EPIDEMIO – SISTEMA COMPUTACIONAL WEB INTEGRADO SOBRE EVENTOS EPIDEMIOLÓGICOS

Claudia B. Rizzi1, Rogério Luis Rizzi1, Jorge Bidarra1, Guilherme Galante1, Reginaldo

Aparecido Zara1, Adair Santa Catarina11, Amarildo de Vicente1, Carlos José Maria Olguín11, Clodis Boscarioli1, Huei Diana Lee2, Ivonei Freitas da Silva11, Márcio Seiji Oyamada2, Miguel Angel Uribe Opazo1, Victor Francisco Araya Santander1, Wu Feng Chung2, Maria Fernanda

Azevedo Pompilho Leonel Ferreira3. 1Centro de Ciências Exatas e Tecnológicas – UNIOESTE 2Centro de Engenharias e Ciências Exatas – UNIOESTE

3Secretaria Municipal de Saúde da Prefeitura Municipal de Cascavel Palavras-chave: Computação aplicada, Epidemiologia computacional, Projeto EPIDEMIO. Resumo:

O Encontro em Computação Aplicada (ECA) objetiva reunir pesquisadores da Ciência da Computação, Matemática, Estatística, Física e demais interessados para realizar discussão sobre a computação aplicada às diversas áreas do conhecimento, enfocando da área de epidemiologia computacional. Especificamente, a edição 2008 do ECA visa fortalecer os estudos e pesquisas que atualmente estão sendo desenvolvidos no âmbito do grupo multidisciplinar em computação aplicada, da Universidade Estadual do Oeste do Paraná.

Esse é o segundo passo concreto dado na direção da formação e fortalecimento de um grupo de pesquisa multidisciplinar em computação aplicada. O primeiro foi a produção de um projeto em conjunto que foi submetido ao edital MCT/CNPq/CT-INFO 07/2007, cuja natureza foi a “modelagem computacional de sistemas complexos artificiais, naturais e sócio-culturais e da interação homem-natureza”. Tal projeto visa desenvolver e aplicar requisitos, métodos, técnicas, algoritmos e produtos de software para construir, a partir de modelagens biofísica e matemática de fenômenos epidemiológicos, um Sistema Computacional Web Integrado sobre

Fenômenos Epidemiológicos, designado de EPIDEMIO, para fins de estudos epidemiológicos e ações de vigilância epidemiológica. Não obstante o projeto não ter sido aprovado pelo CNPq, ele vem sendo desenvolvido pelos autores, como mostra os resumos expandidos e os trabalhos em andamentos submetidos ao evento.

Essas duas ações concretas nasceram de um grande e principal objetivo comum aos proponentes do EPIDEMIO e de outros mais pesquisadores. A de se instalar um Mestrado em Computação Aplicada, inserido num programa de Pós-Graduação em Computação Aplicada na UNIOESTE. A proposta está atualmente em análise no Comitê da Área Multidisciplinar / Interdisciplinar da CAPES, e teve como origem os trabalhos de pesquisa e desenvolvimento realizados no interior dos Cursos de Graduação de Informática, de Ciência da Computação e de Matemática, e das áreas de Física e Estatística, bem como do Núcleo de Inovação Tecnológica (NIT). Estes trabalhos, tratando problemas de diferentes naturezas, têm em comum o enfoque às pesquisa aplicada e multidisciplinar. Essa situação foi, enfim, a grande motivadora do estabelecimento de uma série de parcerias para a proposição do referido curso de pós-graduação.

O Anexo I é uma fiel reprodução do documento enviado ao CNPq e segue para o conhecimento dos leitores. Referências R. L. Rizzi e et. al. Sistema Computacional Web Integrado sobre Eventos Epidemiológicos. Projeto de Pesquisa enviado ao MCT/CNPq para atender o Edital MCT/CNPq/CT-HIDRO 07/2007. 2007. 38 p. ECA – Encontro em Computação Aplicada. http://www.inf.unioeste.br/eca/.

ANEXO I

CONSELHO NACIONAL DE DESENVOLVIMENTO CIENTÍFICO E TECNOLÓGICO – CNPQ EDITAL MCT/CNPQ/CT-INFO Nº. 07/2007

1. IDENTIFICAÇÃO

1.1 Título do Projeto

Sistema Computacional Web Integrado sobre Eventos Epidemiológicos

1.2 Coordenador do Projeto e e-mail

Rogério Luís Rizzi – rogerio@unioeste.br

1.3 Instituição Executora

Universidade Estadual do Oeste do Paraná – UNIOESTE.

A UNIOESTE oferece, a título de contra partida, recursos humanos, condições físicas estruturais e de apoio à execução do projeto.

1.4 Palavras-chaves

Sistema computacional web integrado; Tratamento de dados georeferenciados; Sistema baseado em conhecimento; Sistema de informações sobre saúde pública; Sistema de alerta em vigilância epidemiológica; Modelo computacional paralelo para fenômenos epidemiológicos.

1.5 Resumo

O presente projeto, cujo escopo é “fenômenos epidemiológicos” está em consonância com o documento “Grandes Desafios da Computação no Brasil: 2006-2016” e com o objetivo “b” do edital MCT/CNPq/CT-INFO 07/2007 cuja natureza é a “modelagem computacional de sistemas complexos artificiais, naturais e sócio-culturais e da interação homem-natureza”. Fenômenos epidemiológicos são sistemas complexos. Sistemas complexos são sistemas formados por muitas unidades simples, interligadas e que se influenciam mutuamente. A complexidade desses sistemas é conseqüência do entrelaçamento das influências mútuas dessas muitas unidades ou elementos em função da evolução dinâmica do sistema.

O objetivo deste projeto é desenvolver e aplicar requisitos, métodos, técnicas, algoritmos e produtos de software para construir, a partir de modelagens biofísica e matemática de fenômenos epidemiológicos, um sistema complexo, o Sistema

Computacional Web Integrado sobre Fenômenos Epidemiológicos para fins de estudos epidemiológicos e ações de vigilância epidemiológica.

O projeto será desenvolvido por equipe multidisciplinar, e se estrutura como uma matriz composta por oito módulos sendo que cada módulo possui uma atribuição técnica-gerencial, e uma temática definida. Os integrantes dos módulos trabalharão seus objetivos internos sempre tendo em vista o conjunto total dos objetivos do Sistema Epidemiológico. Para garantir a interação da equipe e que as discussões e resultados alcançados localmente no interior dos módulos sejam de acesso coletivo, serão utilizados via web, os recursos disponibilizados por um sistema de acompanhamento do projeto. Durante a realização deste projeto serão implementados quatro grandes sistemas, disponibilizados via web: o sistema de simulações; o sistema integrado de informações epidemiológicas, o sistema de conhecimento e o sistema de interface.

O projeto é relevante, sobretudo devido a seus impactos e resultados na vigilância epidemiológica e na modelagem computacional. Quanto à vigilância epidemiológica, o sistema poderá analisar variações geográficas, temporais e sociais na distribuição de casos de doenças epidemiológicas; identificar situações que requeiram a realização de estudos e pesquisas específicas ou a adoção de medidas para ampliar o conhecimento sobre situações epidemiológicas; subsidiar processos de planejamento, gestão e avaliação de políticas públicas e ações de saúde; e disponibilizar em ambiente web, informações à comunidade. Quanto à modelagem computacional, o projeto contribuirá para obter conhecimentos sobre sistemas complexos, pois contempla aspectos inerentes a esse tipo de modelo.

O projeto é importante e inovador, e seus resultados podem ser aplicados e impactar significativamente em termos sócio-econômicos. É importante porque disponibiliza, via web, a pessoas e entidades, sistemas computacionais baseados em conhecimento sobre algumas doenças de notificação obrigatória, ao término de dois anos. Esses sistemas poderão auxiliar profissionais e gestores da saúde na solução de problemas. Também é importante porque suas interfaces serão projetadas com design e mecanismos de consulta que facilitem a utilização do sistema. Ele é inovador porque permitirá o registro de informações relativas a doenças incluindo as de notificação obrigatória, via web. Este registro visa automatizar o processo atualmente manual, demorado e sujeito à falhas, que fornece informações ao DATASUS, bem como reunir outros dados e informações que permitam subsidiar pessoas e entidades que são capazes de utilizá-las visando fundamentar ações de relevância à saúde coletiva.

1.6 Organização do Texto

Este texto está organizando conforme a seqüência dos tópicos relacionados no edital: coerência com os objetivos do edital; identificação e caracterização do objetivo do projeto; metodologia e estratégias de ação; objetivos e metas; cronograma físico-financeiro; relevância e impacto dos resultados e referências bibliográficas.

2. COERÊNCIA COM OS OBJETIVOS DO EDITAL

O presente projeto está em consonância com o documento “Grandes Desafios da Computação no Brasil: 2006-2016” (SBC, 2006) e, conseqüente e particularmente, com o objetivo “b” do edital MCT/CNPq/CT-INFO 07/2007 cuja natureza é a “modelagem

computacional de sistemas complexos artificiais, naturais e sócio-culturais e da

interação homem-natureza”. Os principais fatores que justificam a coerência deste projeto, cujo escopo é “fenômenos epidemiológicos”, bem como os objetivos do referido edital, são explicitados a seguir.

Fenômenos epidemiológicos são essencialmente sistemas complexos e sistemas complexos “são sistemas formados por muitas unidades simples, porém interligadas entre si, de forma que uma influencia o comportamento das outras” (OLIVEIRA, 1999). A complexidade desses sistemas é, portanto, conseqüência do entrelaçamento das influências mútuas dessas muitas unidades ou elementos em função da evolução dinâmica do sistema.

Dentre os elementos motivadores da proposição do Sistema Computacional Web

Integrado sobre Fenômenos Epidemiológicos, doravante denominado Sistema

Epidemiológico, que se pretende desenvolver, está a preocupação com a saúde coletiva de grupos de indivíduos que vivem em comunidades ou áreas. Influenciam no sistema, dentre outros fatores, a freqüência e o padrão de eventos relacionados a doenças nesses grupos. A freqüência inclui a quantidade desses eventos e as taxas ou riscos de doença. O padrão de ocorrência dos eventos se refere à distribuição desses eventos segundo elementos como o tempo, o lugar e o indivíduo. De posse da freqüência e distribuição desses eventos, é possível comparar sua ocorrência em diferentes grupos populacionais com diferentes características demográficas, genéticas, imunológicas, comportamentais, de exposição ao ambiente e outros fatores e, desta maneira, implementar medidas de prevenção e controle (CDC, 1992), (WALDMAN, 2007).

Essas informações são essenciais para que seja implementado o Sistema Epidemiológico proposto, e, portanto, é necessário ter acesso às que existem e produzir as inexistentes. Cabe ressaltar que há precariedade do registro dessas informações, mesmo se tratando de doenças cujo registro é obrigatório. O trâmite dos acontecimentos quando alguém chega a um posto de atendimento em saúde com sintomas de uma doença de notificação obrigatória reforça essa precariedade. No posto, o atendente deve preencher uma notificação, geralmente em uma folha de papel, escrita à mão, com dados pessoais sobre o paciente e seus principais sintomas. Este formulário é encaminhado ao Centro de Vigilância Epidemiológica mais próximo, que se responsabiliza em repassar as informações ao DATASUS. Esse processo pode ser demorado e sujeito à falhas. Em detrimento a este trâmite, certas doenças podem se disseminar com rapidez, pondo em risco a saúde coletiva.

Ainda com relação ao desenvolvimento do Sistema Epidemiológico proposto, é preciso considerar outras variáveis, como as relações sociais em jogo. Trata-se de grupos populacionais cujos partícipes interagem mutuamente. Ora, grupos populacionais são redes constituídas por agrupamentos de pessoas unidas por laços familiares, profissionais, de amizade, atitudes, de preferências, etc., ou seja, com características semelhantes. As conseqüências decorrentes do dinamismo das interações e relações desses grupos associadas a determinadas condições (de clima, de região, entre outras), interferem na saúde desses grupos, e devem ser consideradas no modelagem computacional.

E em decorrência das dificuldades inerentes ao estudo de sistemas complexos, uma abordagem apropriada é a criação de um complexo sistema computacional, que requer para sua efetivação o desenvolvimento de modelos, algoritmos e ferramentas específicas que atendam às características desses sistemas, e este certamente é um

desafio para a ciência da computação, como já apontado no documento da SBC. É também um desafio para o presente projeto.

3. IDENTIFICAÇÃO E CARACTERIZAÇÃO DO OBJETIVO DO PROJETO

O uso de sistemas computacionais na saúde tem assumido um papel cada vez mais relevante em nível mundial. Evidência disso é o fato de que políticas de saúde de países como Inglaterra, Canadá, Espanha e Austrália estão definidas com base em informações provenientes de sistemas computacionais abrangentes e de qualidade (NAFFAH FILHO; CECÍLIO, 2006).

O Brasil compartilha desta postura. O Ministério da Saúde estabeleceu como um de seus objetivos a definição de uma política nacional de informação em saúde, concebendo-a como essencial para alcançar uma maior equidade, qualidade e transparência dos serviços de saúde. O departamento de informática do Sistema Único de Saúde (DATASUS), responsável por coletar, processar e disseminar informações sobre saúde tem feito esforços significativos na gestão nacional em saúde, incluindo a disponibilização de informações via Internet.

No estado do Paraná, a Secretaria de Saúde tem procurado sustentar uma política de construção permanente de um modelo de saúde que cumpra a função social de promoção, prevenção e atenção à saúde. Neste contexto, um de seus objetivos estratégicos é desenvolver e disponibilizar informações em saúde através da incorporação de tecnologias. São 22 Regionais de Saúde que constituem a instância administrativa intermediária entre os municípios e o estado. Às Regionais de Saúde cabe desenvolver as atitudes necessárias para apoiar os municípios de sua abrangência influenciando na gestão e na busca contínua e crescente de eficiência.

Particularmente, é na 10ª Regional de Saúde cuja abrangência de atendimento é de 25 municípios, que está vinculado o município de Cascavel, parceiro neste projeto. Cascavel é uma cidade situada no oeste do Paraná, com 2.016,3 km2, e aproximadamente 300.000 habitantes. A Secretaria Municipal de Saúde de Cascavel atua na gestão de Atenção Básica, que constitui um conjunto de ações, de caráter individual e coletivo, situadas no primeiro nível de atenção dos sistemas de saúde, voltada para promoção da saúde, prevenção de agravos, tratamento e reabilitação.

