Upload
others
View
9
Download
0
Embed Size (px)
Citation preview
GeoSchisto: Geoprocessamento e Esquistossomose
Ricardo J.P.S. Guimarã[email protected]
Corina C. Freitas (INPE) - Luciano V. Dutra (INPE) - Omar S. Carvalho (CPqRR) – Sandra C. Drummond (SESMG) – Ronaldo S. Amaral (MS)
http://www.dpi.inpe.br/geoschisto
O presente trabalho é parte dos resultados oriundos da cooperação institucional
entre o Centro de Pesquisas René Rachou (CPqRR-Fiocruz), o Instituto
Nacional de Pesquisas Espaciais (INPE), a Universidade Federal de Minas
Gerais (UFMG), a Secretaria de Vigilância em Saúde/Ministério da Saúde
(SVS/MS) e a Secretaria de Estado de Saúde de Minas Gerais (SES/MG).
Esta colaboração foi com suporte do CNPq e da FAPEMIG nos projetos:
1. “Desenvolvimento de um sistema de informações para o estudo,
planejamento e controle da esquistossomose no Estado de Minas Gerais”
(processo: 1775/03) e
2. “Desenvolvimento de metodologias e ferramentas de geoprocessamento na
análise espacial e distribuição da esquistossomose no Estado de Minas
Gerais” (processo: 893/05).
http://www.dpi.inpe.br/geoschisto
2
http://www.dpi.inpe.br/geoschisto
3
http://www.dpi.inpe.br/geoschisto
5
http://www.dpi.inpe.br/geoschisto
Carvalho et al. 2008
Biomphalaria glabrata
B. straminea
B. tenagophila
6
http://www.dpi.inpe.br/geoschisto
7
Geoprocessamento X Esquistossomose
http://www.dpi.inpe.br/geoschisto
8
Cross et al. (1984) - Filipinas
http://www.dpi.inpe.br/geoschisto
9
África – Ásia
http://www.dpi.inpe.br/geoschisto
10
Brasil: PE, BA, MG, SP
http://www.dpi.inpe.br/geoschisto
11
Desenvolver metodologias utilizando ferramentas de geoprocessamento para a
caracterização da distribuição espacial da esquistossomose mansoni, visando a
construção de cenários representativos de áreas potenciais para a ocorrência da
doença usando variáveis obtidas por sensoriamento remoto, meteorológicas,
socioeconômicas e ambientais. Objetiva-se também inferir sobre a presença das
espécies de Biomphalaria (B. glabrata, B. tenagophila e/ou B. straminea),
hospedeiros intermediários do S. mansoni, no Estado de Minas Gerais.
http://www.dpi.inpe.br/geoschisto
12
Área de estudo
http://www.dpi.inpe.br/geoschisto
13
PCE – SISLoc (80092/MG) e SISPCE (+6,7 milhões)
http://www.dpi.inpe.br/geoschisto
14
- Índice de Positividade (localidades)
- Prevalência (municípios)
casos positivos( ) *100
população estudadaPv ou Ip
http://www.dpi.inpe.br/geoschisto
15
- Distribuição espacial dos caramujos Biomphalaria.
