Aproveitando modelos universais e de aprendizado por transferência para previsão de influenza na Tailândia

Por que previsões da gripe importam para todos

A influenza pode parecer uma doença de inverno rotineira, mas ainda leva milhões às clínicas e hospitais todos os anos e pode ser fatal, especialmente quando os sistemas de saúde são surpreendidos. Conseguir prever quando e onde a gripe vai disparar permite que médicos e autoridades de saúde estocem vacinas e medicamentos, preparem leitos hospitalares e alertem comunidades com antecedência. Este estudo foca na Tailândia, mas as ideias por trás dele — usar inteligência artificial moderna para fazer previsões melhores mesmo onde os dados são escassos — podem ajudar muitos países a se prepararem para a próxima temporada severa de gripe.

Gripe, clima e dados fragmentados

A carga de influenza na Tailândia varia amplamente entre as províncias, e pesquisas anteriores mostraram que o clima local — como temperatura, umidade, chuva e poluição do ar — pode influenciar quando os surtos ocorrem. Infelizmente, medições detalhadas do clima e da qualidade do ar não estão disponíveis em todos os lugares. Das 76 províncias da Tailândia, apenas 22 têm tanto contagens de casos de gripe quanto dados ambientais de apoio; as demais dispõem apenas dos números de casos. Ferramentas estatísticas tradicionais, frequentemente ajustadas separadamente para cada local, têm dificuldade em lidar com esse mosaico. Elas podem perder padrões incomuns e demoram a se atualizar quando as condições mudam, limitando sua utilidade para alertas antecipados em nível nacional.

Construindo um modelo único para muitos locais

Os pesquisadores propuseram construir um único modelo “universal” de computador que pudesse aprender com todas as 22 províncias ricas em dados ao mesmo tempo. Eles usaram uma rede neural artificial — um tipo de aprendizado profundo que imita de forma aproximada como células cerebrais processam informação — para prever a incidência mensal de gripe de 2010 a 2019. Antes de treinar a rede, utilizaram um método de aprendizado de máquina chamado Random Forest para peneirar 27 entradas candidatas, incluindo valores atuais e defasados de temperatura, umidade, precipitação, vento, visibilidade, poluição do ar e níveis recentes de gripe. Essa etapa destacou quais ingredientes realmente ajudavam na previsão e permitiu aos autores eliminar variáveis menos úteis, tornando o modelo final mais rápido e menos suscetível a ruído.

O que o modelo universal aprendeu

Após testes extensivos com diferentes tamanhos de rede, um design relativamente simples — uma camada oculta com 128 unidades internas — apresentou o melhor desempenho. Curiosamente, adicionar fatores ambientais como clima e poluição do ar melhorou as previsões apenas de forma modesta na maioria das províncias e, em alguns casos, fez pouca diferença. Um sinal claro se destacou: a temperatura foi consistentemente selecionada como importante, ecoando trabalhos anteriores que ligaram temperaturas mais frias ou variações térmicas a maior atividade da gripe. Nas 22 províncias, o modelo universal capturou o fluxo geral da influenza, mas tendia a subestimar os picos mais elevados, especialmente em grandes centros urbanos como Bangkok e em províncias do norte com alta incidência.

Ensinando o modelo a ajudar regiões com poucos dados

O verdadeiro desafio foi prever a gripe nas 54 províncias restantes que não tinham dados ambientais detalhados. Nesse cenário, a equipe recorreu ao aprendizado por transferência, uma técnica em que um modelo treinado em uma tarefa é adaptado para outra relacionada. Primeiro, treinaram sua rede neural universal nas 22 províncias bem medidas. Em seguida, reconfiguraram o modelo para que pudesse operar usando apenas contagens passadas de casos de gripe como entrada. Por fim, ajustaram esse modelo adaptado de duas maneiras: uma vez usando dados de casos agregados entre todas as 54 províncias e outra vez individualmente para cada província. O ajuste por província funcionou claramente melhor, reduzindo erros de previsão e proporcionando um encaixe mais próximo às tendências observadas do que tanto a abordagem agregada quanto um modelo de referência simples que dependia apenas de níveis locais passados de gripe.

O que isso significa para o planejamento futuro contra a gripe

Para um leitor leigo, a conclusão é que um único modelo de IA, cuidadosamente projetado, pode aprender padrões amplos de como a gripe se comporta em uma parte do país e então ser reutilizado para melhorar previsões em outros lugares, mesmo onde os dados de apoio são escassos. Na Tailândia, a melhor versão dessa abordagem — uma rede neural de tamanho moderado ajustada para cada província — previu as tendências locais de gripe com mais precisão do que métodos padrão. Embora o modelo ainda subestime o tamanho de surtos extremos e não inclua, por enquanto, fatores sociais ou econômicos, ele oferece um roteiro prático para países de baixa e média renda: comece onde os dados são ricos, transfira esse conhecimento para áreas carentes de dados e use essas previsões para orientar vacinas, pessoal e outras defesas antes da próxima onda atingir.

Citação: Lueangwitchajaroen, P., Anupong, S., Winalai, C. et al. Leveraging universal and transfer learning models for influenza prediction in Thailand. Sci Rep 16, 6668 (2026). https://doi.org/10.1038/s41598-026-37855-7

Palavras-chave: previsão de influenza, aprendizado por transferência, aprendizado profundo, previsão de epidemias, saúde pública na Tailândia