Cascavel possui 26 Unidades Básicas de Saúde, 09 Unidades Saúde da Família e 06 Unidades Especiais. O Município possui um Centro Regional de Especialidades, o Hospital Universitário vinculado a UNIOESTE, que funciona através de um consórcio intermunicipal de saúde do oeste do Paraná, atendendo aos 25 municípios que dele participam através de cotas previamente estabelecidas. Cascavel possui 52,24% das consultas ofertadas, sendo os 47,76% restantes divididos entre os outros 24 municípios.

Neste cenário mais particular de abrangência de Cascavel, a disponibilidade de sistemas computacionais em saúde significa garantir os dados e as informações necessárias para que os diferentes usuários, especialmente gestores, possam executar ações adequadas de planejamento de serviços e atividades em saúde. Assim, a existência de um sistema computacional como o proposto neste projeto, possibilita que os principais postulados da saúde pública possam ser buscados: conhecer as condições de saúde da população, avaliar mudanças em seu perfil, planejar e implementar programas e informar à sociedade os fatores de risco que ameaçam a saúde.

Também é possível contribuir para a análise da disseminação de doenças infecto-contagiosa ou de outras de interesse da saúde pública como aquelas que têm importância no cenário epidemiológico da região de Cascavel como a dengue, AIDS e raiva. Esta última doença é o objeto de enfoque sob o ponto de vista da simulação computacional, no período dos dois anos previstos, que é primeira fase do projeto. Note que se ocorrer, por motivos técnicos, a inconveniência ou inviabilidade de enfocar a raiva, outra doença será escolhida como alvo para esta fase do projeto.

A raiva é uma doença que acomete mamíferos e que pode ser transmitida aos seres humanos, sendo, portanto, uma zoonose. É causada por vírus mortal, tanto para os seres humanos quanto para os animais. A transmissão ocorre quando o vírus existente na saliva do animal infectado penetra no organismo, através da pele ou mucosas, por mordedura, arranhadura ou lambedura. O morcego hematófago é um importante transmissor da raiva porque pode infectar bovinos, eqüinos e morcegos de outras espécies. Todos estes animais, uma vez infectados, podem transmitir a raiva, embora no Brasil, o principal animal que a transmite ao homem é o cão.

A opção por esta doença se deve não apenas pelos dados fornecidos pela Secretaria Municipal de Saúde de Cascavel, mas pela preocupação com sua contínua evolução e avanço de casos. Em 1999, foram 521 casos; em 2000, 677 casos; em 2001, 621 casos; em 2002, 737 casos; em 2003, 640 casos; em 2004, 735 casos; em 2005, 823 casos; em 2006, 1110 casos. Ou seja, trata-se de uma epidemia cuja atuação dos gestores ainda carece do apoio de subsídios e pesquisas na área.

Com relação ao que foi mencionado sobre os experimentos com o Sistema Epidemiológico a ser desenvolvido serem direcionados para a cidade de Cascavel/PR, cabe esclarecer que se trata de um estudo de caso, considerando a relação estabelecida entre os proponentes deste projeto e a Secretaria Municipal de Saúde de Cascavel, firmada principalmente por interesses comuns e pela proximidade. Porém, o que se pretende realizar em fase posterior a proposta – dando continuidade a este projeto – é estender o sistema de modo a contemplar as necessidades Estadual e Nacional.

Assim, a principal característica deste projeto é contribuir para o desenvolvimento da computação através de estudos e pesquisas relativas a Fenômenos Epidemiológicos pelo desenvolvimento de um sistema computacional complexo capaz de ser executado em arquiteturas de memória compartilhada e distribuída. As funcionalidades previstas neste projeto serão projetadas, desenvolvidas e implementadas através de oito módulos sintetizados a seguir.

3.1 MÓDULO 1: MODELAGEM BIO-MATEMÁTICA

Os pesquisadores integrantes deste módulo têm por objetivo o desenvolvimento, adaptação e parametrização de modelos matemáticos e estatísticos aos fenômenos biológicos e epidemiológicos de interesse. Para isso faz-se uma contextualização sintética a respeito das questões associadas a esses objetivos.

São várias as definições para Epidemiologia. Uma delas, abrangente e que enfoca a saúde pública, é dada em (LAST, 1988): “epidemiologia é o estudo da freqüência, da distribuição e dos determinantes dos estados ou eventos relacionados à saúde em

específicas populações e a aplicação desses estudos no controle dos problemas de

saúde”. Assim, a epidemiologia produz conhecimento sobre o processo saúde-doença na população humana com a identificação de seus fatores determinantes.

Sob o aspecto individual, o percurso de uma doença é descrito pelo que se passa entre o período em que o indivíduo começa a ter sintomas da doença e em que estes acabam. Porém, do ponto de vista epidemiológico, em se tratando de doenças infecto-contagiosas, é mais importante a distribuição espaço-temporal dos contatos tidos pelo indivíduo infectado com outros indivíduos, e a forma como isso se repercute na propagação da doença (GOMES, 2007).

Devido à relevância dessas questões e dada a importância que a Biologia está tendo e continuará a ter para a humanidade nas próximas décadas (assim como teve a Física nos séculos passados), é importante desenvolver a modelagem matemática e computacional de fenômenos biológicos e, em particular, de fenômenos epidemiológicos. Para fins epidemiológicos a modelagem tem dois objetivos claros. Um diz respeito à simulação ou predição da disseminação da doença. O outro é relativo à análise de procedimentos para prevenção, controle ou erradicação da doença.

A modelagem matemática e computacional de fenômenos epidemiológicos consiste na efetiva construção de modelos computacionais. Ela inicia com a modelagem lógica ou matemática do fenômeno, onde o modelo matemático é construído sob hipóteses e considerações físicas, fisiológicas e biológicas. Ocorre que a interação entre a Matemática, a Computação e a Biologia não é um acontecimento novo. As áreas da Biomatemática ou Bioinformática já integram vários laboratórios ou departamentos de muitos centros de pesquisa, nacional e mundial. Existe, inclusive, uma literatura técnica especializada sobre a temática a exemplo de (KEENER; SNEYD, 2001), (MURRAY, 2002, 2003), (HOPPENSTEADT; PESKIN, 2004) e (EDELSTEIN-KESHET, 2005), (YANG, 2001), (NOVAK; MAY, 2001) e (NOVAK, 2006).

Destaca-se que a modelagem matemática e computacional agrega conhecimentos, procedimentos e técnicas que permitem construir um modelo computacional a partir do problema ou fenômeno real, e isso significa que um modelo computacional fornece uma aproximação da realidade. De fato, pois embora do ponto de vista individual a sintomatologia, patologia e os mecanismos de transmissão da várias doenças infecciosas são razoavelmente compreendidos, ainda existem fatores intra-indivíduos que devem ser mais apropriadamente explicados. Também existem fatores supra-indivíduo que podem complicar a modelagem como a biologia do agente infeccioso, as características do hospedeiro e as características da doença em si, ou seja, a modelagem entre indivíduos pode não contemplar as nuances necessárias à adequada modelagem.

Não obstante essas limitações, a Epidemiologia Matemática e Computacional pode atender aos objetivos propostos, oferecendo aos diferentes usuários, distintos cenários quanto à disseminação, prevenção, controle ou erradicação da doença. Pode-se almejar, por exemplo, descrever a disseminação da doença e avaliar programas de vacinação. E nesse caso é importante considerar aspectos como: tempo de geração de uma infecção, capacidade de indução da imunidade por meio de vacina e capacidade de transmissão da infecção.

Essas características e aspectos devem estar traduzidos no modelo que, do ponto de vista matemático pode ter as características de ser determinístico ou estocástico; contínuo ou discreto; linear ou não-linear; dinâmico ou estacionário. Cada um desses atributos está profundamente associado ao fenômeno ou classe epidemiológica modelada, e influencia fortemente na abordagem dada à solução do modelo.

Para melhor compreender considere-se que as doenças infecciosas podem ser de transmissão direta ou não-direta. A transmissão direta consiste de infecções viróticas ou bacterianas cuja disseminação ocorre diretamente, através de meio físico, entre os

indivíduos infectantes e suscetíveis, e se propagam a uma distância mediana através do ar. A transmissão não-direta requer um agente transmissor ou contato físico íntimo, podendo se propagar a grandes distâncias.

Para a transmissão direta pode-se utilizar, preferencialmente, modelo determinístico do tipo compartimental. Tais modelos surgem quando se considera o momento ou estado em que os indivíduos se encontram no desenvolvimento da doença nos períodos latente e infeccioso. Neste caso, os indivíduos de uma comunidade fechada, que não admite migração, podem ser subdivididos em classes imunes, suscetíveis, infecciosos, latentes, e removidos. Então, constroem-se os conhecidos modelos compartimentais SIS, SIR, SEIR, MSEIR, entre outros (GOMES, 2007), discutidos no módulo 5 (Métodos e Estratégias de Solução). O modelo computacional a ser especificado e implementado contemplará especificamente a doença da raiva, pelas justificativas já postas na seção de identificação e caracterização do objetivo do projeto.

3.2 MÓDULO 2: TRATAMENTO DE DADOS GEOREFERENCIADOS

O mapeamento de eventos infecto-contagiosos é necessário para os Centros de Vigilância Epidemiológica, pois o conhecimento do padrão geográfico da ocorrência e da disseminação da doença pode fornecer informações sobre sua etiologia e fisiopatologia. Além disso, as informações obtidas são importantes para efeitos de registro e atualização dos bancos de dados local, regional ou nacional, como o DATASUS (COSTA, 2007), (FELIPE, et al, 2007). Para atender a essas necessidades em saúde pública emprega-se o Geoprocessamento e a Estatística Espacial de Áreas.

O Geoprocessamento é um conjunto de técnicas e métodos para a coleta, tratamento, manipulação e apresentação de informações espaço-temporal. Mais especificamente, se utiliza Sistemas de Informação Geográfica (SIG), que podem tratar dados de expressão espacial estruturando-os adequadamente de maneira a otimizar a manipulação integrada de seus três componentes essenciais – posição, topologia e atributos – na execução de análises e aplicações gráficas (COSTA, 2007).

A estatística espacial de áreas estuda os métodos de análise espacial cuja localização está associada a áreas delimitadas por polígonos. Esse caso ocorre com muita freqüência quando se lida com eventos agregados por municípios, bairros ou setores censitários dos quais não se dispõe da localização exata dos eventos, mas de um valor por área. Dados de área envolvem elementos que associam o mapa geográfico a uma base de dados (ASSUNÇÃO, 2001). Este mapa geográfico é dividido por áreas onde cada uma delas possui uma ou mais variáveis aleatórias que representam um valor para toda área e não apenas o valor de um ponto específico (este ponto seria, por exemplo, o centróide da área). Neste caso, não se conhece a localização exata do evento, mas sim um valor agregado por área.

O objetivo da análise espacial de área é verificar a existência de um padrão espacial nos valores observados. A forma usual de apresentação dos dados agregados por áreas é através de mapas coloridos com o padrão espacial do fenômeno. Quando esse padrão espacial é observado, se faz necessário verificar se é aleatório ou apresenta uma agregação definida, ou ainda, se esta distribuição pode ser associada a causas mensuráveis. Quando são utilizadas técnicas de estatística espacial para análise de dados de áreas, estas são apresentadas em forma de índices, gráficos de espalhamento e mapas. Esta coleção de técnicas permite descrever e visualizar distribuições espaciais,

identificar situações atípicas (outliers), descobrir padrões de associação espacial, agrupamento de valores semelhantes (clusters) e sugerir regimes espaciais ou outra forma de heterogeneidade espacial (ANSELIN; BAO, 1997). Entende-se por outliers espaciais, dados cuja localização pode exercer uma forte influência na hora de realizar estimações. Para que sua presença não atrapalhe a análise é necessário verificar quais dados são outliers a fim de distribuir seus efeitos. Já o cluster ou agrupamento espacial pode ser definido como um agregado de ocorrências no espaço ou a ocorrência de valores semelhantes em áreas próximas (CAMARA et al. 2004).

Os SIG comportam diferentes tipos de dados e aplicações como, por exemplo, o monitoramento ou controle de epidemias, promovendo a integração de dados coletados de fontes heterogêneas empregando mapas georeferenciados. Essa metodologia possibilita avaliações sobre a evolução dos eventos infecto-contagiosos. De fato, incorporando as informações sobre fenômenos de desenvolvimento espaço-temporal e a dependência evolutiva dos dados, o uso dessa tecnologia tem fornecido contribuições relevantes aos estudos de distribuição da ocorrência de doenças. Permite estimar associações e interações entre indivíduos sadios e infectados, bem como melhor compreender processos de disseminação das doenças, possibilitando a detecção de potenciais fatores de risco (SZWARCWALD, et al, 2001).

Tudo isso vem ao encontro da principal preocupação da Epidemiologia, que é a saúde coletiva de grupos de indivíduos que vivem em comunidades ou áreas, pois a nesse caso a ela interessa a freqüência e o padrão de eventos relacionados a doenças na população. Um outro elemento de preocupação da epidemiologia, é a busca pelo entendimento da causa e de fatores que influenciam na ocorrência de eventos, que também pode ser tratado com o emprego de SIG. De posse da freqüência e distribuição desses eventos, pode-se comparar sua ocorrência em diferentes grupos populacionais com diferentes características demográficas, genéticas, imunológicas, comportamentais, de exposição ao ambiente e outros fatores e, desta maneira, implementar medidas de prevenção e controle.

3.3 MÓDULO 3: SELEÇÃO DE CARACTERÍSTICAS E MINERAÇÃO DE DADOS

Os integrantes deste módulo têm dois objetivos principais, em momentos distintos do projeto. Em um primeiro momento, o objetivo primário será conhecer os dados de epidemiologia existentes, buscando correlações entre as variáveis, selecionando as que sejam mais discriminantes no conjunto de dados (feature selection), de forma a reduzir sua dimensionalidade. Em um segundo momento, serão desenvolvidas e adaptadas técnicas de mineração de dados para visualização e descoberta de padrões em bases de dados epidemiológicas, de forma a conceber hipóteses e predições que agreguem conhecimento sobre as epidemiologias abarcadas neste projeto.