Etapas do trabalho de campo
http://www.dpi.inpe.br/geoschisto
16
http://www.dpi.inpe.br/geoschisto
17
http://www.dpi.inpe.br/geoschisto
18
Mobilização da população
http://www.dpi.inpe.br/geoschisto
19
- Montagem do laboratório
- Transporte dos equipamentos
http://www.dpi.inpe.br/geoschisto
20
- Recepção das amostras
- Entrega do material
- Coleta das amostras
http://www.dpi.inpe.br/geoschisto
21
Exames parasitológicos:
- Kato-Katz
- Gradiente Salínico
http://www.dpi.inpe.br/geoschisto
22
Armazenamento:
- Amostras
- Lâminas
http://www.dpi.inpe.br/geoschisto
23
Armazenamento:
- Caramujos
http://www.dpi.inpe.br/geoschisto
24
Tratamento da população
Ensinando a população
http://www.dpi.inpe.br/geoschisto
25
Coleta de dados
http://www.dpi.inpe.br/geoschisto
26
Visualização
dos dados
http://www.dpi.inpe.br/geoschisto
27
Dificuldades
http://www.dpi.inpe.br/geoschisto
28
http://www.dpi.inpe.br/geoschisto
29
http://www.dpi.inpe.br/geoschisto
30
- Variáveis meteorológicas (CPTEC)
- Variáveis socioeconômicas
- Variáveis ambientais
- Variáveis de sensoriamento remoto
http://www.dpi.inpe.br/geoschisto
31
- Variáveis meteorológicas
- Variáveis socioeconômicas (SNIU – IBGE)
- Variáveis ambientais
- Variáveis de sensoriamento remoto
http://www.dpi.inpe.br/geoschisto
32
- Variáveis meteorológicas
- Variáveis socioeconômicas
- Variáveis ambientais (CPRM, IBGE, ...)
- Variáveis de sensoriamento remoto
Geologia
http://www.dpi.inpe.br/geoschisto
33
- Variáveis meteorológicas
- Variáveis socioeconômicas
- Variáveis ambientais
- Variáveis de sensoriamento remoto (NASA)
http://www.dpi.inpe.br/geoschisto
34
http://www.dpi.inpe.br/geoschisto
35
http://www.dpi.inpe.br/geoschisto
36
http://www.dpi.inpe.br/geoschisto
37
http://www.dpi.inpe.br/geoschisto
38
Nova Tiúma
São Lourenço da Mata
PE
A estimativa kernel é uma técnica estatística, de interpolação, não paramétrica, que
produz uma superfície contínua (aglomerado) de densidade calculada em todas as
localizações, para a identificação visual de “áreas quentes” (hotspot), sem alterar as
suas características locais
http://www.dpi.inpe.br/gilberto/livro/analise/cap2-eventos.pdf
http://www.dpi.inpe.br/geoschisto
39
http://www.dpi.inpe.br/geoschisto
40
0 dias 180 dias 360dias
http://www.dpi.inpe.br/geoschisto
41
http://www.dpi.inpe.br/geoschisto
42
http://www.dpi.inpe.br/geoschisto
43
pontos
http://www.dpi.inpe.br/geoschisto
44
http://www.dpi.inpe.br/geoschisto
45
1
2
3
http://www.dpi.inpe.br/geoschisto
46
Mapa da distribuição das esp. Estimadas Mapa de incerteza
http://www.dpi.inpe.br/geoschisto
47
Distribuição espacial dos caramujos
Bacia Rio São Francisco
Distribuição espacial dos caramujos
Bacia Rio Paraíba do Sul
SESMG - 6 municípios SESMG-JF/UFJF- 8 mun
http://www.dpi.inpe.br/geoschisto
48
Como a krigeagem é muito afetada pela quantidade e pela distribuição espacial dos
dados de entrada, isto pode explicar as diferenças encontradas nas duas bacias.
- Bacia do Rio São Francisco, distribuição, cerca de 50% municípios, acerto de 100%;
- Bacia do Rio Paraíba do Sul, distribuição, cerca de 32% municípios, acerto de 67%;
Bacia do Rio São Francisco apresenta uma média geral de incerteza de 0,232 e
Bacia do Rio Paraíba do Sul com média geral de incerteza de 0,332 (43,1%).
