Iniciativa isola.ai: uma ação colaborativa para o monitoramento do isolamento social

Iniciativa isola.ai: uma ação colaborativa para o monitoramento do isolamento social

Por Ivanovitch Silva, Luciana Lima, Gisliany Alves, Marcel Ribeiro-Dantas, Breno Santos, Iago Richard Rodrigues, Maicon Herverton Lino Ferreira da Silva Barros, Kayo Henrique de Carvalho Monteiro, Guto Leoni Santos, Theo Lynn, Vanderson Sampaio, Patricia Takako Endo

A pandemia provocada pela COVID-19 é caracterizada pela incerteza em múltiplas dimensões, como a forma de transmissão e aspectos relacionados às medidas de mitigação não farmacêuticas, como a prática do distanciamento social. A redução das interações sociais por meio do fechamento de estabelecimentos como escolas e setores econômicos representa um aspecto central no contexto da pandemia, demandando aos gestores públicos um monitoramento contínuo sobre o nível de mobilidade da população.

Cientes dessa e tendo em vista a disponibilidade de dados que permitem mensurar a evolução do distanciamento social em diferentes níveis de granularidade, nasceu o isola.ai – Monitoramento do isolamento social com base em dados de localização de dispositivos móveis no Brasil e na América Latina.

Norteados pelo princípio de oferecer mais do que gráficos, o principal objetivo do isola.ai é buscar soluções interdisciplinares para a pandemia de COVID-19 utilizando técnicas de ciência dos dados e inteligência artificial para o tratamento e a análise de informações relacionadas ao distanciamento social. Formado por uma equipe multidisciplinar composta por 12 pesquisadores, a iniciativa volta-se para a produção de conhecimento científico, e também de instrumentos analíticos e de monitoramento da circulação de pessoas para gestores públicos de diferentes esferas.

Uma frase da newsletter do Data Hackers — a maior comunidade de Ciência dos Dados do Brasil — resume bem a jornada do isola.ai e o compromisso que os pesquisadores assumiram desde o princípio:

“(…) na área de dados não tem sido diferente, vemos pessoas se unindo para facilitar o acesso a dados abertos, competições de machine learning [aprendizado de máquina] com o foco em soluções para a crise do COVID-19 (…). Sabemos que toda iniciativa é válida, principalmente se o objetivo é ajudar, mas nos sentimos na obrigação de dar uma dica para toda a comunidade antes de sair fazendo dashboards: Estude epidemiologia!”. (Data Hackers, 2020).

Nesse sentido, sair do foco estrito da ciência de dados para uma análise do fenômeno aliando outros saberes foi o marco norteador para a isola.ai. Desde então, a iniciativa tem pesquisado sobre tendência de isolamento social face à pandemia da COVID-19, utilizando três bases de dados:

a) Google (Google Community Mobility Reports (GCMR)): dados espaço-temporais diários anônimos, baseados nas tendências de mobilidade em seis categorias de atividades (por exemplo, recreação, supermercado e farmácia, parques, trânsito, locais de trabalho e residencial), disponíveis a nível nacional e estadual.

Para sumarizar as tendências de mobilidade das seis categorias de atividades da Google em uma única métrica, o isola.ai criou um indicador de circulação com base na área de um gráfico de radar. Cada triângulo que compõe o hexágono no gráfico abaixo forma uma área que pode ser calculada pela lei dos senos. O indicador de circulação é então obtido pela razão entre o somatório das áreas dos seis triângulos no período analisado e o somatório das áreas dos seis triângulos no período de 3 de janeiro a 6 de fevereiro de 2020 (linha de base), anterior à chegada da pandemia por COVID-19 na América do Sul. Tendo como referência à linha de base, valores do indicador menores que um indicam menor nível de circulação de pessoas; iguais a um, mesmo nível de circulação de pessoas; e maiores que um, maior nível de circulação de pessoas.