Para atingir esses objetivos será preciso considerar que a grande necessidade de informações que auxiliem no planejamento e na tomada de decisão requer o uso eficiente de armazenamento em banco de dados e de técnicas de análise computadorizadas. Como na primeira fase do projeto não se prevê grandes volumes de dados, pretende-se trabalhar em um arcabouço para mineração de dados, realizando experimentos que ajudem os especialistas de domínio na compreensão dos fenômenos epidemiológicos ocorridos.

Uma das características fundamentais da abordagem de banco de dados é fornecer algum nível de abstração de dados, pela omissão de detalhes de armazenamento que não são necessários para a maioria dos usuários. O modelo de dados é a principal ferramenta que fornece esta abstração. Um modelo de dados é um conjunto de conceitos que podem ser usados para descrever a estrutura de uma base de dados. Por estrutura de uma base de dados entende-se os tipos de dados, relacionamentos e restrições pertinentes aos dados, visando um armazenamento eficiente. Muitos modelos de dados também definem um conjunto de operações para especificar como recuperar e modificar a base de dados.

Para além da modelagem para armazenamento eficiente, há que se ter uma eficiente recuperação de informação. Esta recuperação pode se viabilizar através de linguagem de consultas como SQL (Structured Query Language) (ELSMARI; NAVATHE, 2005), por meio de relatórios estáticos e gráficos OLAP (On-line Analytical Processing) (HARRISON, 1998) e pela manipulação, via interface, de sentenças em linguagem natural, que traduzidas ao sistema retornam as solicitações dos usuários. Os dados existentes ou gerados podem ultrapassar em muito a capacidade dos analistas em realizar consultas e análises. Além disso, as estruturas geradas (tabelas, dimensões e cubos) podem ser numerosas, inviabilizando uma análise manual da informação.

Outra forma de auxiliar os analistas na compreensão de seus dados é disponibilizar ferramentas inteligentes capazes de buscar automaticamente padrões, comportamentos e tendências existentes nos dados, por meio da mineração de dados (Data Mining – DM) (HAN; KRAMBER, 2000) e visualização de informação (KEIM, 2002), que objetivam descobrir conhecimentos ocultos em bases de dados. Dessa forma, a utilização de conceitos de DM fornece novas oportunidades para aprender fatos a partir de bancos de dados existentes.

Note-se que diferentes massas de dados oriundas da medicina, economia, astronomia, geologia, epidemiologia, entre outras áreas, podem ser alvo de aplicação do DM (CARVALHO, 2001), haja vista o objetivo ser de descobrir, de forma automática ou semi-automática, o conhecimento que está "oculto" nas grandes quantidades de dados armazenados em bancos de dados.

Considerando que essas bases de dados podem ser muito grandes, seja em quantidade de registros armazenados, como em variáveis que as descrevem (atributos), um processo de seleção de características, como descrito em (LEE, 2005) faz-se necessário para reduzir esforços computacionais e tempo de resposta. Para além desse fato, a qualidade das informações contidas nessas bases de dados é imprescindível para o bom resultado de um algoritmo de mineração de dados, sendo, em muitos casos, necessária uma etapa anterior, que é o pré-processamento, para tratamento e adequação dos dados para uma análise efetiva (BOSCARIOLI, 2005).

Há várias tarefas de mineração de dados, como classificação, predição, incluindo a classificação e a regressão, a associação e a análise de agrupamento de dados (DUNHAM, 2002). Cada tarefa pode ser considerada como um tipo de problema, que objetiva um determinado tipo de conhecimento. Diversos métodos distintos, como redes neurais, indução de árvores de decisão, sistemas baseados em regras e algoritmos estatísticos, tanto isoladamente quanto em combinação, podem ser aplicados ao problema.

Faz-se necessário dar significado a uma quantidade cada vez maior de informações contidas nas bases de dados. Antes de realizar qualquer análise, o objetivo

é qualificar e armazenar os dados a serem trabalhados e encontrar novas formas de visualizá-los de maneira mais natural e transparente para os usuários. Assim, a visualização de dados assume um papel importante já que, em vários momentos existe, a necessidade de interação entre o processo de descoberta e o ser humano. Pode-se citar como exemplo a análise prévia dos dados que fazem parte do processo, onde são realizadas algumas consultas usando ferramentas de análise ou mesmo de visualização de dados, podendo-se também recorrer a diferentes formas, como gráficos, relatórios, ícones e figuras. Portanto, embora a gestão de saúde pública no Brasil tenha obtido avanços significativos e haja disponibilidade de informações sobre doenças na Internet, ainda é incipiente a elaboração de sistemas analíticos para tomada de decisão em saúde.

De acordo com (NAFFAH FILHO; CECÍLIO, 2006), há a necessidade de sistemas que disponibilizem informações de saúde, e não apenas dados, entendendo dado como uma expressão estática da informação que, ao contrário, é obtida através de complexo processo de correção, agregação, organização e análise.

3.4 MÓDULO 4: ENGENHARIA DE SOFTWARE

O objetivo deste módulo é efetuar a engenharia de software para o sistema computacional a ser desenvolvido neste projeto. Entende-se sistema como um conjunto de elementos inter relacionados que interagem na constituição e função dos mecanismos computacionais a serem utilizados, direta ou indiretamente, no contexto de fenômenos epidemiológicos. Sendo assim, este sistema é entendido como um sistema complexo.

Produzir sistemas computacionais complexos, a exemplo do que acontece quando do desenvolvimento de sistemas computacionais tradicionais, também requer engenharia de software. A questão que se coloca, no entanto, é como melhor conduzir essa engenharia considerando que, até o momento, não existe na literatura processos já consolidados que abranjam simultaneamente a modelagem computacional, o tratamento de grandes volumes de dados, a utilização via web, bem como o processamento paralelo e distribuído, como se pretende com o presente projeto.

A literatura referente ao desenvolvimento de sistemas complexos ainda está fragmentada dificultando o trabalho e o avanço direcionado. Exemplo dessa fragmentação, apenas a título de citar dois aspectos importantes, são metodologias como a Sempa (LUKSCH ET AL., 1997) e a tradicional de Foster (FOSTER, 2007), no que se refere ao processamento paralelo e distribuído, e os processos de engenharia de requisitos já tradicionais de Kotonya e Somerville (KOTONYA; SOMERVILLE, 1997). Ou seja, existem metodologias e processos na literatura, porém, não são integrados, consolidados ou genéricos o suficiente para atenderem a características e particularidades de sistemas complexos.

Além disso, há ainda dois agravantes no desenvolvimento deste projeto: a interação entre uma equipe multidisciplinar evidenciando necessidades, concepções e metodologias de trabalho diferentes, e o fato de estar-se concebendo um projeto que apresenta demandas específicas tanto em termos de ferramentas para apoiar a engenharia de software quanto da especificação e utilização de ferramentas e métodos, ainda não bem difundidos e utilizados conjuntamente.

Especificamente, a engenharia de requisitos se dedica ao descobrimento, documentação e gerenciamento de requisitos que em síntese, são os fenômenos que ocorrem no ambiente ou domínio da aplicação. Esses requisitos variam desde aqueles mais elementares ao sistema, passando pelos relativos a restrições de desempenho,

padrões, linguagem para implementação, chegando a propriedades como sigilo e funcionalidades oriundas da interface. Um processo adequado de engenharia de requisitos é fundamental na construção de softwares que atendam com maior adequação e qualidade as necessidades e expectativas identificadas.

Neste sentido, e considerando a natureza do sistema a ser implementado, há que se reconhecer a importância de não inserir erros em seus requisitos e, conseqüentemente, nas demais etapas de seu desenvolvimento. Gerar requisitos inconsistentes, incompletos, ou ainda, que não satisfaçam as reais necessidades é fatal para qualquer sistema computacional. Portanto, a escolha e/ou adaptação de metodologias, técnicas e ferramentas a serem utilizadas no desenvolvimento e aplicação do sistema certamente contribuirá para a geração de softwares mais próximos à realidade epidemiológica com a qual se quer trabalhar.

Portanto, neste módulo se pretende desenvolver a engenharia de software necessária ao sistema a ser construído, empregando e/ou adaptando técnicas e ferramentas tradicionais ou não no processo de desenvolvimento de software, visando subsidiar toda a equipe envolvida neste projeto. Pretende-se também definir todos os padrões de software para o sistema, bem como refletir e discutir questões que contribuam para fazer avançar a concepção atual sobre construção de sistemas computacionais complexos (SBC, 2006).

3.5 MÓDULO 5: MÉTODOS E ESTRATÉGIAS DE SOLUÇÃO

Os integrantes deste módulo têm por objetivo especificar, projetar e desenvolver as abordagens computacionais a serem adotadas para solução dos modelos epidemiológicos, especialmente quanto à simulação da disseminação de determinadas doenças.

Note-se que os métodos, estratégias e abordagens de solução discutidos neste módulo devem estar associados aos modelos matemáticos especificados no Módulo 1 (Modelagem Matemática), sendo que esses modelos podem ter características de serem determinístico ou estocástico; contínuo ou discreto; linear ou não-linear; dinâmico ou estacionário. Essas características estão associadas a determinado fenômeno epidemiológico, e induz quase naturalmente as escolhas a serem feitas.

A classe de modelos determinísticos abrange os conhecidos modelos compartimentais do tipo SIS, SIR, SEIR, MSEIR, entre outros, que geralmente são utilizados para diferentes classes epidemiológicas. De fato, a classe M (imunes) refere-se aos indivíduos com imunidade passiva. Esse tipo de imunidade acontece quando alguns anticorpos são transferidos pela mãe através da placenta. Dessa forma, o recém-nascido possui imunidade temporária a algum tipo de infecção. Após o desaparecimento desses anticorpos, o indivíduo é movido para a classe dos suscetíveis (S). Crianças que nascem sem a presença de anticorpos automaticamente pertencem à classe S. A classe S inclui todos os indivíduos que podem contrair a infecção. Um contato adequado entre um indivíduo suscetível e um indivíduo infectado faz com que o suscetível mova-se para a classe dos expostos (E). A classe E inclui os indivíduos que estão na fase de latência, ou seja, já foram infectados pelo micro-organismo, mas que ainda não são capazes de transmiti-lo a outros indivíduos. Após o período de latência, o indivíduo entra na classe dos infectados (I), e ser torna capaz de transmitir a doença a outros indivíduos. Quando o período infeccioso termina, o indivíduo entra na classe dos recuperados ou removidos (R). A classe R inclui todos os indivíduos que se

recuperaram da infecção (ou foram removidos) e adquirem imunidade, mesmo que temporária, à doença (GOMES, 2007).

Solução Determinística

A modelagem para as classes epidemiológicas que geram os modelos do tipo compartimental podem ser representados por sistemas de equações diferenciais. Modelos determinísticos podem ser resolvidos quando discretizados e solucionados por métodos numéricos apropriados como, por exemplo, os de Runge-Kutta, quando a abordagem é explícita. Para abordagens implícitas ou semi-implícitas empregam-se métodos iterativos estacionários ou não estacionários, como o SOR ou o gradiente conjugado ou GRMES, respectivamente. A análise das características do esquema numérico obtido a partir das equações discretizadas conduz à adequada escolha por esta ou aquela estratégia de solução.

Solução Heurística ou Probabilística

Os mesmos sistemas de equações diferenciais evolutivas que podem ser resolvidos por abordagens numérico-deterministas podem, também, ser resolvidos, usando heurísticas e processos estocásticos como, por exemplo, os discutidos a seguir.

Autômatos Celulares

Os Autômatos Celulares consistem de simulações discretas no tempo, espaço e no estado do sistema. Esses modelos consistem em considerar cada posição (ou região) do domínio espacial como sendo uma célula, à qual é atribuído um estado. O estado de cada célula é modificado de acordo com o seu estado e o de suas vizinhas na etapa de tempo anterior, através de uma série de regras simples que tentam imitar as leis físicas ou biológicas que regem o sistema (PEIXOTO; BARROS, 2004).

Nesta abordagem, as variáveis de estado do sistema, assim como o tempo, são discretas. O sistema é representado espacialmente através de um reticulado de células que interagem obedecendo a algumas regras de mudança de estado. A dinâmica do sistema como um todo depende desta interação local entre as células. Cada célula representa um indivíduo, que pode estar em um compartimento do tipo M, S, E, I ou R.

A chance de que um indivíduo suscetível se torne infectado vai depender do número de contatos que ele estabelece com outros indivíduos no intervalo de tempo adotado e também da probabilidade de que cada contato resulte em transmissão Pode depende também do tipo da doença e de como ela se propaga. A chance com que cada indivíduo se recupere da doença é também levada em conta.

Redes Complexas

Muitos modelos epidemiológicos assumem que os contatos entre os indivíduos das diversas classes são homogêneos, sem levar em consideração aspectos espaciais e que os contatos são feitos através de interações individuais. Dessa forma, estes modelos podem obter resultados que não condizem com a realidade. Uma das formas utilizadas para a modelagem dos contatos é o uso de redes complexas. Essas redes podem ser representadas em grafos onde os vértices são as pessoas e as arestas representam os possíveis contatos pelos quais as doenças se propagam.

A utilização de redes complexas na dinâmica de epidemias tem sido estudada recentemente de maneira geral em diversos tipos de redes, tal como as Redes de Mundo Pequeno (Small-World) e Redes de Escala Livre (Scale-Free Network).

O conceito de redes de Mundo Pequeno foi introduzido no contexto de redes sociais e baseia-se na observação de que existe na natureza uma variedade de sistemas cujos elementos estão relativamente próximos uns dos outros, apesar do tamanho significativamente grande destes sistemas (KOEHLER, 2004). O objetivo do modelo de Redes de Mundo Pequeno é descrever apropriadamente a pequena distância entre os elementos e ao mesmo tempo obter um alto índice de aglomeração. Estas duas características, conhecidas como efeito Mundo Pequeno, são observadas em vários sistemas sociais e podem ser interpretadas como resultado dos padrões de interação entre os indivíduos destes sistemas, independentemente das limitações geográficas.

Em termos epidemiológicos, Redes de Mundo Pequeno implicam que o nível de infecciosidade requerido para a doença depende da alta sensibilidade da conexão topológica da população. A alta clusterização nessas redes implica que a doença propaga-se localmente de maneira muito rápida enquanto que o curto caminho da rede permite que a doença atinja grandes distâncias no grafo.