Os resultados obtidos mostram que o mapa de risco obtido da krigagem pode ser
usado como uma ferramenta auxiliar para a formulação adequada de estratégias de
saúde pública e orientar o trabalho de campo, considerando os locais com maior
probabilidade de ocorrência das espécies de Biomphalaria.
http://www.dpi.inpe.br/geoschisto
49
http://www.dpi.inpe.br/geoschisto
50
http://www.dpi.inpe.br/geoschisto
51
Uso do algoritmo Skater do software TerraView 3.1.3;
Divisão do Estado de Minas Gerais em quatro regiões;
Utilização dos polígonos que representam a divisão política dos municípios de
Minas Gerais, juntamente com oito variáveis selecionadas por demonstrarem maior
relação com a transmissão da doença;
As variáveis utilizadas para fazer a regionalização foram: mapa de geologia
(áreas calcárias), índice hidrológico (porcentagem de água no município - obtido do
Mapa de Drenagem), espécies de Biomphalaria, índice de necessidade de saúde
(INS), modelo digital de elevação (MDE), vegetação (modelo de mistura),
precipitação acumulada e média da temperatura.
http://www.dpi.inpe.br/geoschisto
52
Mapa de Regionalização
http://www.dpi.inpe.br/geoschisto
53
http://www.dpi.inpe.br/geoschisto
54
http://www.dpi.inpe.br/geoschisto
55
http://www.dpi.inpe.br/geoschisto
56
http://www.dpi.inpe.br/geoschisto
57
http://www.dpi.inpe.br/geoschisto
58
12
http://www.dpi.inpe.br/geoschisto
59
Log
http://www.dpi.inpe.br/geoschisto
60
http://www.dpi.inpe.br/geoschisto
61
Modelo 1 (global-município) - foram utilizadas 51 variáveis;
Modelo 2 (regional-município) - foram utilizadas 51 variáveis;
Modelo 3 (global-localidade) - foram utilizadas 93 variáveis;
Modelo 4 (regional-localidade) - foram utilizadas 93 variáveis.
http://www.dpi.inpe.br/geoschisto
62
Modelo 1 (global-município) - foram utilizadas 51 variáveis;
Modelo 2 (regional-município) - foram utilizadas 51 variáveis;
Modelo 3 (global-localidade) - foram utilizadas 93 variáveis;
Modelo 4 (regional-localidade) - foram utilizadas 93 variáveis.
http://www.dpi.inpe.br/geoschisto
63
Modelo 1 (global-município) - foram utilizadas 51 variáveis;
Modelo 2 (regional-município) - foram utilizadas 51 variáveis;
Modelo 3 (global-localidade) - foram utilizadas 93 variáveis;
Modelo 4 (regional-localidade) - foram utilizadas 93 variáveis.
http://www.dpi.inpe.br/geoschisto
64
http://www.dpi.inpe.br/geoschisto
65
( 7,18 0,49 0,36 5,83 0,01 )ˆ 1v iBG TN EVI WPPv ePresença ou ausência de B. glabrata (BG), temperatura mínima do verão (TNv),
índice de vegetação do inverno (EVIi) e porcentagem de casas com água de poço
ou nascente (WP).
R2 = 0,39
http://www.dpi.inpe.br/geoschisto
66
(0,92 0,28 0,29 ) 2
1ˆ 1 0,97
WN EPv Re
(0,86 0,12 8,3 * 0,22 * ) 2
2ˆ 1 0,60i iPC BG NDVI BG QTAPv Re
(12,1 0,002 0,68 0,82 2,61 ) 2
3ˆ 1 0,63v vMDE TN TX INSPv Re
00( 3,93 0,004 6,45 0,07 ) 2
4ˆ 1 0,76
MDE IDHE CPv Re
http://www.dpi.inpe.br/geoschisto
67
Presença ou ausência de B. glabrata (BG), precipitação do verão (PCv), temperatura
mínima do verão (TNv), índice de vegetação do inverno (EVIi) e domicílios com
banheiro ou sanitário ligado via fossa séptica (V31).