Indicador de Circulação de Pessoas no Brasil (15 de maio de 2020)

gráfico de losangos baseado nos dados do google

Fonte dos dados básicos: COVID-19 Community Mobility Reports, Google.

b) Apple (Mobility Trends Reports (MTR)): os dados também são espaço-temporais diários anônimos. Com base em solicitações por rotas de viagens de usuários do aplicativo Apple Maps, o MTR reúne dados sobre a variação do deslocamento de pessoas dirigindo, caminhando ou utilizando transporte público referente à 63 países e algumas cidades. Os dados disponibilizados no MTR se referem a data base de 13 de janeiro de 2020.

c) Startup InLoco: são dados obtidos a partir de aplicativos baixados voluntariamente por usuários, que permitem a coleta de dados espaço-temporais, com granularidade menor (cidades e áreas menores, como bairros), dispostos em hexágonos. Baseado nesses dados, a InLoco desenvolveu um indicador de isolamento social estimado a partir do movimento dos usuários com base na localização de seus telefones celulares: quanto menor o movimento, maior o isolamento social.

Uma vez que se dispõem das coordenadas geográficas de cada um dos pontos dos hexágonos, é possível reagrupar os dados por bairros. Por exemplo, a figura abaixo apresenta a distribuição do Índice de Isolamento Social por hexágonos da InLoco, na cidade de Natal, no Rio Grande do Norte. Os pontos que se encontram fora dos limites de um bairro ou sobre alguma fronteira são classificados como pertencentes ao bairro mais próximo.

Índice de Isolamento Social na Cidade de Natal (22 de maio de 2020)

Fonte dos dados básicos: In Loco.

Durante os seus quase quatro meses de existência, a iniciativa isola.ai publicou notas técnicas e artigos científicos e promoveu um diálogo com a sociedade através diversos meios: entrevistas à TV aberta, participação em seminários científicos, lives e podcasts, com destaque para a série de podcastsUtilizando tecnologias da informação no enfrentamento e na análise da COVID-19“, disponibilizada no site da Universidade de Pernambuco. As principais contribuições estão resumidas na linha do tempo apresentada na figura a seguir.  

As notas técnicas são publicadas no site do Observatório do Nordeste para a Análise Sociodemográfica da Covid-19 da Universidade Federal do Rio Grande do Norte (ONAS) e também no portal da Universidade de Pernambuco, campus Caruaru. Conforme a figura a seguir, a criação de cada nota técnica segue uma metodologia que considera cinco passos: coleta de dados, criação de um conjunto de dados espaço-temporal, estimação de um indicador de mobilidade, análise e visualização dos dados.

Metodologia para Criação das Notas Técnicas pelo isola.ai

As duas notas mais acessadas pelos usuários foram publicadas no mês de abril, no auge da pandemia. São elas:

A nota mais acessada empregou como fonte de dados as informações da Google e da InLoco, e utilizou gráficos e mapas para visualização da tendência do distanciamento social em diversos níveis de agregação: estado, mesorregião, microrregião e município. Com base nos dados da Google, a nota apresentou um gráfico de radar para ilustrar as variações para cada uma das seis categorias de locais de circulação de pessoas em 15 de fevereiro, 11 de abril e a linha de referência Google (enntre 03 de janeiro a 06 de fevereiro), conforme ilustrado na figura a seguir.

Indicador de Circulação de Pessoas no Rio Grande do Norte

Fonte dos dados básicos: COVID-19 Community Mobility Reports, Google.

Outra nota que merece destaque é a nota Desigualdades na adesão ao distanciamento social no município de Natal (RN)”, que apresentou o nível de distanciamento social para bairros da capital potiguar. Ao se trabalhar com unidades de análises de pequenas áreas como os bairros, a visualização por meio de mapas é desejável. Análises por dias da semana captam a rotina típica da cidade que apontam para o cumprimento ou descumprimento do distanciamento social, e esse aspecto também foi explorado na referida nota e que despertou grande interesse dos leitores.

Além de análises regionais do distanciamento social, o isola.ai produziu análises para países da América do Sul, como as apresentadas nas duas seguintes contribuições:

  1. Preprint: Medidas de distanciamento social e mobilidade na América do Sul durante a pandemia por COVID-19: Condições necessárias e suficientes?;
  2. Nota técnica: Tendências de circulação de pessoas segundo relatórios de movimentação da Apple para Brasil e América do Sul.

A primeira contribuição apresenta o gráfico à esquerda da figura abaixo, que ilustra a trajetória do indicador de circulação da Google entre 15 de fevereiro e 16 de maio para um grupo de 10 países da América do Sul. Já o gráfico à direita, publicado na nota técnica, apresenta a tendência de deslocamentos na modalidade ‘dirigindo’ para o Brasil em comparação à Argentina e ao Chile de 13 de janeiro a 09 de junho.