Já o modelo para Redes de Escala Livre mais utilizado atualmente é o modelo de Barabási-Albert (BA). Neste modelo as redes apresentam uma ordem na dinâmica de estruturação, com características bem específicas. Uma das principais características, denominada conexão preferencial, é a tendência de um novo vértice se conectar a um vértice da rede que tem um grau elevado de conexões. Essa característica implica em redes com poucos vértices altamente conectados, denominados hubs, e muitos vértices com poucas conexões. Desta maneira, não faz sentido falar de escala ou número médio de arestas (PASTOR-SATORRAS; VESPIGNANI, 2001).

A proposição básica do modelo é a de que as redes não são construídas de uma só vez, mas sim ao longo do tempo, e que apesar do processo de construção ter ingredientes aleatórios, obedece também a certas regras. Mais precisamente, consideram que à medida que a rede cresce e que novos nodos são acrescentados, estes vão se ligar preferencialmente aos nodos com maior grau. Este cenário é plausível para muitas redes com grande número de nodos. Assim, se tratamento for dado aos indivíduos mais ativos (mais conectados) numa rede de contatos, é possível prevenir melhor a epidemia.

Agentes

Modelos baseados em agentes podem ser utilizados para simular fenômenos reais através da construção de agentes computacionais individuais com propriedades específicas e simular interações entre eles. Um agente apresenta um comportamento que é conseqüência de suas percepções sobre o ambiente e de suas interações com outros agentes. Das interações entre muitos agentes podem emergir fenômenos globais incluindo comportamentos coletivos. Assim, empregam-se agentes computacionais para compreender o impacto dos comportamentos individuais sobre os fenômenos coletivos nos casos em que não é possível compreendê-los de maneira dedutiva ou analítica.

Basicamente existem três abordagens multiagente aos sistemas complexos: analítica quando a ênfase está em cada um dos elementos (economia neoclássica, propriedade, indivíduo, entre outras); holística ou sistêmica quando a ênfase está no comportamento global do sistema (macro-economia, modelos com compartimentos, modelos estatísticos); construtivismo a ênfase está na articulação entre os comportamentos individuais dos elementos e o comportamento global do sistema (BOMEL, 2007).

Apesar de os modelos baseados em agentes não serem recentes, é ainda recente sua utilização na modelagem de sistemas complexos e simulações. Nesses casos, a modelagem de um ambiente como um todo (macro) é feita definindo os níveis mais detalhados (micro) das relações entre os agentes com propriedades específicas (SUN, CHENG). Com o uso de agentes computacionais pode-se buscar compreender as estruturas complexas das interações sociais.

3.6 MÓDULO 6: SOLUÇÃO PARALELA E DISTRIBUÍDA

Com a atual multidisciplinariedade em diversas áreas de pesquisa, torna-se cada vez mais freqüente a necessidade e a importância de utilizar a simulação computacional aplicada a fenômenos naturais, industriais, sociais, entre outros, uma vez que a esses sistemas complexos estão associados dados e informações que requerem a modelagem computacional para sua melhor compreensão, com vistas a estabelecer ações de interesses.

Mas para a consecução da simulação computacional, primeiramente esses fenômenos devem ser modelados em linguagem matemática, e os modelos matemáticos decorrentes não possuem, em geral, solução na forma explícita. É necessário, pois, obter aproximações utilizando métodos que geram expressões discretas que, então, são resolvidas através de abordagens numérico-computacionais.

Além disso, muitas das aplicações de interesse científico, tecnológico, econômico ou social manipulam grande quantidade de dados e requerem um alto poder de processamento para obter soluções acuradas e rápidas, demandando a construção de um modelo computacional paralelo. Um dos objetivos do presente projeto é projetar e implementar uma modelagem computacional que viabilize explorar o paralelismo em arquiteturas de memória compartilhada e distribuída.

Sinteticamente, pode-se conceituar processamento paralelo e distribuído como o processamento de informações com ênfase na exploração de eventos concorrentes no processo computacional, implicando na divisão de uma determinada aplicação, de maneira que as partes possam ser executadas concorrentemente, por vários elementos de processamento (CODENOTTI; LEONCINI, 1992).

Note-se que a construção efetiva de um modelo computacional paralelo para simular tais fenômenos abrange várias etapas, que vão desde a definição do modelo matemático até a análise e a validação dos resultados. Ou seja, aplicações realísticas devem considerar, especialmente e quando forem aplicáveis: os modelos matemáticos que descrevem os fenômenos; a malha numérica; os métodos de discretização e funções interpolantes para construir os esquemas numéricos; o particionamento de malha; as estratégias e técnicas de paralelização para a paralelização ou decomposição do problema; os métodos de solução; o problema de mapeamento e balanceamento da carga. Essas questões devem ser levadas em conta quando do projeto do modelo computacional paralelo, sobretudo se é um cluster a arquitetura computacional onde código implementado será executado.

Conceitualmente, um cluster – particularmente um cluster de PCs – é uma coleção de computadores chamados de nodos, os quais são utilizados para obtenção de alto desempenho. Estas máquinas são fisicamente interconectadas por uma rede local de alto desempenho (BUYYA, 1999). A combinação de baixo custo de aquisição e de

manutenção desses sistemas, por causa da utilização de componentes de propósito geral, aliada às opções de redes de baixa latência tem impulsionado seu emprego em simulações computacionais que requerem alto desempenho, visto que eles têm se mostrado uma opção acessível e eficiente.

Os nodos de um Cluster de PCs podem trabalhar como se fossem um único e integrado sistema, e podem ter um ou mais processadores. Quando há mais de um processador por nodo, a arquitetura é dita multiprocessada e, neste caso, deve-se explorar o paralelismo intra e inter-nodal. No paralelismo inter-nodal, a memória é distribuída e os processos comunicam-se por troca de mensagens. No paralelismo intra-nodal, a memória é compartilhada e o paralelismo é explorado usando threads ou processos escalonados pelo sistema operacional.

A UNIOESTE dispõe de um cluster de 18 nodos monoprocessados Pentium 4 3.0 GHz, com 1 GB de memória, 1MB de memória cache e HD de 80 GB, interconectados por rede Gigabit-Ethernet, utilizando sistema operacional Linux. Neste cluster, a exploração do paralelismo é feita através de troca de mensagens, utilizando a biblioteca MPICH, do padrão MPI.

Um dos objetivos deste projeto é montar um mini-cluster empregando processadores multicore, de modo a atender as necessidades de memória e de processamento requeridas pelo modelo computacional a ser desenvolvido. A tecnologia multicore (múltiplos núcleos) consiste em colocar duas ou mais unidades de execução no interior de um chip. Uma arquitetura multicore é geralmente um sistema de multiprocessadores simétricos (SMP) construído em um único circuito VLSI (Very Large Scale Integration) (INTEL MULTICORE, 2007). O sistema operacional trata esses núcleos como se cada um fosse um processador diferente, com seus próprios recursos de execução. Com isso pode-se melhorar o paralelismo no nível de threads, especialmente às aplicações que não conseguem se beneficiar dos processadores superescalares atuais por não possuírem um bom paralelismo no nível de instruções.

Adotando processadores multicore para os nodos do cluster, obtém-se uma arquitetura tanto de memória distribuída (entre os nodos) quanto compartilhada (entre os núcleos dos processadores). Pode-se, então, explorar o paralelismo intra-nodal e o inter-nodal escrevendo o código computacional utilizando o padrão MPI.

Mas como o padrão MPI é portável, ele pode ser utilizado em clusters multiprocessados, além do monoprocessado. Porém, embora a troca de mensagens seja necessária para a comunicação entre os nodos, ela não é a forma mais indicada de comunicação em arquiteturas com memória compartilhada. Um modelo de exploração de threads como OpenMP ou Pthreads, pode oferecer uma estratégia mais eficiente de paralelização neste caso. Assim, a combinação do uso de threads e troca de mensagem em uma mesma aplicação pode fornecer uma forma de paralelização mais eficiente que utilizar apenas MPI.

3.7 MÓDULO 7: VISUALIZAÇÃO CIENTÍFICA

Os integrantes desse módulo têm por objetivo definir as ferramentas de software e implementar algoritmos necessários para a visualização científica dos resultados obtidos no projeto.

A primeira definição de Visualização Científica surgiu como uma forma de comunicação que transcende as aplicações e os limites tecnológicos (MCCORMICK,

DEFANTI, BROWN, 1987). Nesta época percebeu-se a necessidade de associar os métodos de computação gráfica às simulações realizadas em supercomputadores.

A Visualização Científica caracteriza-se pela aplicação de métodos de computação gráfica para projetar um conjunto de dados multidimensionais num plano de visualização bidimensional, objetivando facilitar o entendimento das estruturas presentes nestes dados.

As técnicas de visualização científica devem explorar a capacidade do ser humano de perceber padrões, exceções, tendências e relacionamento através do uso de diversos atributos visuais (forma, cor, posicionamento, tamanho, etc.) que produzam gráficos facilmente interpretáveis. Também deve possibilitar a navegação interativa na tela, permitindo aproximação, rotação, reposicionamento e varreduras sobre a área exibida. Essas características combinadas aumentam a capacidade de interpretação do usuário, permitindo que ele ganhe uma visão aperfeiçoada sobre os dados (SANTOS, 2001 apud DUARTE et al.).

Atualmente as técnicas de visualização científica têm sido desenvolvidas para proporcionar uma melhor compreensão de dados tridimensionais oriundos de processos de amostragem, simulações e modelagem computacionais. Neste contexto o tempo pode ser considerado uma das dimensões envolvidas no processo; explorando a relação espaço-tempo podemos compreender o comportamento dinâmico das estruturas presentes nos dados.

As mais diversas áreas de conhecimento utilizam-se destas técnicas como a medicina, geociências, sensoriamento remoto, meteorologia, química, astrofísica, engenharias entre outras. No contexto deste projeto técnicas de Visualização Científica serão empregadas para auxiliar na compreensão da estrutura do fenômeno epidemiológico, numa perspectiva das interações existentes entre os elementos envolvidos no processo de disseminação da raiva.

Para cumprir esta meta diferentes técnicas de Visualização Científica serão estudadas; as que forem julgadas mais adequadas aos propósitos do projeto serão então empregadas. Empregadas no sentido de que, prioritariamente, serão utilizados Sistemas de Visualização Científica já existentes como o VisIt (VISIT) e o Vis5d+ (VIS5D), por exemplo. Outros poderão ser utilizados desde que sejam gratuitos, livres e de código aberto, como os aqui citados.

Para visualizar e manipular dados georeferenciados será utilizada a ferramenta TerraView. O TerraView é um aplicativo, livre e de código aberto, desenvolvido pela Divisão de Processamento de Imagens do Instituto Nacional de Pesquisas Espaciais (DPI/INPE). Este aplicativo é construído sobre a biblioteca de geoprocessamento TerraLib e tem como objetivo apresentar à comunidade um fácil visualizador de dados geográficos com recursos de consulta e análise destes dados, manipulando dados vetoriais (pontos, linhas e polígonos) e matriciais (grades e imagens), ambos armazenados em SGBD relacionais ou geo-relacionais de mercado, incluindo ACCESS, PostgreSQL, MySQL e Oracle (TERRAVIEW).

3.8 MÓDULO 8: SISTEMAS WEB

Com as possibilidades oferecidas pela Internet, surgiram (e continuam a surgir) demandas por aplicações em rede, os web sites, que tendem a apresentar cada vez mais funcionalidades de facilidades. Em resposta a essas demandas, diversas ferramentas de

trabalho e acesso às informações disponíveis começaram a ser desenvolvidas, não apenas com objetivo de dinamizar o fluxo de informações, mas também de facilitar a vida dos usuários. Os WebApps, definidos por Pressman (PRESSMAN, 2006) como sistemas que vão de uma simples página web ao fornecimento de serviços completos, e em especial esses últimos, são hoje um dos grandes temas de interesse da computação.

As aplicações web possuem algumas características que, diferentemente dos sistemas computacionais tradicionais, fazem delas sistemas bastante peculiares. Suh (SUH, 1999), ao discorrer sobre essas características, aponta algumas que merecem destaque. Em primeiro lugar, não é possível especificar prévia e completamente aplicações web, como nos sistemas computacionais tradicionais, porque tanto sua estrutura quanto funcionalidade tendem a se modificar principalmente depois que o sistema é colocado em uso. Em aplicações web, os dados não se restringem apenas a textos; incluem figuras, áudios e vídeos, cujo tratamento exige procedimentos mais especializados do que aqueles usados para textos. Também, em geral, requerem segurança e garantia de serviço e da privacidade das informações que manipulam. Se por um lado os usuários dos sistemas convencionais são pessoas treinadas, os de web, no geral, não são. Dentre eles, tanto pode haver os que detêm larga experiência com computadores, quanto aqueles com pouca ou quase nenhuma habilidade.

Essa complexa matriz de conteúdo e funcionalidade produzida por aplicações baseadas na web requer um tratamento computacional que seja ao mesmo tempo eficiente e sistematizado. Para tanto, a investigação e a implementação de métodos e técnicas computacionais que assegurem a qualidade, confiabilidade, usabilidade e adaptabilidade ao sistema, são imprescindíveis.

Nesse projeto, um WebApps será projetado, implementado e disponibilizado, e consistirá de dois módulos distintos. O primeiro deles, o Sistema Web de Acompanhamento do Projeto (SWAP) conterá mecanismos de interação e comunicação entre a equipe multidisciplinar envolvida neste trabalho, de maneira a facilitar o acompanhamento do desenvolvimento do mesmo em todas as suas etapas de execução. Dentre as ferramentas a serem disponibilizadas no SWAP, citam-se, por exemplo, páginas wiki para documentação dos sistemas e especificação de padrões, fórum de discussão, mecanismos que propiciem a escrita colaborativa de textos e a identificação de agendas, cronogramas e lista de atividades. No SWAP serão disponibilizados relatórios técnicos parciais, relatórios de acompanhamento de atividades de bolsistas, sínteses sobre reuniões técnicas, sínteses sobre visita e contribuições de pesquisadores convidados, resultados de seminários de avaliação, entre outros.

