Um novo modelo híbrido para predição da distribuição de espécies de helmintíases transmitidas pelo solo (HTS) sob condições de temperatura do solo usando Random Forest e Algoritmo de Otimização por Enxame de Partículas

Por que o solo aquecido importa para infecções ocultas

Em grande parte da Nigéria, milhões de pessoas estão expostas a pequenos vermes parasitas que vivem no solo e podem prejudicar silenciosamente o crescimento de crianças e a produtividade de adultos. Essas infecções prosperam ou desaparecem dependendo de quão quente está o solo a poucos centímetros abaixo dos nossos pés. Este estudo explora como a combinação de algoritmos computacionais avançados com dados detalhados de temperatura do solo pode revelar onde esses parasitas têm maior probabilidade de se espalhar, ajudando os profissionais de saúde a direcionar recursos limitados para onde são mais necessários.

Vermes invisíveis sob nossos pés

Helmintos transmitidos pelo solo são vermes intestinais que se espalham quando fezes humanas contaminam o ambiente e pessoas entram em contato com solo infectado. Na Nigéria, três culpados principais — lombriga, tricocéfalo e ancilóstomo — continuam sendo um grande problema de saúde pública, especialmente para crianças. Seus ovos e larvas se desenvolvem no solo, e esse desenvolvimento é extremamente sensível à temperatura. Estudos globais anteriores mostraram que existe uma faixa “Goldilocks” — aproximadamente quente, mas não escaldante — onde esses parasitas prosperam. No entanto, apesar de décadas de esforços de controle, tem sido difícil identificar quais comunidades estão em maior risco, em parte porque os mapas de infecção não capturaram totalmente como as condições do solo variam pela paisagem.

Transformando o calor do solo em um mapa de risco

Para enfrentar esse desafio, os pesquisadores construíram um retrato detalhado do clima subterrâneo da Nigéria. Eles utilizaram um conjunto de dados global do solo que fornece 21 camadas diferentes descrevendo como a temperatura do solo se comporta ao longo do ano: calor médio, variações sazonais, extremos e valores mês a mês na profundidade de 0–5 cm. Essas camadas foram combinadas com dados de localização de onde infecções por vermes foram registradas no país, obtidos de um banco de dados internacional de doenças negligenciadas. Como muitos desses registros mostram apenas onde infecções foram encontradas, a equipe também gerou locais de “pseudo-ausência” cuidadosamente selecionados — lugares sem infecções conhecidas — para ensinar seus modelos a distinguir entre condições adequadas e inadequadas.

Como um modelo híbrido inteligente aprende com o terreno

No cerne do estudo está um modelo computacional híbrido que mistura duas ideias: árvores de decisão e comportamento de enxame. O motor base, conhecido como Random Forest, funciona cultivando muitas árvores ramificadas que cada uma toma uma decisão simples de sim ou não com base nas condições do solo, depois agrupando seus votos para decidir se um local provavelmente abriga os vermes. Sobre isso, a equipe adicionou Otimização por Enxame de Partículas, uma abordagem inspirada no agrupamento de pássaros ou cardumes de peixes. Nesse esquema, muitas “partículas” vagam por diferentes combinações de configurações do modelo e escolhas de características de temperatura do solo, empurrando-se mutuamente em direção a combinações que produzem previsões mais precisas.

Previsões mais nítidas com menos pistas

Ao comparar os modelos, a abordagem híbrida superou claramente tanto um Random Forest padrão quanto uma rede neural artificial mais tradicional. O Random Forest usual atingiu uma precisão de cerca de 87% e a rede neural cerca de 81%, enquanto o modelo híbrido otimizado subiu para aproximadamente 91% e mostrou desempenho mais estável. Notavelmente, o modelo guiado pelo enxame alcançou essa melhoria usando apenas cerca de metade das características de temperatura do solo disponíveis, concentrando-se em um punhado de padrões mensais e sazonais de temperatura que mais importam para a sobrevivência dos vermes. Testes estatísticos confirmaram que os ganhos não se deviam ao acaso. O mapa resultante da Nigéria revelou zonas de alta adequação distintas, especialmente nas regiões central e do middle-belt, onde o calor e a variabilidade do solo se enquadram na faixa preferida pelos parasitas.

Do código de computador às clínicas comunitárias

Para não especialistas, a mensagem principal é direta: ao ensinar computadores a ler padrões sutis de quão quente o solo fica e como esse calor muda ao longo do tempo, podemos traçar mapas muito mais claros de onde infecções por vermes têm maior probabilidade de persistir. O modelo híbrido do estudo traduz a temperatura subterrânea em um guia prático para ação, sugerindo quais distritos devem ser priorizados para campanhas de vermifugação, melhoria do saneamento e vigilância contínua. Embora desenvolvido para a Nigéria, a mesma abordagem poderia ser adaptada a outros países e outras doenças que dependem de condições ambientais, transformando mudanças invisíveis no solo e no clima em ferramentas concretas para proteger a saúde pública.

Citação: Adekunle, T.A., Ogunwande, JM.O., Ogundoyin, I.K. et al. A novel hybrid model for species distribution prediction of soil-transmitted helminthiasis (STH) under soil temperature conditions using Random Forest and Particle Swarm Optimization Algorithm. Sci Rep 16, 9594 (2026). https://doi.org/10.1038/s41598-025-31604-y

Palavras-chave: helmintos transmitidos pelo solo, modelagem da distribuição de espécies, temperatura do solo, aprendizado de máquina, Nigéria