Evolução do Indicador de Circulação em Países da América do Sul (entre fevereiro e junho de 2020)

Fonte dos dados básicos: COVID-19 Community Mobility Reports, Google (gráfico à direita) e Mobility Trends Reports (MTR), Apple (gráfico à direita).

Dados sem processamento do indicador são bons para indicar se as variações são sazonais (efeitos dos dias da semana), porém, nesse caso optou-se pela visualização da tendência do indicador de circulação suavizada por meio da técnica estatística Season-Trend decomposition using LOESS. A tendência de redução na mobilidade começou aproximadamente a partir da segunda semana de março, quando boa parte dos países analisados anunciaram as primeiras medidas de distanciamento social.

A figura abaixo apresenta dois gráficos mostrando a variação média da mobilidade na América do Sul (gráfico à esquerda) e no Brasil (gráfico à direita), no período de 15 de fevereiro a 16 de maio em relação à linha de base (3 de janeiro a 6 de fevereiro de 2020). Ambos os gráficos também foram apresentados no artigo Medidas de distanciamento social e mobilidade na América do Sul durante a pandemia por COVID-19: Condições necessárias e suficientes?.

Variação Média da Mobilidade na América do Sul e no Brasil (entre 15 de fevereiro e 16 de maio de 2020)

Fonte dos dados básicos: COVID-19 Community Mobility Reports, Google.

Considerando os locais que pressupõem a saída dos indivíduos de suas residências, de um modo geral, para supermercados e farmácias predominaram cores mais escuras, indicando maior circulação dos indivíduos nessas localidades. O mesmo ocorreu no caso dos locais de trabalho, porém em menor escala.

No Brasil, o gráfico mostra predomínio de cores mais escuras em residências, locais de trabalho, supermercados e farmácias. Nosso país adotou medidas pontuais de lockdown somente no terceiro mês pós-pandemia, apresentando o maior nível de circulação de pessoas durante praticamente todo o período analisado na nota. O quesito relacionado às compras e recreação, que incluem o funcionamento de shoppings centers, é o que apresenta maior predomínio de cores claras no mapa, um indício de menor circulação. Essa tendência é compatível com as diretrizes de boa parte dos decretos estaduais do Brasil que regulamentaram o encerramento de atividades nesses espaços, sobretudo nos dois primeiros meses da pandemia.

Todas essas ações são resultado do esforço colaborativo da equipe e parceiros do isola.ai. Quando saiu o primeiro relatório de mobilidade da Google, no início de março, alguns pesquisadores que atualmente integram a equipe do isola.ai começaram a explorar essas informações individualmente ou em pequenos grupos. Vendo o potencial que essas informações poderiam oferecer para entender e monitorar o distanciamento social no Brasil, esses pesquisadores aliaram forças e o resultado foi a produção de um importante conjunto de pesquisas e outras produções de disseminação do conhecimento, não apenas relativas à computação como também de diferentes áreas.

Por se tratar de um esforço de pesquisadores vinculados em sua maioria à instituições públicas de ensino superior, o material produzido pelo isola.ai pode ser uma importante base para o desenvolvimento de projetos de ensino, pesquisa e extensão sobretudo nas áreas de engenharia elétrica, de computação e também da demografia, tendo em vista os vínculos institucionais dos docentes do projeto que atuam no Brasil. Ademais, por meio da forte internacionalização do projeto, pode ocorrer o intercâmbio de pesquisadores e alunos do Brasil e das instituições estrangeiras parceiras do isola.ai, favorecendo de maneira indireta os programas de pós-graduação envolvidos na iniciativa e contribuindo para a formação de pesquisadores de alta qualidade.

Embora estejamos diante de um novo normal, e portanto de um mundo ainda desconhecido, a expectativa de todo o grupo é que o distanciamento social seja cumprido de maneira efetiva para que o número de casos da COVID-19 alcance ritmo de declínio e a população esteja em uma condição melhor de segurança.

Enquanto isso não acontece, seguimos fiéis ao compromisso de levar informação de qualidade ao público geral e de municiar autoridades públicas com ferramentas e análises para gestão da crise. Afinal, mais do que produções científicas, nossa meta é levar a todos um pouco do conhecimento e da excelência de nossas universidades públicas.

 


Confira as principais contribuições do isola.ai:

Para acompanhar as atualizações, siga a iniciativa isola.ai no Twitter e no Instagram: @isola_ai

 


Referência:

Data Hackers. Chega de Dashboards do COVID-19. Que tal se aprofundar em estudos de epidemiologia e ajudar ainda mais no combate à pandemia? Disponível em: <https://datahackers.com.br/>. Acesso em: 06 de agosto de 2020.