O segundo módulo, denominado de Sistema Web de Acesso a Informações Epidemiológicas (SWAIE), estará voltado para o atendimento ao usuário e agrega os quatro grandes sistemas que serão implementados e disponibilizados via web: o sistema de simulações; o sistema integrado de informações epidemiológicas, o sistema de conhecimento e o sistema de interface. O SWAIE contempla dois aspectos principais: dados e conhecimento produzidos e utilizados no projeto e a interface de acesso a eles.

Com relação ao primeiro aspecto (dados e conhecimento produzidos e utilizados no projeto), cabe assinalar que Sistema Epidemiológico a ser construído manipulará dados estruturados e não estruturados. Com relação aos dados estruturados, será construído um Sistema Web Integrado de Informações Epidemiológicas (SWIIE) através do qual as entidades ligadas à Secretaria de Saúde, introduzirão os dados de doenças de notificação obrigatória, hoje gerados manualmente e enviados a secretaria de vigilância sanitária mais próxima (que os repassa ao DATASUS). A partir da

identificação dos requisitos (realizada no módulo 4, Engenharia de Software) o SWIIE será implementado e disponibilizado. Ainda neste primeiro aspecto, serão construídos e disponibilizados recursos para o acesso, utilização e visualização do sistema de simulações.

Com relação o trabalho com dados não estruturados, a equipe deste módulo pretende disponibilizar para a comunidade acadêmica e não acadêmica, o conhecimento utilizado e gerado durante a execução deste projeto, em particular, aqueles referentes a doenças de informação obrigatória. Esta disponibilidade requer que a forma de acesso a essas informações, por diferentes públicos (por exemplo, pacientes, cidadãos, profissionais em saúde e gestores) com diferentes necessidades e expectativas, seja organizada de maneira a melhor atendê-los. Neste contexto, concebe-se que um Sistema de Conhecimento (SC) representa uma solução interessante.

O que diferencia SCs de sistemas de informações tradicionais é que os SCs conseguem responder a demandas que não têm uma solução algorítmica clara. Os SCs são utilizados quando as tarefas a serem resolvidas necessitam de um alto grau de conhecimento ou que o espaço de solução é tão grande que se torna inviável procurar por todas as soluções possíveis (RUSSELL; NORVIG, 2004). Um dos principais desafios na construção de um SC é a passagem dos modelos no nível do conhecimento, que são livres dos detalhes de implementação e geralmente estão em um nível bastante elevado de abstração, para um modelo que possa ser processado por um computador e entendido ou utilizado por um usuário.

Os métodos, técnicas e ferramentas utilizadas nos SCs requerem que sejam consideradas características também diferentes daquelas utilizadas em sistemas de informações tradicionais. Questões como formas de representação de conhecimento, raciocínio e incertezas devem e serão consideradas quando da implementação do SC proposto. Assim, será desenvolvido um SC que agrega informações decorrentes de sistemas especialistas (nos primeiros dois anos) sobre determinadas doenças de notificação obrigatória. O SC poderá auxiliar profissionais em saúde na tomada de decisões, solução de problemas e transmissão de conhecimento específico;

Com relação à interface, que constitui o segundo aspecto do SWAIE, as questões que mais interessam a essa implementação dizem respeito à tentativa de encontrar uma forma mais adequada e que requeira desse usuário “menos esforço”, seja com relação à manipulação do sistema, ou relativamente à interpretação das informações retornadas.

Embora as soluções comumente adotadas sejam feitas com base em menus, aqui se estará seguindo uma outra tendência: o uso de comandos de consulta escritos em linguagem natural. Conforme Norman (NORMAN, 2003), não é suficiente que um projeto seja construído apenas para funcionar ou apresentar funcionalidades que revelem a sua capacidade para cumprir as tarefas para as quais foi projetado. Não é aceitável deixar a cargo do usuário toda a responsabilidade de aprender como o sistema funciona e, menos ainda, como interpretar os dados que lhes são apresentados como saída.

O desenvolvimento de front-ends por meio de linguagem natural (LN), cada vez mais, vem assumindo uma posição de destaque em processamentos que envolvem grandes massas de dados sejam estruturadas ou não. Como, no entanto, comandos em linguagem natural trazem consigo uma série de inconvenientes, especialmente para a sua computação, tais como as ocorrências de ambigüidades sintáticas e lexicais, a linguagem com a qual se pretende trabalhar, inspirada na proposta apresentada por

Popowich e outros (POPOWICH; HALL; FASS, 1996), pelo menos nessa primeira etapa, terá um vocabulário reduzido e com as sentenças fixas e bem determinadas.

4. METODOLOGIA E ESTRATÉGIAS DE AÇÃO

Elemento importante para o sucesso deste projeto é sua estruturação gerencial. O envolvimento da equipe multidisciplinar requer mecanismos e estratégias de ação que dêem sustentação ao um desenho administrativo-organizacional para o adequado desenvolvimento do projeto.

Este projeto se estrutura como uma matriz composta por oito módulos sendo que cada módulo possui uma atribuição técnica-gerencial, e uma temática definida. Assim sendo, a dinâmica das ações realizadas será concebida dentro de três estruturas organizacionais básicas: a Comissão Técnico-Científica (CTC), a Comissão Executiva (CE), e a Comissão Modular (CM), que se reunirão periodicamente.

O CTC será formado pelos coordenadores de cada módulo e terá como atribuições principais orientar e monitorar o cumprimento dos objetivos e metas estabelecidos para o projeto. O CE será formado por todos os proponentes do projeto (elencados nos itens 4.1 e 4.2), o bolsista para Desenvolvimento Tecnológico Industrial (DTI) e os bolsistas de Iniciação Tecnológica Industrial (ITI) ingressantes no projeto através do financiamento proveniente deste edital, vinculados a programas de iniciação científica ou não, e alunos desses mesmos cursos em desenvolvimento de seus Trabalhos de Conclusão de Curso (TCC). O CM será formado pelos integrantes de cada módulo, ou seja, o coordenador e seus colaboradores.

Os integrantes de cada um dos oito módulos trabalharão seus objetivos internos sempre tendo em vista o conjunto total dos objetivos do Sistema Epidemiológico. Para garantir a interação da equipe e que as discussões e resultados alcançados localmente no interior dos módulos sejam de acesso coletivo, serão utilizados via Web, os recursos disponibilizados pelo denominado “Sistema Web de Acompanhamento do Projeto” (SWAP). O SWAP disponibilizará mecanismos de interação e comunicação entre toda a equipe, facilitando a administração de todo o projeto de maneira assíncrona. Ficarão disponibilizadas no SWAP as referências bibliográficas importantes ao projeto, bem como as produzidas, os padrões definidos, cronogramas de atividades, indicações de responsabilidades, e outras informações relevantes.

Especificamente, os integrantes do módulo 4 (Engenharia de Software) terão entre suas atribuições a responsabilidade de definir padrões, critérios de qualidade e garantir a integração e documentação necessárias ao sistema como um todo. Aos integrantes do módulo 6 (Implementação Paralela e Distribuída) caberá definir, acompanhar e dar suporte ao uso de plataformas computacionais envolvidas e orientar na especificação do mini-cluster que se pretende construir.

Com os recursos de capital provenientes deste projeto, será montado o Laboratório de Sistemas Complexos (COMPLEX) O COMPLEX será o principal laboratório de trabalho da equipe e nele os CEs desempenharão grande parte de suas atividades.

Em linhas gerais, o projeto será conduzido seguindo as seguintes etapas: 1) integração da equipe 2) especificação geral do sistema, 3) desenvolvimento do sistema, 4) avaliações e testes, e 5) produção bibliográfica.

Para alcançar essas etapas, a metodologia geral foi concebida tendo em vista as atividades a serem desenvolvidas e o perfil dos participantes. As próximas três seções identificam os participantes, caracterizam seus perfis e situam os grupos de pesquisa envolvidos. Em seguida são apresentadas as atividades que serão executadas em cada um dos oito módulos, identificando a estratégia de ação, os participantes e o conjunto de ações. Por fim são feitos comentários sobre as relações entre os módulos.

4.1 Participantes

• Adair Santa Catarina

• Amarildo de Vicente

• Aníbal Mantovani Diniz

• Claudia Brandelero Rizzi

• Clodis Boscarioli

• Guilherme Galante

• Huei Diana Lee

• Ivonei Freitas da Silva

• Jorge Bidarra

• Luiz Antonio Rodrigues

• Márcio Seiji Oyamada

• Maria Fernanda Azevedo Pompilio Leonel Ferreira

• Miguel Angel Uribe Opazo

• Reginaldo Aparecido Zara

• Rogério Luis Rizzi, Coordenador do Projeto

• Victor Francisco Araya Santander

Exceto a participante Maria Fernanda Azevedo Pompilio Leonel Ferreira, todos os demais são docentes da Universidade Estadual do Oeste do Paraná - UNIOESTE.

4.2 Perfil dos participantes

• Adair Santa Catarina possui graduação em Engenharia Agrícola e em Informática pela UNIOESTE. Fez mestrado em Engenharia Agrícola pela UNIOESTE. Atualmente conclui seu doutorado em Computação Aplicada pelo Instituto Nacional de Pesquisas Espaciais (INPE), e sua tese versa sobre uma arquitetura para algoritmos genéticos com representação explícita de relacionamentos espaciais para modelagem de fenômenos sociais e ambientais. Anteriormente, desenvolveu um sistema automatizado para detecção de faces humanas baseado na Distância de Hausdorff Modificada, um algoritmo genético para criação de modelos (Model Breeder), e fez modelagem de distribuição de espécies.

• Amarildo de Vicente possui graduação em Matemática pela Universidade Estadual de Maringá, mestrado e doutorado em Engenharia de Produção pela Universidade Federal de Santa Catarina. Tem experiência na área de Matemática, com ênfase em Matemática Aplicada. Atua principalmente em Algoritmos Heurísticos e Programação Matemática.

• Aníbal Mantovani Diniz possui graduação em Engenharia Elétrica pela Universidade do Estado de Santa Catarina e em Informática pela UNIOESTE e mestrado em Ciências da Computação pela Universidade Federal de Santa Catarina. Tem experiência em metodologia e técnicas da computação. Atua principalmente em sistemas distribuídos, replicação, tolerância a falhas e J2EE.

• Claudia Brandelero Rizzi possui graduação em Processamento de Dados pela Universidade Estadual de Ponta Grossa, mestrado em Ciência da Computação pela Universidade Federal do Rio Grande do Sul (UFRGS) e doutorado em Informática na Educação também pela UFRGS. Trabalhou entre 1989 e 1994 em empresa na área de gerenciamento e desenvolvimento de software. Atualmente é coordenadora do projeto SISO, um Sistema Odontológico para Clínicas Universitárias, financiado pelo Sistema Único de Saúde (SUS). Atua principalmente em Informática na Educação e Inteligência Artificial.

• Clodis Boscarioli é Bacharel em Informática pela universidade Estadual de Ponta Grossa e mestrado em Informática pela Universidade Federal do Paraná. Atualmente faz doutorado na Escola Politécnica da Universidade de São Paulo. Tem atuado em ensino e pesquisas na área de Banco de Dados e em temas relacionados a mineração de dados e interação humano-computador.

• Guilherme Galante é graduado em Informática pela Universidade Estadual do Oeste do Paraná e mestre em Ciências da Computação pela Universidade Federal do Rio Grande do Sul. Trabalhou de 2001 até 2006 nos projetos Hidra e UnHidra (Modelo Computacional Paralelo e Tridimensional para a Hidrodinâmica e o Transporte Escalar de Substâncias) na paralelização de métodos numéricos para a solução de sistemas de equações, utilizando decomposição de domínios e técnicas multigrid. Suas áreas de interesse são: computação aplicada e processamento de alto desempenho. Atualmente trabalha no projeto de pesquisa intitulado "Epidemiologia Matemática e Computacional", no qual estuda modelos epidemiológicos em redes de escala livre.

• Huei Diana Lee possui graduação em Ciência da Computação pela Universidade Estadual Paulista Júlio de Mesquita Filho, e mestrado e doutorado em Ciência da Computação e Matemática Computacional pela Universidade de São Paulo. Atualmente participa de quatro projetos de pesquisa na computação com ênfase em inteligência artificial. Atua nas áreas da comutação aplicada à medicina, aprendizado do máquina, bioinformática e biomecânica. Coordena o Laboratório de Bioinformática – LABI da UNIOESTE, no qual são desenvolvidos diversos projetos em parcerias com a Universidade de São Paulo em São Carlos, a Faculdade de Ciências Médicas da Universidade Estadual de Campinas e a Itaipu Binacional.

• Ivonei Freitas da Silva possui graduação em Informática pela Universidade Estadual do Oeste do Paraná e mestrado em Ciência da Computação pela Universidade Federal de Santa Catarina. Trabalhou entre 1998 e 2002 em empresa pública federal – SERPRO (Serviço Federal de Processamento de Dados) na área de suporte à Infra-estrutura de Tecnologia da Informação. Desenvolveu produto de software através de

projeto de iniciação cientifica. Colaborou no projeto de informatização de bibliotecas da UNIOESTE. Coordenou projeto de informatização do Hospital Universitário de Cascavel. Atualmente é professor na área de Engenharia de Software onde orienta trabalhos de desenvolvimento de sistemas com qualidade através de padrões de projetos e aplicação de testes.

• Jorge Bidarra possui graduação em Informática e mestrado em Engenharia de Sistemas e Computação pela Universidade Federal do Rio de Janeiro. Possui doutorado em Lingüística pela Universidade Estadual de Campinas. Tem experiência na área de Ciência da Computação, com ênfase em Processamento da Linguagem Natural, atuando principalmente nos seguintes temas: lingüística computacional, inteligência artificial, léxico eletrônico. Também desenvolve pesquisas na área de agentes computacionais, em particular aplicados a sistemas de controle automático inteligente e tecnologias assistivas. Atualmente, responde pela coordenação geral do Núcleo de Inovações Tecnológicas (NIT) da UNIOESTE.

• Luiz Antonio Rodrigues é graduado em Informática pela Universidade Estadual do Oeste do Paraná e Mestre em Ciência da Computação pela Universidade Federal do Rio Grande do Sul. Trabalhou na Companhia de Informática do Paraná (CELEPAR) na administração de ambientes distribuídos. Atualmente trabalha com redes de computadores, tolerância a falhas, sistemas distribuídos.

