Spatial dataset of morbidity from diseases driven by social determinants related to socioeconomic and environmental indicators using deep learning

Esses dados são provenientes do projeto de pesquisa intitulado “Análise da correlação de taxas de morbidade de doenças determinadas socialmente com indicadores socioeconômicos e climáticos para o Estado de São Paulo”, financiado pelo Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) e refere-se ao Processo CNPq: 442318/2024-3. Resumo do Projeto: Condições socioeconômicas diversas em conjunto com eventos ambientais extremos e variabilidade climática impõem desafios cada vez mais impreteríveis aos órgãos públicos responsáveis pela organização e elaboração de planos e políticas públicas para a saúde coletiva. Portanto, considerando a complexidade de avaliações desses diferentes fatores, esse projeto objetiva analisar as relações espaciais dos mesmos com a morbidade de doenças determinadas socialmente (DDS), a fim de compreender as correlações e padrões espaciais do Estado de São Paulo e, em especial, de 23 municípios paulistas onde essas doenças apresentam prevalência. Para isso, foram gerados mapas temáticos e modelos matemáticos preditivos, obtidos por deep learning, desenvolvidos para analisar a correlação entre fatores socioeconômicos, demográficos e ambientais com a taxa de morbidade de DDS. Foram utilizados dados para uma análise histórica de 2000 a 2023. As doenças estudadas foram tuberculose, AIDS, sífilis e hanseníase em conjuntos com fatores ambientais (pluviosidade, temperatura e umidade relativa), condições socioeconômicas (índices de pobreza, de urbanização e densidade demográfica). A análise exploratória revelou um paradoxo socioespacial: embora o Estado apresente crescimento linear no PIB per capita e altas taxas de urbanização, a intensa compactação demográfica e a extrema volatilidade da capacidade real de consumo (Índice de Poder Financeiro) atuam como determinantes críticos na manutenção da cadeia de transmissão. Este cenário de vulnerabilidade é agravado por uma transição climática em curso. Metodologicamente, o estudo promoveu um avanço na aplicação de inteligência artificial na saúde pública. A avaliação demonstrou a inexistência de um modelo preditivo universal; a eficácia estrutural provou-se estritamente doença-dependente. Arquiteturas de Deep Learning baseadas em interpolação hierárquica foram superiores para séries com severa esparsidade, enquanto redes autorregressivas probabilísticas destacaram-se frente à sobredispersão. Em contraste, patologias com ocorrências epidemiológicas densas e sazonais foram melhor modeladas por algoritmos determinísticos e estruturais. Como entregas e produtos tecnológicos aderentes aos princípios da Ciência Aberta, o projeto disponibiliza Dashboards interativos, plataformas WebGIS e repositórios públicos contendo todos os códigos-fonte, convertendo grandes volumes de dados multivariáveis em inteligência analítica aplicável ao planejamento da Atenção Primária em Saúde. O trabalho conclui reforçando a importância de políticas de saúde pública direcionadas, que consideram as particularidades territoriais e sociais, e disponibiliza seus métodos e resultados para garantir a reprodutibilidade e o avanço da pesquisa na área.