ESTRATÉGIAS PARA ANÁLISE DE SUBNOTIFICAÇÕES DE MORTALIDADE EM EPIDEMIAS OCORRIDAS NOS PAÍSES EM DESENVOLVIMENTO: UM ESTUDO DE CASO DA COVID-19 NO BRASIL
COVID-19; mortalidade; subnotificação; aprendizado de máquina; saúde pública; pandemia; previsão de séries temporais.
O impacto de epidemias ao longo da história tem sido devastador, representando uma ameaça à saúde pública e exigindo ações imediatas e efetivas das autoridades. As consequências são ainda maiores quando são disseminadas em países subdesenvolvidos ou em desenvolvimento, que costumeiramente apresentam cenários com altas taxas de subnotificações. Em tais circunstâncias, medidas de investigação, controle, prevenção e orientação se tornam necessárias em um cenário epidemiológico. A investigação do comportamento de epidemias passadas a partir de dados de séries históricas pode contribuir para definir padrões e auxiliar em previsões mais realistas de novas doenças ou das já conhecidas. Neste cenário, esta tese apresenta estratégias de análise de subnotificações de epidemias, baseadas em séries temporais, aplicadas em países com desigualdades sociais, com condições precárias de serviços de saúde, rede de diagnóstico inadequadas, que apresentam falhas na divulgação dos dados relacionados à doença. As estratégias são baseadas em modelos de previsões de séries temporais, geradas por técnicas de aprendizado de máquina, usadas para prever o comportamento esperado de ocorrências de epidemias, revelando outliers, a fim de criar cenários mais próximos dos reais e fornecer subsídios às autoridades públicas para tomadas de decisão baseadas em evidências. Como forma de mostrar a efetividade da proposta, a pandemia da COVID-19 no Brasil é empregada como estudo de caso.