• Márcio Seiji Oyamada possui graduação em Ciência da Computação pela Universidade Estadual de Maringá e na mesma área pela Universidade Federal do Rio Grande do Sul (UFRGS). Atualmente conclui seu doutorado em Ciência da Computação também pela UFRGS. Tem experiência na área de Ciência da Computação, com ênfase em arquitetura de sistemas de computação, atuando em simulação de sistemas eletrônicos embarcados, arquitetura de computadores e estimativa de desempenho de software.

• Maria Fernanda Azevedo Pompilio Leonel Ferreira possui graduação em Medicina pela Universidade de Taubaté, graduação em Comunicação Social pela Faculdade Assis Gurgacz e Especialização em Saúde Pública pela Faculdade de Saúde Pública da Universidade de São Paulo. É médica da Divisão de Vigilância Epidemiológica da Prefeitura Municipal de Cascavel – PR, desde 1989.

• Miguel Angel Uribe Opazo possui graduação em Estatística - Universidad Nacional Mayor de San Marcos Lima-Perú, mestrado em Estatística pela Universidade Estadual de Campinas e doutorado em Estatística pela Universidade de São Paulo. Tem experiência na área Métodos Estatísticos e Geoestatística, atuando principalmente em estudo de estatística espacial, controle estatístico de qualidade e estatística experimental.

• Reginaldo Aparecido Zara possui graduação em Física pela Universidade Estadual de Maringá, mestrado e doutorado em Física pela Universidade de São Paulo. Tem experiência na área de Física, com ênfase em equação de estado, equilíbrio de fases e transições de fase, atuando principalmente em redes complexas e bioinformática.

• Rogério Luís Rizzi possui graduação em Licenciatura em Matemática e graduação em Licenciatura em Ciências com Habilitação em Matemática pela Universidade Estadual do Oeste do Paraná. Possui mestrado em Matemática pela Universidade Federal do Rio de Janeiro e doutorado em Ciências da Computação pela Universidade Federal do Rio Grande do Sul. Tem experiência na área de Matemática Aplicada e suas áreas de interesse são: Modelagem Matemática e

Computacional da Hidrodinâmica e do Transporte de Substâncias em Corpos de água; Métodos Numéricos para Equações Diferenciais; Dinâmica de Fluidos Computacional; Leis de Conservação Escalar; Biomatemática e Bioinformática.

• Victor Francisco Araya Santander possui graduação em Ciência da Computação pela Universidade Estadual de Maringá, mestrado em Ciências da Computação e Matemática Computacional pela Universidade de São Paulo e doutorado na mesma área pela Universidade Federal de Pernambuco. Tem experiência na área em Engenharia de Software e atua principalmente com cenários, engenharia de requisitos, e modelagem organizacional.

4.3 Grupos de Pesquisa Envolvidos

• GIA – Grupo de Inteligência Aplicada: Líder: Profº Jorge Bidarra;

• LES – Laboratório de Engenharia de Software: Líder: Profº Victor Francisco Araya Santander;

• Computação Aplicada a Medicina e Biologia: Líder: Profª Huei Diana Lee;

• Matemática e Estatística Aplicadas: Líder: Profº Amarildo de Vicente;

• Física Computacional: Líder: Profº Reginaldo Aparecido Zara;

• GGEA - Grupo de Geoestatística Aplicada: Líder: Profº Miguel Angel Uribe Opazo.

4.4 Estratégias de Ação dos Oito Módulos

Estratégia de ação 1: Modelagem Bio-Matemática

a) Coordenadores e colaboradores: Amarildo de Vicente, Maria Fernanda Azevedo Pompilio Leonel Ferreira, Reginaldo Aparecido Zara, Rogério Luís Rizzi, Guilherme Galante, e alunos de iniciação científica ou tecnológica;

b) Conjunto de ações:

• Análise de modelos bio-matemáticos já desenvolvidos, para os casos de interesse;

• Análise e adequação dos parâmetros e dados necessários e suficientes ao processo de modelagem;

• Conformação e parametrização desses modelos;

• Discretização de tais modelos;

• Construção de esquemas numéricos e de solução apropriados;

• Testes numérico-computacionais;

• Verificação, calibração e validação de modelos implementados, sob os enfoques numérico, computacional e bio-matemático.

Estratégia de ação 2: Tratamento de Dados Georeferenciados

a) Coordenadores e colaboradores: Miguel Angel Uribe Opazo, Rogério Luis Rizzi, Amarildo de Vicente, e alunos de iniciação científica ou tecnológica;

b) Conjunto de ações:

• Análise dos dados interesse, sob os aspectos técnico e epidemiológico;

• Coleta, tratamento, manipulação e apresentação de parâmetros, dados e informações espaço-temporal necessários a atender os objetivos específicos números 1, 2, 3 e 4 detalhados no item 3 da proposta;

• Interação com o módulo 3, da seleção de características e mineração de dados.

Estratégia de ação 3: Seleção de Características e Mineração de Dados

a) Coordenadores e colaboradores: Clodis Boscarioli, Huei Diana Lee, e alunos de iniciação científica ou tecnológica;

b) Conjunto de ações:

• Compreensão das bases de dados epidemiológicas disponíveis;

• Definição de objetivos de análise e correlação;

• Seleção e implementação de técnicas de mineração de dados que se adeqüem às bases de dados e aos objetivos da análise;

• Seleção e implementação de recursos de visualização de informação que permitam a interpretação dos dados gerados, por usuários finais da aplicação;

• Análise dos dados por várias técnicas, fazendo inferências que permitam tomadas de decisões, avaliação e monitoramento de ações em saúde.

Estratégia de ação 4: Engenharia de Software

a) Coordenadores e colaboradores: Claudia Brandelero Rizzi, Ivonei Freitas da Silva, Guilherme Galante, Maria Fernanda Azevedo Pompilio Leonel Ferreira, Victor Francisco Araya Santander, e alunos de iniciação científica ou tecnológica;

b) Conjunto de ações:

• Integração de toda a equipe do projeto com Secretaria Municipal de Saúde (Vigilância em Saúde) da Prefeitura Municipal de Cascavel;

• Estudar métodos de extração de requisitos que capturem variáveis relativas à modelagem computacional de fenômenos epidemiológicos;

• Especificar os Requisitos de Software do Sistema Web de Acompanhamento de Projeto (SWAP);

• Especificar os Requisitos do Sistema Web Integrado de Informações Epidemiológicas (SWIIE);

• Apoio (à equipe do módulo 8) na especificação dos Requisitos de Software do Sistema de Conhecimento;

• Apoio (à equipe do módulo 8) na especificação dos Requisitos de Software do Sistema de Interface;

• Definir padrões para interfaces entre os módulos e usuários;

• Contribuir para as discussões sobre abordagens técnicas para a solução de modelos epidemiológicos como SIS, SIR, SEIR, MSEIR, entre outros;

• Estudo e definição de metodologias para paralelização de algoritmos para cada abordagem;

• Avaliação de metodologias para paralelização de algoritmos;

• Aplicação de testes e acompanhamento a implementação dos softwares;

• Estudo sobre o impacto, em engenharia de software, resultante da necessidade de colaboração entre cientistas da computação e cientistas de outros domínios.

Estratégia de ação 5: Métodos e Estratégias de Solução

a) Coordenadores e colaboradores: Adair Santa Catarina, Amarildo de Vicente, Aníbal Mantovani Diniz, Claudia Brandelero Rizzi, Clodis Boscarioli, Guilherme Galante, Huei Diana Lee, Ivonei Freitas da Silva, Jorge Bidarra, Luiz Antonio Rodrigues, Márcio S. Oyamada, Miguel Angel Uribe Opazo, Reginaldo Aparecido Zara, Rogério Luís Rizzi, Victor Francisco Araya Santander, e alunos de iniciação científica ou tecnológica;

b) Conjunto de ações:

• Avaliação de técnicas, métodos e estratégias já disponível na literatura técnica, de modo a balizar as decisões quanto às abordagens que devem ser definidas para a solução dos modelos;

• Análise e especificação de estratégias de soluções considerando-se os modelos matemáticos desenvolvidos e os dados disponibilizados;

• Desenvolvimento e construção de estratégias específicas para solução determinística, probabilística ou heurística para os modelos discretos;

• Desenvolvimento de estratégias específicas para os modelos epidemiológicos;

• Implementação das estratégias e métodos de solução;

• Testes numérico-computacionais;

• Verificação, calibração e validação de modelos implementados, enfocando as estratégias de solução adotadas.

Estratégia de ação 6: Solução Paralela e Distribuída

a) Coordenadores e colaboradores: Guilherme Galante, Luiz Antonio Rodrigues, Márcio Seiji Oyamada, Rogério Luís Rizzi, e alunos de iniciação científica ou tecnológica;

b) Conjunto de ações:

• Avaliação dos modelos propostos para a paralelização, de modo a escolher a melhor forma de paralelizar a aplicação;

• Revisão de métodos, algoritmos e interfaces com outros módulos do sistema (entrada/saída de dados, interfaces de usuário e visualização de dados, por exemplo);

• Propor modelos para a paralelização das aplicações;

• Desenvolvimento de estratégias de paralelização específica para os modelos epidemiológicos;

• Implementação das aplicações;

• Testes numérico-computacionais;

• Verificação, calibração e validação de modelos implementados, sob os enfoques das estratégias de solução em paralelo.

Estratégia de ação 7: Visualização Científica

a) Coordenadores e colaboradores: Adair Santa Catarina, Guilherme Galante, Rogério Luis Rizzi, e alunos de iniciação científica ou tecnológica;

b) Conjunto de ações:

• Testar os sistemas de visualização científica VisIt e Vis5d+;

• Estudar a estrutura de um banco de dados espaciais TerraLib;

• Instalar, compilar e testar o aplicativo TerraView;

• Auxiliar na definição da estrutura das bases de dados espaciais;

• Implementar as alterações necessárias no aplicativo TerraView para interagir com o SWAIE;

• Integrar os sistemas de visualização científica aos dados provenientes das aplicações implementadas.

Estratégia de ação 8: Sistemas Web

a) Coordenadores e colaboradores: Claudia Brandelero Rizzi, Adair Santa Catarina, Aníbal Mantovani Diniz, Ivonei Freitas da Silva, Clodis Boscarioli, Jorge Bidarra, Maria Fernanda Azevedo Pompilio Leonel Ferreira, Victor Francisco Araya Santander e alunos de iniciação científica ou tecnológica;

c) conjunto de ações:

• Colaboração com a equipe do módulo 4 (Engenharia de Software) na especificação de requisitos dos sistemas Web, o SWAIE;

• Prototipação do Software do Sistema Web de Acompanhamento de Projeto (SWAP);

• Adequações ao SWAP;

• Coordenação (junto à equipe do módulo 4) da especificação dos Requisitos de Software do Sistema Web Integrado de Informações Epidemiológicas (SWIIE);

• Prototipação do SWIIE;

• Coordenação (junto à equipe do módulo 4) da especificação dos Requisitos de Software do Sistema de Conhecimento (SC);

• Prototipação do SC;

• Coordenação (junto à equipe do módulo 4) da especificação dos Requisitos da Interface;

• Definição da linguagem de comandos de acesso ao sistema;

• Prototipação do sistema de interface;

• Adequações aos Sistemas.

4.5 Relações entre os módulos e cronograma de execução

Inicialmente a equipe da modelagem bio-matemática (M1) estará trabalhando com a modelagem da doença raiva (e a seguir, AIDS e Dengue). As equipes de tratamento de dados georeferenciados (M2) e seleção de características (M3) estarão empenhadas no entendimento das bases de dados já existentes (em particular o DATASUS) e na modelagem das bases de dados necessárias ao Sistema Web Integrado de Informações Epidemiológicas.

O conjunto de informações produzidas pelos módulos M1, M2 e M3, contribuirão para que a equipe de engenharia de software (M4) especifique padrões e os requisitos dos cinco principais sistemas a serem desenvolvidos: 1) Sistema Web de Acompanhamento do Projeto (SWAP); 2) Sistema de Simulações; 3) Sistema Web Integrado de Informações Epidemiológicas (SWIIE); 4) Sistema de Conhecimento; e 5) Sistema de Interface.

Toda a equipe estará empenhada nas discussões sobre a escolha dos métodos e estratégias de solução das simulações (M5) que serão implementadas de maneira paralela e distribuída (M6), cujos resultados poderão ser visualizados (M7). Os resultados das simulações serão analisados e serão sistematizados de maneira a facilitar a compreensão dos gestores em saúde, principal público alvo deste serviço.

Além das análises sobre as simulações, minerações de dados feitas na base do DATASUS (M3) e outras informações decorrentes do conhecimento relativo à Epidemiologia e em particular de doenças de informação obrigatória (sistemas de conhecimento), serão disponibilizadas via Web (M8).

Assim, os oito módulos (M1 a M8) interagirão, de modo geral e sintético, da seguinte maneira, ilustrada na figura 1 a seguir.

Figura 1: Diagrama de Inter-relacionamento dos Módulos do Projeto

O cronograma de execução das atividades é mostrado na figura 2 apresentada a seguir.

Atividades / meses 3 6 9 12 15 18 21 24

Integração inicial da equipe

Especificação geral do Sistema e definições de padrões

Modelagem bio-matemática

Especificação e implementação dos métodos e estratégias de solução

Solução paralela e distribuída para as simulações

Sistema Web de Acompanhamento de Projeto (SWAP)

Sistema Web Integrado de Informações Epidemiológicas (SWIIE)

Sistema de Conhecimento

Sistema de Interface

Avaliações e testes

Produção bibliográfica

Figura 2: Cronograma geral do Projeto

5. OBJETIVOS E METAS

Objetivos: Desenvolver e aplicar requisitos, métodos, técnicas, algoritmos e produtos de software para produzir, a partir de modelagens biofísica e matemática de fenômenos epidemiológicos, envolvendo bases de dados provenientes do sistema de informações em saúde, software para fins de estudos epidemiológicos e ações de vigilância visando efetuar contribuições no âmbito da computação e da saúde pública.

