Carregar apresentação
A apresentação está carregando. Por favor, espere
PublicouMirella Grego Alterado mais de 9 anos atrás
1
Silvana Bocanegra – DEINFO/UFRPE Jones Albuqueque -DEINFO/UFRPE
Técnicas de Modelagem e Otimização aplicadas a Expansão da Esquistossomose na Área Litorânea de Pernambuco SNCT - Semana Nacional de Ciência e Tecnologia UAST/UFRPE – Serra Talhada/PE Silvana Bocanegra – DEINFO/UFRPE Jones Albuqueque -DEINFO/UFRPE
2
Roteiro Introdução O projeto Modelos de Otimização
Modelagem de Sistemas Biológicos - Equações Diferenciais - Autômatos Celulares; Grafos e Redes Complexas Modelos de Otimização - Programação Linear, Inteira - Programação multi-objetivo Trabalhos em andamento Introdução – motivação, caracterização do problema
3
Introdução O que é Esquistossomose ?
– infecção causada pelo parasita Schistossoma Mansoni (Brasil) - Grande importância socioeconômica nas áreas tropicais e subtropicais.
4
Por que modelos computacionais para estudar a Esquistossomose em Pernambuco?
Projeto - “Ecoepidemiologia da Esquistossomose no Litoral de Pernambuco” - CPqAM/FIOCRUZ -mapear e caracterizar criadouros e focos dos vetores da esquistossomose - correlacionar determinantes biológicos da doença com o contexto ambiental da sua ocorrência. Praia Enseada dos Golfinhos Praia do Forte Praia do Janga Lagoa do Náutico Praia Porto de Galinhas Praia de Carne de Vaca
5
1º Registro – Praia do Forte-Itamatacá
6
Esquistossomose - Ilha de Itamaracá – Pe Focos de moluscos em terrenos e quintais 22 casos humanos agudos registrados (1999)
7
Esquistossomose - Ilha de Itamaracá–Pe Croqui da Área
focus buildings swimming pools lagos
8
Esquistossomose - Ilha de Itamaracá-Pe Croqui da Área
9
Esquistossomose – Porto de Galinhas
10
Esquistossomose – Porto de Galinhas 2000
11
Esquistossomose – Porto de Galinhas
400 CASOS AGUDOS
12
Projeto CNPq- “Modelos Computacionais para Simulação do Processo de Expansão da Esquistossomose na Área Litorânea de Pernambuco.” Desenvolver modelos para auxiliar a composição de cenários e o estudo do processo de expansão da doença. Determinar de forma precisa as variáveis mais relevantes no modelo: serão capturadas imagens de satélite que revelam o aspecto de migração e contaminação. Prover as autoridades de insumos e dados de como a doença vem se comportando e melhor, sugerir cenários futuros de comportamento para planejamento estratégico objetivando otimizar a utilização de recursos no combate e prevenção da doença no estado de Pernambuco. Realizar o acompanhamento da caracterização de um dos focos, sua coleta e armazenamento dos dados. Introdução – motivação, caracterização do problema
13
Participantes CPqAM FIOCRUZ Biology Computer Science WMMC UFMG, UFPE…
Jones Albuquerque, Computer Science Engineering Systems (DEINFO/UFRPE) Silvana Bocanegra, Computer Science Mathematics (DEINFO/UFRPE) Constança Barbosa, Biology (CPqAM/FIOCRUZ) Reinaldo Santos, Imaging Processing and Biology (FIOCRUZ-Rio) Biology (Hernande Pereira, GEOSERE) (Paulo Sérgio, SVVR/LNCC) WMMC UFMG, UFPE… GEOCERE Computer Science Mathematics LNCC UFRPE
14
Barra de Canoé – Carne de Vaca
15
Expedição Canoé
16
Coleta de Moluscos > Total =1838, B.G. 267, 24 positivos!
fundos da casa de “D. Linda” Até 07.ago.2007
17
No laboratório
18
Resultados Preliminares
Novembro Dezembro Janeiro Fevereiro Março D. Linda: e em 07.ago, 467!!!
19
Dados do Modelo – Carne de Vaca Croqui da Área
20
Dados para o modelo: Imagens GEOSERE
Mapa de Bacias Hidrográficas Mapa de Cobertura Vegetal Bacia do Rio Piracicaba Bacia do Rio Gualaxo do Norte Sub-bacia do Córrego Águas Claras Sub-bacia dos Córregos Boa Vista/ Paciência Bacia do Ribeirão do Carmo Bacia do Rio Gualaxo do Sul Sub-bacia do Ribeirão Cachoeira do Brumado Matas de Topo, Encosta e Galerias Áreas de Campos e Pastagens Áreas de Silvicultura Campos Rupestres de Altitudes
21
Equações Diferenciais
Equações Diferenciais: São amplamente usadas na modelagem matemáticas de inúmeros fenômenos que podem ser descritos em termos de taxa de variação, como por exemplo fenômenos físicos, químicos e biológicos Uma equação diferencial é uma relação que envolve uma função incógnita e suas derivadas ou diferencias. Equações Diferenciais Ordinárias Equações Diferenciais Parciais
22
Modelo SIR: no total de indivíduos em um instante t :
Dinâmica do Modelo:
23
Modelo Tradicional Anderson e May (1984) propuseram um modelo para transmissão de esquistossomose utilizando equações diferenciais ordinárias. Esse modelo relaciona as variações ocorridas nos principais fatores envolvidos na transmissão da doença em uma determinada escala temporal.
