Campanhas de alcance público podem prevenir a propagação de doenças devastadoras, mas tratáveis, como a tuberculose (TB), malária e gonorreia. Mas garantir que essas campanhas cheguem efetivamente aos pacientes não diagnosticados, que pode espalhar a doença inconscientemente para outras pessoas, é um grande desafio para agências de saúde pública sem recursos. Agora, uma equipe de pesquisadores da Escola de Engenharia de USC Viterbi criou um algoritmo que pode ajudar os formuladores de políticas a reduzir a disseminação geral da doença. O algoritmo também é otimizado para aproveitar ao máximo os recursos limitados, como orçamentos de publicidade.

Para criar o algoritmo, os pesquisadores usaram dados, incluindo comportamental, tendências demográficas e de doenças epidêmicas, para criar um modelo de disseminação de doenças que capture a dinâmica populacional subjacente e os padrões de contato entre as pessoas.

Usando simulações de computador, os pesquisadores testaram o algoritmo em dois casos reais:tuberculose (TB) na Índia e gonorreia nos Estados Unidos. Em ambos os casos, eles descobriram que o algoritmo fez um trabalho melhor na redução de casos de doenças do que as políticas de saúde atuais, compartilhando informações sobre essas doenças com indivíduos que podem estar em maior risco.

O estudo foi publicado na Conferência AAAI sobre Inteligência Artificial. Os autores são Bryan Wilder, candidato a doutorado em ciência da computação, Milind Tambe, o professor Helen N. e Emmett H. Jones em Engenharia, professor de ciência da computação e engenharia industrial e de sistemas e cofundador do Centro de IA na Sociedade da USC e Sze-chuan Suen, professor assistente de engenharia industrial e de sistemas.

"Nosso estudo mostra que um algoritmo sofisticado pode reduzir substancialmente a disseminação geral da doença, "diz Wilder, o primeiro autor do artigo. "Podemos fazer uma grande diferença, e até mesmo salvar vidas, apenas sendo um pouco mais espertos sobre como usamos os recursos e compartilhamos informações de saúde com o público. "

Revelando a dinâmica da doença

O algoritmo também parecia fazer um uso mais estratégico dos recursos. A equipe descobriu que ele se concentrava fortemente em grupos específicos e não simplesmente alocava mais orçamento para grupos com alta prevalência da doença. Isso parece indicar que o algoritmo está aproveitando padrões não óbvios e aproveitando as interações às vezes sutis entre variáveis ​​que os humanos podem não ser capazes de identificar.

Os modelos matemáticos da equipe também levam em consideração que as pessoas se movem, era, e morrer, refletindo a dinâmica populacional mais realista do que muitos algoritmos existentes para controle de doenças. Por exemplo, as pessoas podem não ser curadas instantaneamente, portanto, reduzir a prevalência aos 30 anos pode significar a criação de comunicações de saúde pública direcionadas para pessoas aos 27 anos.

"Embora existam muitos métodos para identificar populações de pacientes para campanhas de saúde, muitos não consideram a interação entre a mudança dos padrões populacionais e a dinâmica da doença ao longo do tempo, "diz Suen, que também tem uma nomeação como professor assistente no Leonard D. Schaeffer Center for Health Policy and Economics.

"Poucos ainda consideram como usar uma abordagem algorítmica para otimizar essas políticas, dada a incerteza de nossas estimativas da dinâmica da doença. Levamos esses dois efeitos em consideração em nossa abordagem."

Uma vez que os padrões de transmissão da infecção variam com a idade, a equipe de pesquisa usou dados estratificados por idade para determinar o público-alvo ideal para comunicações de saúde pública. Mas o algoritmo também pode segmentar populações usando outras variáveis, incluindo gênero e localização.

No futuro, as percepções do estudo também podem lançar luz sobre os resultados de saúde para outras intervenções de doenças infecciosas, como HIV ou gripe.