Metas: Implementar o Sistema Epidemiológico atingindo as seguintes metas:

1) O registro de informações relativas a determinadas doenças de notificação obrigatória. Esse registro é feito pelas Unidades Básicas de Saúde, hospitais e laboratórios de análise clínica, entre outras unidades de coleta das informações. Essas informações, digitadas em formulário eletrônico disponível pelo sistema web serão armazenadas no servidor web agregado ao mini-cluster, instalado no Centro de Vigilância Epidemiológica facilitando o repasse ao banco de dados do DATASUS;

2) A disponibilização de informações à sociedade, via sistema web, relativas às doenças de notificação obrigatória, e outras informações relevantes aos gestores da saúde pública. A disponibilização de determinadas informações pode ser de acesso restrito aos profissionais da saúde, saúde pública e gestores, que poderão utilizar outros atributos do sistema para o tratamento espaço-temporal das informações disponíveis;

3) A disponibilização via web, aos profissionais e gestores em saúde, de sistemas computacionais baseados em conhecimento (sistemas especialistas) sobre determinadas doenças de notificação obrigatória. Esses sistemas poderão auxiliar

esses profissionais na tomada de decisões, solução de problemas e transmissão de conhecimento específico;

4) A simulação computacional de determinados eventos epidemiológicos para sua melhor compreensão, com vistas a estabelecer ações de interesses, bem como simular a propagação de determinadas doenças. O sistema computacional pode disponibilizar aos usuários distintos cenários quanto à disseminação, prevenção ou controle da doença, considerando aspectos como o tempo de geração e a capacidade de transmissão da infecção. A raiva (ou outra doença, se for o caso) será o enfoque nesta fase do projeto;

5) Interfaces com design e mecanismos de consulta que facilitem a utilização de sistemas computacionais tanto com relação à manipulação do sistema e interpretação das informações retornadas quanto da visualização das mesmas.

Objetivos específicos: O desenvolvimento do Sistema Epidemiológico implicará em um trabalho coletivo, de uma equipe multidisciplinar, envolvendo o alcance dos seguintes objetivos específicos:

1) A especificação e/ou adaptação de modelos matemáticos de fenômenos epidemiológicos, em particular, da raiva (ou outra doença como Dengue e AIDS);

2) A produção e o tratamento de dados georeferenciados;

3) A engenharia de software do sistema (que não é trivial visto a atual inexistência de metodologias já consolidadas para sistemas complexos);

4) O tratamento de grandes volumes de dados;

5) O desenvolvimento de um Sistema Web Integrado de Informações Epidemiológicas para a cidade de Cascavel, passível de ser estendido, em uma segunda fase do projeto, para o estado e a união;

6) A especificação e implementação paralela e distribuída do software de simulação;

7) O desenvolvimento de um hardware específico, denominado mini-cluster;

8) O desenvolvimento de um sistema de conhecimento constituído por sistemas especialistas de determinadas doenças de notificação obrigatória;

9) O desenvolvimento de mecanismos de consulta apropriados aos usuários (uso de linguagem natural) com preocupação particular com a visualização de dados e com a interface;

10) A disponibilização do Sistema Web para Acompanhamento do Projeto cujo objetivo é facilitar a interação da equipe e a administração do projeto;

Para atingir os objetivos e metas propostas, as atividades a serem desenvolvidas foram detalhadas e especificadas, considerando a experiência e qualificação da equipe. As atividades estão listadas no conjunto de ações de cada uma das estratégias 1, 2, 3, 4, 5, 6, 7 e 8, no item Metodologia e Estratégias de Ação.

6. CRONOGRAMA FÍSICO-FINANCEIRO, AS JUSTIFICATIVAS E DETALHAMENTO DOS EQUIPAMENTOS

Nesta seção apresenta-se o cronograma físico-financeiro do projeto juntamente com as respectivas justificativas, e o detalhamento dos equipamentos solicitados.

6.1 Cronograma Físico-Financeiro

O cronograma físico-financeiro para o desenvolvimento do projeto é mostrado na tabela 1, apresentada a seguir.

Tabela 1: Cronograma físico-financeiro

1º semestre

2º semestre

3º semestre

4º semestre

Total

Custeio

Passagens 2.000,00 2.000,00 4.000,00 8.000,00

Diárias 2.000,00 2.000,00 4.000,00 8.000,00

Serviços técnicos de terceiros

2.000,00 2.000,00 2.000,00 4.000,00 8.000,00

Material de Consumo

1.000,00 1.000,00 2.000,00 2.585,00 6.585,00

Total de Custeio 30.585,00

Capital

Equipamentos P. de Dados

44.230,00 26.981,00 71.211,00

Ap.e Eletrônicos 5.940,00 5.940,00

M.Bibliográfico 5.000,00 5.000,00 5.000,00 15.000,00

Total de Capital 92.151,00

Bolsas (13)

DTI (1) 6.275,34 6.275,34 6.275,34 6.275,34 25.101,36

ITI (12) 21.600,00 21.600,00 21.600,00 21.600,00 86.400,00

Total de Bolsas 111.501,36

Total Geral 234.237,36

6.2 Justificativas dos Itens Solicitados

Os itens solicitados compreendem elementos de Custeio, Capital e Bolsas. Todos eles estão diretamente relacionados ao objeto e às atividades propostas neste projeto. Suas justificativas são as seguintes:

Quanto ao Custeio, as passagens e diárias serão utilizadas para o deslocamento de integrantes deste projeto para participarem de eventos e atividades e/ou visitas técnicas pertinentes ao projeto a centros de pesquisa (a exemplo do LNCC e Unicamp). Além disso, espera-se subsidiar a estada de pesquisadores visitantes convidados para que participem de atividades técnicas junto ao grupo, na UNIOESTE. O material de consumo previsto refere-se à compra de itens como resmas de papel e torner para a impressora. Quanto aos serviços técnicos de terceiros, eles se limitarão a serviços de instalações e adaptações necessárias ao adequado funcionamento e segurança dos equipamentos.

Quanto ao Capital, estão previstas as aquisições de computadores, aparelhos de condicionamento de ar e material bibliográfico. Quanto aos computadores solicitados, cuja configuração está detalhada na próxima seção, eles são fundamentais para a consecução do projeto, e em sua quase totalidade, constituirão o Laboratório de Sistemas Complexos (COMPLEX) que se pretende montar na UNIOESTE do campus de Cascavel. Foram solicitados dois servidores web, um para atender o COMPLEX em suas necessidades gerais e outro para atender às demandas por parte do Sistema Web de Acesso a Informações Epidemiológicas (SWAIE) que estará agregado ao mini-cluster.

Os componentes solicitados no item 2 do detalhamento dos equipamentos solicitados serão utilizados para a construção do mini-cluster. É neste mini-cluster que serão feitos os processamentos necessários para atender as demandas dos sistemas de simulação e dos demais sistemas web que serão construídos. O mini-cluster será instalado no rack também solicitado. Os treze computadores e o switch serão instalados no COMPLEX e serão utilizados pela equipe proponente e os bolsistas. Foi também solicitada uma impressora a laser para atender as demandas do COMPLEX. Os dois condicionadores de ar solicitados atenderão o COMPLEX e a instalação onde ficará o mini-cluster, respectivamente. O material bibliográfico solicitado ficará disponibilizado no COMPLEX para consulta. Cabe dizer que outras necessidades do COMPLEX com relação a mobiliário, obras de reforma, manutenção, comunicação e higiene serão atendidas pela UNIOESTE enquanto contra partida.

Quando às bolsas, foram solicitadas treze de longa duração, sendo uma de Desenvolvimento Tecnológico Industrial (DTI) e doze de Iniciação Tecnológica Industrial (ITI). A bolsa de DTI se justifica visto que os integrantes deste projeto entenderam que este bolsista seria o responsável pela realização de algumas atividades operacionais, logísticas e técnicas demandadas pelo projeto. A ele caberá também facilitar a integração da equipe de bolsistas. Ele estará subordinado diretamente ao coordenador geral do projeto. A necessidade dos doze bolsistas ITI se justifica visto que eles estarão alocados estrategicamente em cada um dos oito módulos descritos na seção três. Pretende-se efetuar a seguinte distribuição: 2 bolsistas para a Modelagem Bio-Matemática (M1), 1 bolsista para Tratamento de dados Georeferenciados (M2), 1 bolsista para Seleção de Características (M3), 1 bolsista para Engenharia de Software (M4), 2 bolsistas para a construção Paralela e Distribuída (M6) dos Métodos e Estratégias de Solução (M5) construídos; 1 bolsista para Visualização Científica (M7), 1 bolsista para Mineração de Dados (M3), e 3 bolsistas para atuar nos Sistemas Web que se pretende desenvolver (M8). Todos os bolsistas ITI estarão sob orientação e acompanhamento por parte dos pesquisadores associados a cada um dos oito módulos.

6.3 Detalhamento dos Equipamentos Solicitados

A seguir são apresentados os detalhes dos equipamentos solicitados.

1. Servidor Web: Quad Core Q6600, Placa Mãe Intel DOXQ35MPE Memória 4GB DDR, HD 400 GB, Vídeo G-Force 128 PCI Express, Fonte 500W, Conjunto mouse, teclado, gabinete, Gravador DVD;

2. Minicluster (componentes para montar cluster com nodos multiprocessados): Quad Core Q6600, Placa Mãe Intel DOXQ35MPE Memória 4GB DDR, HD 400 GB, Vídeo G-Force 128 PCI Express, Fonte 500W, Conjunto mouse, teclado, gabinete, Gravador DVD;

3. Switch 24 portas + 2 Gigabit DLINK DES 1026G;

4. Rack para o mini-cluster: Rack 19” 40Ux77mm, Kit de fixação porca e parafuso, Kit de ventilação com 4 ventiladores, Bandeja fixa 700;

5. Computadores: Dual Core E4440, Placa Mãe Intel 945GNL, Memória 2GB DDR, HD 400 GB Vídeo G-Force 128 PCI Express, Fonte 500W, Conjunto mouse, teclado, gabinete, Gravador DVD, Monitor LCD 17";

6. Impressora P2014 Laser Jet Monocromática – HP;

7. Condicionador de ar 30.000 BTUs Consul CCF30.

7. RELEVÂNCIA E IMPACTO DOS RESULTADOS

Este projeto é relevante, principalmente devido a seus impactos e resultados em três grandes áreas: na vigilância epidemiológica, na modelagem computacional de sistemas complexos e em aspectos acadêmicos no contexto da UNIOESTE.

Com relação aos impactos e resultados relativos à vigilância epidemiológica, o

presente projeto possibilitará:

a) Analisar variações geográficas, temporais e sociais na distribuição de casos de doenças epidemiológicas, como parte do conjunto de ações de vigilância epidemiológica para prevenção e controle da doença;

b) Identificar situações que requeiram a realização de estudos e pesquisas específicas ou a adoção de medidas para ampliar o conhecimento sobre situações epidemiológicas em Cascavel, no Paraná e no Brasil;

c) Subsidiar processos de planejamento, gestão e avaliação de políticas públicas e ações de saúde direcionadas complementarmente aos processos que já estão sendo desenvolvidos e oferecidos pelo Sistema de Informação de Agravos de Notificação (SINAN), vinculado à Secretaria de Vigilância em Saúde do Governo Federal;

d) Disponibilizar em ambiente web, o Sistema Web de Acesso a Informações Epidemiológicas, atentando para aspectos de usabilidade e mecanismos facilitadores para obtenção de informações.

Com relação a contribuições sobre modelagem computacional de sistemas

complexos, no âmbito da Computational Science, o presente projeto contribuirá para,

mais especificamente:

a) Obter conhecimentos sobre desenvolvimento de sistemas complexos e assim capacitar institucionalmente a equipe tornando-a competente em modelagem computacional e processamento paralelo na área da epidemiologia, e assim poder:

• Realizar atividades de consultoria, transferência de tecnologia e fornecimento de sistemas de informação em epidemiologia, além de oferecer cursos de formação e qualificação na área;

• Dar suporte às agências de saúde pública para implantar e/ou melhorar a coleta de dados georeferenciados, gerência e manutenção de bases de dados de saúde georeferenciadas;

• Dar suporte no desenvolvimento de mini-clusters;

b) Criar, avaliar, modificar, compor, gerenciar e explorar modelos computacionais voltados a fenômenos epidemiológicos;

c) Discutir sobre formas diferentes de projetar e implementar sistemas, considerando demandas em termos de complexidade, grandes volumes de dados, uso da web, e atendimento a diferentes usuários finais;

d) Discutir métodos de extração de requisitos que capturem variáveis relativas a modelos computacionais e interações sociais e sua respectiva documentação;

e) Discutir sobre metodologias e técnicas que atendam necessidades inerentes a sistemas complexos e sua execução em ambiente paralelo e distribuído;

f) Discutir sobre estruturas de armazenamento para atender demandas específicas de sistemas complexos;

g) Discutir sobre estruturas de visualização científica em atendimento a demandas específicas de sistemas complexos;

h) Utilizar processamento paralelo e distribuído com recursos heterogêneos de hardware e software;

i) Propor e desenvolver interface com design e mecanismos de consulta que facilitem a utilização de sistemas computacionais tanto com relação à manipulação do sistema quanto à interpretação das informações retornadas;

j) Definir, utilizar e disponibilizar sistema web para administração de desenvolvimento colaborativo de projeto por equipe multidisciplinar.

Com relação aos impactos e resultados acadêmicos no contexto dos grupos de

pesquisa envolvidos no projeto, bem como da UNIOESTE:

a) Fortalecer a equipe proponente de mestrado multidisciplinar em computação aplicada;

b) Aumentar a produção bibliográfica da equipe através da submissão dos resultados do projeto em conferências e periódicos;

c) Possibilitar o trabalho multidisciplinar envolvendo alunos e professores de graduação e pós-graduação, focados em problemas comuns (ambientes de aprendizado experimental e colaborativo);

d) Contribuir para a promoção de maior interação entre disciplinas ofertadas e trabalhos propostos pelos cursos Informática e de Matemática (Física e Estatística) da UNIOESTE;

e) Intensificar as interações entre a equipe deste projeto e outros grupos e pesquisadores com interesses afins;

f) Melhorar os recursos bibliográficos atualmente disponíveis para desenvolvimento de pesquisas no Laboratório de Computação de Alto Desempenho – LCAD e no Laboratório de Eletrônica Digital – LED.

Para finalizar, cabe mencionar ainda sobre dois aspectos importantes, a questão do mérito deste projeto e trabalhos futuros dele decorrentes.

