativa da doença em MG. O modelo global apresentou R2 = 0,39 e regional R2

entre 0,60 e 0,97. Resultado semelhante foi obtido por Martins-Bede et al. (2009).

O melhor modelo validado pelo MSPR foi o modelo 2 (Regional por município).

A utilização das variáveis ambientais melhora o modelo quando comparados com as

variáveis socioeconômicas com R2 = 0,32 (Freitas et al. 2006) e variáveis derivadas

de sensores remotos com R2 = 0,36 (Guimarães et al. 2006).

Outro fato importante é que as variáveis selecionadas nos modelos por município

apresentam concordância com as variáveis apresentadas nos modelos por

localidades.

http://www.dpi.inpe.br/geoschisto

72

http://www.dpi.inpe.br/geoschisto

73

Modelo 2 RMSE Pvmedia %erro

Reg

ion

al

mu

nic

ípio

R1 0,843 7,768 10,852

R2 4,732 10,706 44,201

R3 4,444 14,089 31,538

R4 3,883 16,682 23,276

M2 4,327 12,794 33,824

- Aglomerados 1 e 2 são os mesmos apresentados

no kernel situados, respectivamente, nas

mesorregiões Norte de Minas e Vale do

Jequitinhonha, Mucuri e Rio Doce;

- Aglomerados 3 e 4 situados, respectivamente,

nas mesorregiões Metropolitana de Belo Horizonte

e Sul/Sudoeste de Minas

IM - dados de prevalência

IM - dados do modelo M2

http://www.dpi.inpe.br/geoschisto

74

O interpolador de médias é uma técnica que pode indicar possíveis locais de

transmissão da esquistossomose e essa técnica mostrou que, além da região

endêmica que foi estimada pelo melhor modelo de regressão obtido, a

mesorregião Sul/Sudeste representa uma possível área de risco de transmissão

da esquistossomose tanto pelo B. glabrata como pelo B. tenagophila.

http://www.dpi.inpe.br/geoschisto

75

1. Os resultados obtidos demonstram que o SIG é uma ferramenta útil no controle e

estudo da esquistossomose. Além disso, a utilização conjunta do SIG e técnicas

estatísticas permitiram estimar a distribuição das espécies de Biomphalaria e a

prevalência/índice de positividade da esquistossomose.

2. A estimativa por localidade não apresentou uma melhora nos modelos como era

esperado. Isso pode ter sido ocasionado pela utilização de imagens de baixa

resolução (MODIS - 250 m); falta de coordenadas dos locais de captura/estudo

malacológico; pela utilização de variáveis socioeconômicas dos setores censitários,

que muitas vezes apresentaram várias localidades em um mesmo setor; e também,

por causa da não homogeneidade das datas (anos) quando foram realizados os

exames parasitológicos nas localidades utilizadas nesse trabalho com o período das

variáveis depositadas no Banco de Dados do GeoSchisto.

http://www.dpi.inpe.br/geoschisto

76

http://www.dpi.inpe.br/geoschisto

77

SISLOC

MALARIACHAGAS

ESQUISTOSSOMOSELEISHMANIOSE

PESTE

FILARIOSE ONCOCERCOSEFEBRE AMARELA

E DENGUE

Recomenda-se usar a metodologia desta Tese em alguns municípios (pequenas

áreas) utilizando variáveis do mesmo período dos exames parasitológicos, bem

como, a utilização de imagens de alta resolução e dados georreferenciados de

bionfalárias.

Recomenda-se utilizar as imagens MODIS ou de outro sensor como o CBERS de

datas e locais diferentes para verificar se existe também uma alta correlação entre

as imagens-fração e os índices de vegetação e a esquistossomose.

Condicionados à existência de fundos adequados, um levantamento malacológico é

recomendado para melhor avaliação da metodologia.

Também, é recomendado o uso de GPS em todos os trabalhos de campo a serem

realizados pelo PCE.

http://www.dpi.inpe.br/geoschisto

78

http://www.dpi.inpe.br/geoschisto

79

- CNPq (300927/92-4; 309922/03-8; 380203/04-9; 384571/10-7, 300679/11-4);

- Fapemig (EDP 1775/03; CRA 0070/04);

- NIH-Fogarty (5D43TW007012);

- Secretaria de Estado de Saúde de MG, SVS/MS, INPE, UFJF, UFMG e CPqRR.

FIM

http://www.dpi.inpe.br/geoschisto