R2 = 0,1831( 7,34 0,51 0,004 0,37 0,0003 0,004 )1v v iBG PC TN EVI V
Ip e
http://www.dpi.inpe.br/geoschisto
68
25(14,04 0,05 0,01 1,15 ) 2
1 1 0,35i vPC V TIp Re
25 261( 11,63 0,68 0,59 0,0004 0,03 0,005 ) 2
2 1 0,21v iBG TN EVI V VIp Re
33 283(0,16 0,39 0,0002 0,015 0,002 ) 2
3 1 0,38vBG NDVI V VIp Re
254 272( 3,54 0,0001 0,006 0,16 0,27 0,0006 0,003 ) 2
4 1 0,22v v vEVI PC TN QTA V VIp Re
http://www.dpi.inpe.br/geoschisto
69
Resumo – resultados dos modelos
Modelo nRMSE RMSEa nMSPR MSPRa Modelo nRMSE RMSE nMSPR MSPR
Glo
bal
mu
nic
ípio
M1 - R1 8 4,003 3 5,272
Glo
bal
locali
dad
e
M3 - R1 104 8,078 66 3,421
M1 - R2 49 5,186 38 3,899 M3 - R2 428 12,369 262 11,741
M1 - R3 44 7,498 61 7,968 M3 - R3 220 10,042 338 10,048
M1 - R4 22 5,974 30 9,743 M3 - R4 100 6,164 72 8,282
M1 123 6,185 132 7,478 M3 852 10,739 738 10,145
Reg
ion
al
mu
nic
ípio M2 - R1 8 0,843 3 1,301
Reg
ion
al
locali
dad
e M4 - R1 104 7,576 66 3,376
M2 - R2 49 4,732 38 3,780 M4 - R2 428 11,553 262 11,577
M2 - R3 44 4,444 61 5,110 M4 - R3 220 9,044 338 9,538
M2 - R4 22 3,883 30 7,744 M4 - R4 100 6,123 72 8,291
M2 123 4,327 132 5,463 M 4 852 9,979 738 9,848
RMSE (Erro Médio Quadrático), MSPR (Erro Médio Quadrático da Predição).
http://www.dpi.inpe.br/geoschisto
70
Modelo nRMSE RMSEa nMSPR MSPRa Modelo nRMSE RMSE nMSPR MSPR
Glo
bal
mu
nic
ípio
M1 - R1 8 4,003 3 5,272
Glo
bal
locali
dad
e
M3 - R1 104 8,078 66 3,421
M1 - R2 49 5,186 38 3,899 M3 - R2 428 12,369 262 11,741
M1 - R3 44 7,498 61 7,968 M3 - R3 220 10,042 338 10,048
M1 - R4 22 5,974 30 9,743 M3 - R4 100 6,164 72 8,282
M1 123 6,185 132 7,478 M3 852 10,739 738 10,145
Reg
ion
al
mu
nic
ípio M2 - R1 8 0,843 3 1,301
Reg
ion
al
locali
dad
e M4 - R1 104 7,576 66 3,376
M2 - R2 49 4,732 38 3,780 M4 - R2 428 11,553 262 11,577
M2 - R3 44 4,444 61 5,110 M4 - R3 220 9,044 338 9,538
M2 - R4 22 3,883 30 7,744 M4 - R4 100 6,123 72 8,291
M2 123 4,327 132 5,463 M 4 852 9,979 738 9,848
RMSE (Erro Médio Quadrático), MSPR (Erro Médio Quadrático da Predição).
Resumo – resultados dos modelos
http://www.dpi.inpe.br/geoschisto
71
A prevalência da esquistossomose foi estimada tanto a nível global como regional,
mostrando que a presença de B. glabrata, saneamento básico, índice de vegetação
e temperatura são as variáveis mais importantes, estando presente em ambos os
níveis. Resultado semelhante foi obtido por Bavia et al. (2001).
Resultados dos modelos de regressão mostram que a regionalização melhora a
estimativa da doença em MG. O modelo global apresentou R2 = 0,39 e regional R2
entre 0,60 e 0,97. Resultado semelhante foi obtido por Martins-Bede et al. (2009).
O melhor modelo validado pelo MSPR foi o modelo 2 (Regional por município).
A utilização das variáveis ambientais melhora o modelo quando comparados com as
variáveis socioeconômicas com R2 = 0,32 (Freitas et al. 2006) e variáveis derivadas
de sensores remotos com R2 = 0,36 (Guimarães et al. 2006).
