Sistema inteligente de predição espaciotemporal para avaliação de risco no combate ao SARS-CoV-2 em Portugal Continental

• Autor(a) principal: Silva, Melissa Miriam David
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10451/51880
• topic: SARS-CoV-2; Análise espaciotemporal; Mobilidade; Predição; SIG; Modelação territorial; Ordenamento do Território

A COVID-19 foi declarada pela Organização Mundial de Saúde (OMS) como doença pandémica a 12 de março de 2020. Atualmente a doença causada pelo SARS-CoV-2 continua a constituir um dos maiores problemas de saúde pública a nível mundial. Apesar de terem sido desenvolvidas vacinas para o SARS-CoV-2, estas ainda não garantem imunidade total à doença. Este trabalho de investigação tem como principal objetivo auxiliar na tomada de decisão para combate ao SARS-CoV-2. Deste modo, é fundamental a aplicação de métodos que possibilitem um melhor conhecimento sobre os processos de difusão do vírus não só a nível espacial, como também a nível espaciotemporal. Neste sentido, procurou-se compreender a distribuição espacial da patologia COVID-19 em Portugal Continental a nível municipal e entender de que modo a mobilidade humana influencia os processos de difusão do vírus; identificar os padrões espaciotemporais de propagação; efetuar uma análise de risco através da determinação da probabilidade de densidade de casos de infetados por SARS-CoV-2 por setor de atividade; e determinar o possível comportamento futuro da incidência de casos. Assim, verificou-se que a maioria dos hotspots dos casos de infetados por SARS-CoV-2 ocorrem nos municípios das Áreas Metropolitanas (AMs). No entanto, após a aplicação de medidas de restrição à mobilidade estes ocorrem em municípios do interior. No que diz respeito à análise espaciotemporal, esta identificou a maioria dos municípios como oscillating hotspots, o que corrobora a ideia apresentada anteriormente. A função utilizada para definir a probabilidade de densidade de casos por setor de atividade apresentou um bom ajuste. O modelo de predição do número de casos apresentou um erro reduzido, e prevê que o número de casos continue a oscilar.