Com relação ao mérito deste trabalho a equipe proponente entende que ele é desafiador, importante e inovador; seus resultados podem ser aplicados e pode impactar significativamente em termos sócio-econômicos.

É desafiador porque, do ponto de vista computacional, contempla aspectos inerentes à modelagem computacional de sistemas complexos, como aqueles explicitados no item 3 Identificação e Caracterização do Objetivo do Projeto. Ele também é desafiador porque a equipe construirá um mini-cluster para atender a demandas de processamento paralelo e distribuído. Neste caso, poderão participar do projeto, docentes do Curso de Engenharia Elétrica, que também é oferecido pela UNIOESTE. Note-se que, por priorizar a utilização de produtos de software livre, está em consonância com os anseios dos Governos quanto à minimização de custos e socialização de resultados.

É importante porque disponibilizará via web, a pessoas e entidades ligadas à saúde, sistemas computacionais baseados em conhecimento, a exemplo de sistemas especialistas sobre doenças de notificação obrigatória. Esses sistemas poderão auxiliar esses profissionais na solução de problemas referentes a essas doenças, sem a presença física obrigatória de especialistas no local em que os mesmos se apresentem. Também é importante porque suas interfaces serão projetadas com design e mecanismos de consulta que facilitem a utilização dos sistemas computacionais, a interpretação das informações retornadas e a visualização das mesmas.

Ele é inovador porque permitirá o registro de informações relativas a doenças incluindo as de notificação obrigatória, via web. Este registro visa automatizar o processo atualmente manual, demorado e sujeito à falhas, que fornece informações ao DATASUS, bem como reunir outros dados e informações que permitam subsidiar pessoas e entidades que são capazes de utilizá-las visando fundamentar ações de relevância à saúde coletiva.

Além disso, seus resultados poderão ser utilizados imediata e diretamente pela comunidade envolvida, em especial, profissionais em saúde, gestores e pesquisadores da área. Isso significa melhoria direta da qualidade da saúde da comunidade de Cascavel/PR.

E, a execução deste projeto contribuirá significativamente para o progresso e a qualidade da formação de alunos de graduação e pós-graduação vinculados à UNIOESTE, bem como da produção bibliográfica da equipe proponente.

Com relação a trabalhos futuros, em uma segunda fase deste projeto que dependerá da continuidade do apoio dado, se pretende simular outros tipos de doenças. Será possível também trabalhar com modelos “intra-indivíduos”, se for o caso, e neste sentido, pretende-se agregar à atual equipe alguns profissionais de áreas como biologia e medicina. Também se pretende estender o protótipo do Sistema Epidemiológico

desenvolvido de forma a ampliá-lo para atender o Estado do Paraná e a União, agregando, modificando ou adequando certas funcionalidades.

8 REFERÊNCIAS BIBLIOGRÁFICAS

ANSELIN, L.; BAO, S. Exploratory Spatial Data Analysis Linking SpaceStat and ArcView. In: Fischer, M. M. & Getis. A. Recent developments in spatial analysis. New York: Springer, p. 35-59. 1997.

ARDIS, M. A., et al. A framework for evaluating specification methods for reactive systems. IEEE Transactions on Software Engineering, v. 22, n. 6, p. 378-389. 1996.

ASSUNÇÃO, R. M. Estatística Espacial com Aplicações em Epidemiologia, Economia, Sociologia. 7a Escola de Modelos de Regressão, São Carlos, SP. 2001.

BARABÁSI, A.; BONABEAU, E. Redes sem escala. In: Scientific American. SIAM, junho/2003, n.13.

BEN, S. Designing the User Interface: Strategies for Effective Human-Computer Interaction. Don Mills, ON: Addison-Wesley, 1992;

BERMAN, F., FOX, G., HEY, A. J. G., HEY, T. Grid Computing: Making the Global Infrastructure a Reality. John Wiley & Sons, Inc. 2003.

BOMEL, P. Sistemas Multi-agentes e gestão de recursos renováveis. In: Simpósio Brasileiro de Sensoriamento Remoto. Florianópolis: SBSR, 2007.

BOSCARIOLI, C. Pré-processamento de Dados para Descoberta de Conhecimento em Banco de Dados: Uma Visão Geral. In: Unicentro. (Org.). Anais do III CONGED - Congresso de Tecnologias para Gestão de Dados e Metadados do Cone Sul. Guarapuava: Unicentro. 2005, v. I, p. 101-120.

BUYYA, R. High Performance Cluster Computing: Architecture and Systems. Prentice Hall. v.1. 1999.

CÂMARA, G.; MONTEIRO, A. M.; DRUK, S.; CARVALHO, M. Sá. Análise espacial e geoprocessamento. In: DRUCK, S.; CARVALHO, M. Sá; CÂMARA, G.; MONTEIRO, A. M. Análise espacial de dados geográficos. Planaltina, DF: Embrapa Cerrados, 2004, 209 p.

CARVALHO, L. A. V. Data Mining. A mineração de Dados no Marketing, Medicina,

Economia, Engenharia e Administração. 1 Ed. São Paulo: Érica. 2001.

CDC - Centers for Disease Control. Principles of Epidemiology. An Introduction to Applied Epidemiology and Biostatistics. Atlanta, 2ª ed., 1992.

CODENOTTI, B.; LEONCINI, M.. Introduction to Parallel Processing International Computer Science Series). Addison-Wesley Longman Publishing Co., Inc. 1992.

CODENOTTI, B.; LEONCINI, M. Introduction to Parallel Processing (International Computer Science Series). Addison-Wesley Longman Publishing Co., Inc. 1992.

DATASUS. Disponível em: http://w3.datasus.gov.br/datasus.

DUARTE, I.; ALMEIDA, M.; NETO, M. M. Uma Ferramenta para Mineração Visual de Dados utilizando LifeLines. In: Sétima Escola Regional de Computação Bahia-Sergipe. Vitória da Conquista – BA. 2007.

DUNHAM, M. H. Data Mining: Introductory and Advanced Topics. Prentice-Hall. 2002.

EDELSTEIN-KESHET, L. Mathematical Models in Biology. Classics in Applied Mathematics. SIAM. 2005. 586 p.

ELSMARI, R.; NAVATHE, S. B. Sistemas de Banco de Dados. 4ª Edição. Pearson Addison Wesley. 2005

FOSTER, I. Designing and Building Parallel Programs (Online). Disponível em http://www-unix.mcs.anl.gov/dbpp/, consultado em 08/10/2007.

GALVÃO, C.; CIRNE FILHO, W.; BRASILEIRO, F.; BRASILEIRO, E., ARAÚJO, E. Computação em grid aplicada à análise de sistemas de abastecimento de água. In: Seminário Hispano-Brasileiro sobre Sistemas de Abastecimento Urbano de Água - IV SEREA, João Pessoa. 2004.

GOMES, M. C. Notas de Aulas em: Dinâmica Populacional, Modelos Biomatemáticos, Epidemiologia de Doenças Transmissíveis, e Introdução às Redes. Disponível em <http://correio.fc.ul.pt/%7Emcg/index.html>. 2007.

HAN, J.; KAMBER, M. Data Mining: Concepts and Techniques. The Morgan Kaufmann Series in Data Management Systems, Jim Gray. 1ª Edição. ISBN 1-55860-489-8. 2000.

HARRISON, T. H. Intranet Data Warehouse. 1a. Ed. São Paulo: Berkeley Brasil. 1998.

HETHCOTE, H. W. The mathematics of infectious diseases. SIAM Rev. Philadelphia, PA, USA, v.42, n.4, p.599–653. 2000.

HOPPENSTEADT, F. C., PESKIN, C. S. Modeling and Simulation in Medicine and the Life Sciences. Springer-Verlag. 2004. 376 p.

IEEE Std. 610.12-1990. IEEE Standard Glossary of Software Engineering Terminology. The Institute of Electrical and Electronics Engineers: New York. 1990.

INTEL MULTICORE. Acessado em outubro 2007. disponível em http://www.intel.com/multi-core/index.htm.

JOST, G. et al .Comparing the OpenMP, MPI, and Hybrid Programming Paradigm on an SMP Cluster. Acessado em outubro 2007. Disponível em: <http://www.rz.rwth-aachen.de/computing/events/2003/ewomp03/omptalks/Tuesday/Session7/T06p.pdf>.

KEENER, J., SNEYD, J. Mathematical Physiology. Springer-Verlag. 2001. 792 p.

KEIM, D. A. Information Visualization and Visual Data Mining. In: IEEE Transactions

On Visualization And Computer Graphics. Piscataway – USA: IEEE Educational Activities Department, 2002, p. 1 – 8.

KOEHLER, E. Simulação de epidemias e estratégias de imunização em redes complexas. Trabalho de Conclusão de Curso (Graduação em Bacharelado Em Informática), Universidade Estadual do Oeste do Paraná. 2004.

KOTONYA, G., SOMERVILLE, I. Requirements Engineering: Processes and Techniques, John Wiley & Sons. 1997

LAST, J. A Dictionary of Epidemiology. Oxford University Press, 1988. 141 p.

LEE, H. D. Seleção de Atributos Importantes para a Extração de Conhecimento de Bases de Dados. Tese de Doutorado. Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo, São Carlos/SP, 2005.

LEWIS, B.; BERG D. Multithreaded Programing with Pthreads. Sun Mycrosystems Press. Mountain View. 1998.

LUKSCH, P.; MAIER, U.; RATHMAYER, S.; WEIDMANN, M. SEMPA, Software Engineering for Parallel Sicentific Computing. In: IEEE Concurrency, pg 64-72, 1997.

MCCORMICK, B. H.; DEFANTI, T. A.; BROWN, M. D. Visualization in scientific computing – a synopsis. IEEE Computer Graphics & Applications, 7, 61-70. 1987.

MURRAY, J. D. Mathematical Biology I: An Introduction. Springer-Verlag. 2002. 551 p.

MURRAY, J. D. Mathematical Biology II: Springer-Verlag. 2003. 736 p.

NAFFAH FILHO, M.; CECÍLIO, M. A. M. A Política Estadual de informação de Saúde: um debate necessário. Disponível em: http://portal.saude.sp.gov.br/resources/ profissional/documentos_tecnicos/estudos_analises/politica_estadual_de_informacao%5Bmichel_e_monica%5D.pdf, consultado em 08/10/2007.

NORMAN, K. L. The design of electronic educational envirorments: issues and principles in human-computer interaction. In: Congresso Internacional de Ergonomia e Usabilidade. Design de Interfaces e Interação Humano-Computador, 2, 2003. Anais. RJ.

NOVAK, M. A. Evolutionary Dynamics: Exploring the Equations of Life. Belknap Press. 2006. 384 p.

NOVAK, M. A., MAY, R. Virus Dynamics: Mathematical Principles of Immunology and Virology. Oxford University Press. 2001. 256 p.

OLIVEIRA, P. M. C. Autômatos Celulares. In: Complexidade e Caos. Rio de Janeiro: Editora UFRJ/COPEA, 1999.

OPENMP: Simple, Portable, Scalable SMP Programming. Acessado em outubro 2007. Disponível em: <http://www.openmp.org/>.

PACHECO, P. S. Parallel Programing with MPI. Morgan Kaufmann Publishers Inc. Boston. 1997.

PASTOR-SATORRAS R.; VESPIGNANI A. Epidemic spreading in scale-free networks. Phys Rev Lett, 86, 3200-3203. 2001.

PEIXOTO M. S.; BARROS L.C. Um Estudo de Autômatos Celulares para o Espalhamento Geográfico de Epidemias com Parâmetro Fuzzy. TEMA Tend. Mat. Apl. Comput., 5, No. 1, 125-133. 2004.

PFLEEGER, S. L. Engenharia de Software: Teoria e Prática. Prentice Hall. 2ª. Edição. 2004.

POPOWICH, F.; Hall, G. and Fass, D. Natural Language Edit Controls: Constrained Natural Language Devices in User Interfaces. ICTAI, maio 1996.

PRESSMAN, R. S. Engenharia de Software. 6. ed. São Paulo: McGraw-Hill. 2006.

RUSSELL, S.; NORVIG, P. Inteligência Artificial. Rio de Janeiro: Campus, 2004.

Saúde: um debate necessário. Disponível em: http://portal.saude.sp.gov.br/resources/profissional/documentos_tecnicos/estudos_analises/politica_estadual_de_informacao%5Bmichel_e_monica%5D.pdf

SBC–Sociedade Brasileira de Computação. Grandes Desafios da Pesquisa em Computação no Brasil–2006-2016. São Paulo: Sociedade Brasileira de Computação. 2006.

SINAN. Disponível em http://dtr2004.saude.gov.br/sinanweb/index.php?name =SinanNet, consultado em: 05/10/2007.

SMITH, B.; BJORSTAD, P.; GROPP, W. Domain Decomposition: Parallel Multilevel Methods for Elliptic Partial Differential Equations. Cambridge: Cambridge University Pres, 1996.

SMITH, L.; BULL M. Development of mixed mode MPI /OpenMP applications. Scientific Programming IOS Press. 83–98. Acessado em outubro 2007. Disponível em: <http://www.ukhec.ac.uk/publications/reports/spr00078.pdf>.

SUH, W. Web Engineering: Principles and Techniques. Idea Group Publishing. 1999.

SUN, Y.; CHENG L. A Survey on Agent-Based Modelling and Equation-based Modelling. Department of Computer Science. Georgia State University. Atlanta. Disponível em: www.cs.gsu.edu/~csclicx/Csc8350/model.pdf.

TERRAVIEW: principal: DPI/INPE. Disponível em: http://www.dpi.inpe.br/terra view.

VIS5D+ Home Page. Disponível em: http://vis5d.sourceforge.net/.

VISIT Visualization Tool. Disponível em: http://www.llnl.gov/visit.

VTK Home Page. Disponível em: http://www.vtk.org/index.php.

WALDMAN, E. A. Vigilância em Saúde Pública. Disponível em: http://dtr2004. saude.gov.br/dab/saude_cidadania/ed_07/index.html, consultado em: 05/10/2007.

WRITELY. Google Textos e Planilhas. Disponível em http://www.google.com/google-d-s/intl/pt-BR/tour2.html, consultado em 06/10/2007.

YANG, H. M. Epidemiologia Matemática: Estudo dos Efeitos da vacinação em Doenças de Transmissão Direta. Editora da UNICAMP. 2001. 239 p.