Outro fato importante é que as variáveis selecionadas nos modelos por município
apresentam concordância com as variáveis apresentadas nos modelos por
localidades.
http://www.dpi.inpe.br/geoschisto
72
http://www.dpi.inpe.br/geoschisto
73
Modelo 2 RMSE Pvmedia %erro
Reg
ion
al
mu
nic
ípio
R1 0,843 7,768 10,852
R2 4,732 10,706 44,201
R3 4,444 14,089 31,538
R4 3,883 16,682 23,276
M2 4,327 12,794 33,824
- Aglomerados 1 e 2 são os mesmos apresentados
no kernel situados, respectivamente, nas
mesorregiões Norte de Minas e Vale do
Jequitinhonha, Mucuri e Rio Doce;
- Aglomerados 3 e 4 situados, respectivamente,
nas mesorregiões Metropolitana de Belo Horizonte
e Sul/Sudoeste de Minas
IM - dados de prevalência
IM - dados do modelo M2
http://www.dpi.inpe.br/geoschisto
74
O interpolador de médias é uma técnica que pode indicar possíveis locais de
transmissão da esquistossomose e essa técnica mostrou que, além da região
endêmica que foi estimada pelo melhor modelo de regressão obtido, a
mesorregião Sul/Sudeste representa uma possível área de risco de transmissão
da esquistossomose tanto pelo B. glabrata como pelo B. tenagophila.
http://www.dpi.inpe.br/geoschisto
75
1. Os resultados obtidos demonstram que o SIG é uma ferramenta útil no controle e
estudo da esquistossomose. Além disso, a utilização conjunta do SIG e técnicas
estatísticas permitiram estimar a distribuição das espécies de Biomphalaria e a
prevalência/índice de positividade da esquistossomose.
2. A estimativa por localidade não apresentou uma melhora nos modelos como era
esperado. Isso pode ter sido ocasionado pela utilização de imagens de baixa
resolução (MODIS - 250 m); falta de coordenadas dos locais de captura/estudo
malacológico; pela utilização de variáveis socioeconômicas dos setores censitários,
que muitas vezes apresentaram várias localidades em um mesmo setor; e também,
por causa da não homogeneidade das datas (anos) quando foram realizados os
exames parasitológicos nas localidades utilizadas nesse trabalho com o período das
variáveis depositadas no Banco de Dados do GeoSchisto.
http://www.dpi.inpe.br/geoschisto
76
http://www.dpi.inpe.br/geoschisto
77
SISLOC
MALARIACHAGAS
ESQUISTOSSOMOSELEISHMANIOSE
PESTE
FILARIOSE ONCOCERCOSEFEBRE AMARELA
E DENGUE
Recomenda-se usar a metodologia desta Tese em alguns municípios (pequenas
áreas) utilizando variáveis do mesmo período dos exames parasitológicos, bem
como, a utilização de imagens de alta resolução e dados georreferenciados de
bionfalárias.
Recomenda-se utilizar as imagens MODIS ou de outro sensor como o CBERS de
datas e locais diferentes para verificar se existe também uma alta correlação entre
as imagens-fração e os índices de vegetação e a esquistossomose.
Condicionados à existência de fundos adequados, um levantamento malacológico é
recomendado para melhor avaliação da metodologia.
Também, é recomendado o uso de GPS em todos os trabalhos de campo a serem
realizados pelo PCE.
http://www.dpi.inpe.br/geoschisto
78
http://www.dpi.inpe.br/geoschisto
79
- CNPq (300927/92-4; 309922/03-8; 380203/04-9; 384571/10-7, 300679/11-4);
- Fapemig (EDP 1775/03; CRA 0070/04);
- NIH-Fogarty (5D43TW007012);
- Secretaria de Estado de Saúde de MG, SVS/MS, INPE, UFJF, UFMG e CPqRR.
FIM
http://www.dpi.inpe.br/geoschisto