24
Esquistossomose e o ciclo da doença
25
Principais Fatores envolvidos na transmissão da doença
Número médio de larvas por habitante na população (worm burden) Número de ovos Número de miracídios Número de caramujos Número de cercárias Worm burden é muito usado na modelagem pois vários processos de transmissão, incluindo morbidade da doença, resposta imunológica, saída de ovos e sobrevivência do parasita podem ser relacionados com o no de parasitas no hospedeiro.
26
Ciclo de Vida do Parasita
Fonte:
27
Modelo Matemático Variação da worm burden no tempo
βi raio da infecção devido ao contato com água contaminada ci densidade de cercaria na água μi raio de mortalidade natural das larvas πi mortalidade devido ao tratamento (praziquental) Wi média de worm burden , i: vila
28
Modelo Matemático Quantidade de ovos depositados no ambiente
ei a quantidade de ovos ni humanos infectados h ovos produzidos g fezes produzidas WiΦ larvas fêmeas (1/2)
29
Modelo Matemático mi densidade de miracídias
Densidade de Miracídios mi: densidade de miracídios αej: miracidio produzido dos ovos bi: área aquática da vila i Sij: matriz de interação espacial das vilas É a soma dos miracídios qe transitam entre a vila i e as outras vilas mi densidade de miracídias αi miracidias produzidas dos ovos bi área aquática da vila i Sij matriz de interação espacial das vilas WiΦ larvas sexualmente mate (1/2) mi densidade de miracídias αi miracidias produzidas dos ovos bi área aquática da vila i Sij matriz de interação espacial das vilas WiΦ larvas sexualmente mate (1/2)
30
Modelo Matemático Densidade de caramujos infectados
Zi densidade de caramujos infectados xi densidade total de caramujos mi densidade de miracídios ρ raio de infecção ε raio de mortalidade per capita
31
Modelo Matemático Densidade de cercárias ci densidade de cercárias
Zi densidade total de caramujos ai área de habitat α raio de produção de cercária bi: área aquática da vila i Soma das cercárias que transitam entre a vila i e as outras vildas
32
Autômatos Celulares Autômatos Celulares são sistemas dinâmicos que são discretos em tempo e espaço. São definidos como a evolução dos estados das células que o compõe. O estado de uma célula indica que na posição i no tempo t a célula assume um dos estados definidos, neste caso 0 ou 1 A evolução dos estados das células é dada por uma função, assim a regra de evolução é definida como:
33
Grafos e Redes Complexas
Redes de Contato utilizadas para modelar transmissão
34
Modelos de Otimização Objetivo: Otimizar o uso de recursos no combate e prevenção da doença. Modelos de Programação Linear e Inteira:
35
Programação Linear Áreas de Aplicação
Administração da Produção Análise de Investimentos Alocação de Recursos Limitados Planejamento Regional Logística Custo de transporte Localização de rede de distribuição Problemas da área de saúde
36
Exemplo Ilustrativo As indústrias LCL Produtos Farmacêuticos Ltda. desejam produzir dois medicamentos, um analgésico e um antibiótico, que dependem de duas matérias primas A e B, que estão disponíveis em quantidades de 5 e 8 toneladas, respectivamente. Na fabricação de uma tonelada de analgésico são empregadas uma tonelada da matéria A e uma tonelada da matéria B, e na fabricação de uma tonelada de antibiótico são empregadas uma tonelada de A e quatro toneladas de B. Sabendo que cada tonelada de analgésico é vendida a $8,00 e de antibiótico a $5,00, encontre a quantidade de toneladas de medicamentos a serem produzidas pelas indústrias LCL de maneira a maximizar seu lucro. Observação: Poderia apresentar o caso em texto pré-impresso, à turma.
37
Variáveis do Modelo Hipótese Assumida Variáveis de Decisão
Quantidade Produzida = Quantidade Vendida Variáveis de Decisão x1 – Quantidade de Toneladas de Analgésico a ser produzida. x2 – Quantidade de Toneladas de Antibiótico a ser produzida.
38
Formulação Matemática
2 1 5 8 x Max + Função-Objetivo – Maximizar o Lucro Restrições de Matéria Prima Restrições de não negatividade 5 1 2 + x 8 4 1 2 + x ; 2 1 x
39
Exemplo: Alocação de Postos de Atendimento Médico
9 10 7 3 1 2 4 6 5 8 11 12 13 14 15 16 17 18 19 20 Alocação de postos de atendimento médico de emergência (AME) - 20 distritos - 10 locações candidatas ProfFernandoGomide DCA-FEEC-Unicamp
40
Definindo variáveis e restrições
ProfFernandoGomide DCA-FEEC-Unicamp
41
Formulação Matemática
ProfFernandoGomide DCA-FEEC-Unicamp
42
Modelos de Otimização Otimização Multi-objetivo
Soluções que representam um compromisso entre todos os objetivos. Técnica de Solução: Algoritmo Evolucionários –trabalha com uma população de soluções que vai evoluindo até um determinado critério de convergência ou parada.
43
Trabalhos em andamento
Disciplinas de graduação, modelos computacionais, capital humano, área de modelagem –computacional na região; Adequar de modelos estudados a esquistossomose; Incorporar dados coletados ao modelo; Desenvolvimento de um sistema gerenciador de conteúdo para epidemiologia
Apresentações semelhantes
© 2024 SlidePlayer.com.br Inc.
All rights reserved.