 

Sobre os Autores

Ivanovitch Silva é professor adjunto do Instituto Metrópole Digital da Universidade Federal do Rio Grande do Norte (IMD/UFRN) e vice-coordenador do Programa de Pós-Graduação em Engenharia Elétrica e de Computação (PPgEEC/UFRN).
 
 
 
Luciana Lima é professora adjunta do Departamento de Demografia e Ciências Atuariais da Universidade Federal do Rio Grande do Norte (DDCA/UFRN) e vice-coordenadora do Programa de Pós-graduação em Demografia (PPgDEM/UFRN).
 
 
Gisliany Alves é graduada em Ciências e Tecnologia e em Engenharia de Computação pela Universidade Federal do Rio Grande do Norte (UFRN) e mestre em Engenharia Elétrica e de Computação (UFRN).
 
 
 
Marcel Ribeiro-Dantas é pesquisador no Institut Curie (UMR168), Mestre em Bioinformática (UFRN) e doutorando na L’école doctorale informatique, télécommunications et électronique (EDITE) da Sorbonne Université (Paris).
 
 
Breno Santana Santos é doutorando em Engenharia Elétrica e de Computação na Universidade Federal do Rio Grande do Norte (PPgEEC/UFRN), mestre em Ciência da Computação pelo Programa de Pós-Graduação em Ciência da Computação (PROCC/UFS) e graduado em Sistemas de Informação pela Universidade Federal de Sergipe (UFS).
 
 
Iago Richard Rodrigues é doutorando em Ciência da Computação pela Universidade Federal de Pernambuco (UFPE) e mestre em Engenharia da Computação pela Universidade de Pernambuco (PPGEC/UPE).
 
 
 
Maicon Herverton Lino Ferreira da Silva Barros é doutorando em Engenharia de Computação da Universidade de Pernambuco (PPGEC/UPE) e mestre em Informática Aplicada e Graduado em Sistemas de Informação pela Universidade Federal Rural de Pernambuco (UFRPE).
 
Kayo Henrique de Carvalho Monteiro é mestrando em Engenharia da Computação pela Universidade de Pernambuco (UPE) e graduado em Sistemas de Informação pela Universidade de Pernambuco (UPE). 
 
 
 
Guto Leoni Santos é doutorando e mestre em Ciência da Computação pela Universidade Federal de Pernambuco (CIn/UFPE) e graduado em Sistemas de Informação pela Universidade de Pernambuco (UPE).
 
 
 
Theo Lynn é professor da Dublin City University, Irlanda.
 
 
 
 
 
 
 
Vanderson de Souza Sampaio é pesquisador da Fundação de Medicina Tropical  Dr. Heitor Vieira Dourado (FMT-HVD), professor do Programa de Pós-Graduação em Medicina Tropical (UEA) e no Programa de Pós-Graduação em Ciências da Saúde (UFAM) e biólogo na Fundação de Vigilância em Saúde do Amazonas (FVS-AM).
 
 
Patricia Takako Endo é professora adjunta da Universidade de Pernambuco (UPE) – Campus Caruaru, e membro permanente da pós-graduação em Engenharia de Computação da Escola Politécnica de Pernambuco (POLI/UPE), pesquisadora do Grupo de Pesquisa em Redes e Telecomunicações (GPRT) da UFPE, pesquisadora líder do dotLAB Brazil e pesquisadora colaboradora na Dublin City University (DCU), Irlanda.

 


Como citar este artigo:

SILVA, I.; LIMA, L.; ALVES, G.; RIBEIRO-DANTAS, M.; SANTOS, B.; RODRIGUES, I. R.; BARROS, M. H. L. F. S.; MONTEIRO, K. H. C.; SANTOS, G. L.; LYNN, T.; SAMPAIO, V.; ENDO, P. T. Iniciativa isola.ai: uma ação colaborativa para o monitoramento do isolamento social. SBC Horizontes, ago. 2020. ISSN 2175-9235. Disponível em: <http://horizontes.sbc.org.br/index.php/2020/08/iniciativa-isolaai-uma-acao-colaborativa-para-o-monitoramento-do-isolamento-social/>. Acesso em: DD mês. AAAA.

 

Compartilhe e curta: