Dengue in Brasile: Sveliamo i Segreti con i Big Data Geospaziali!

Ragazzi, parliamo di Dengue. Una brutta bestia, vero? Questa malattia virale, trasmessa dalle zanzare, sta correndo come un treno in tutto il mondo, e il Brasile, purtroppo, è uno dei Paesi più colpiti. Pensate che nel 2023 hanno avuto oltre 3 milioni di casi, e nei primi due mesi del 2024 già superavano il milione! Numeri da capogiro che mettono a dura prova la salute pubblica.

Il problema è che capire come si diffonde la Dengue non è affatto semplice. La sua trasmissione dipende da un sacco di cose: dalle dinamiche delle popolazioni di zanzare (le famigerate Aedes aegypti e Aedes albopictus), dalle interazioni tra noi umani, le zanzare stesse e il virus, e tutto questo è influenzato pesantemente da fattori ambientali come il clima.

La Sfida: Trovare i Dati Giusti

Ecco, qui casca l’asino. Calcolare questi indicatori ambientali su larga scala è un vero rompicapo. Le stazioni meteo, che ci danno dati preziosi, sono poche e sparse, quindi la loro copertura è limitata. E poi c’è il lavoraccio di scaricare ed elaborare dati locali, come le immagini satellitari. Immaginate di doverlo fare per tutto il Brasile, un Paese enorme, e per anni e anni! Diventa quasi impossibile creare quei dataset completi e accessibili che servirebbero come il pane alle autorità sanitarie per capire i meccanismi della Dengue e migliorare i modelli di previsione del rischio. Senza un vaccino davvero efficace, prevedere dove e quando colpirà la Dengue è fondamentale per prevenirla e controllarla.

Esistono già iniziative lodevoli, come la piattaforma Info Dengue in Brasile, che usa dati epidemiologici, climatici e persino dai social network per monitorare la situazione a livello municipale. Ma mancava ancora un metodo efficiente per calcolare tutti i fattori ambientali chiave e un dataset ambientale completo, specifico per la Dengue, su scala nazionale.

La Svolta: Big Data Geospaziali e Cloud Computing

Ed è qui che entriamo in gioco noi, o meglio, la tecnologia! Negli ultimi anni si sente parlare sempre più di Big Data Geospaziali. Si tratta di enormi quantità di dati che contengono informazioni sulla posizione. Questi dati sono una miniera d’oro per un sacco di campi: scienza del clima, gestione dei disastri, salute pubblica, agricoltura di precisione… Ma gestire questi dati è complesso: arrivano da fonti diverse, hanno scale diverse, sono dinamici, eterogenei.

Fortunatamente, abbiamo strumenti potentissimi come il cloud computing. Piattaforme come Google Earth Engine (GEE), PIE Engine o Amazon Web Services ci permettono di elaborare quantità mostruose di dati senza dover scaricare tutto sui nostri computer e senza impazzire. GEE, ad esempio, ospita petabyte di immagini satellitari globali (MODIS, Landsat, Sentinel) e dataset già pronti su clima, copertura del suolo, popolazione, ecc. E non solo: offre algoritmi per analizzare questi dati in parallelo, velocizzando enormemente il lavoro. GEE è già stato usato per studiare altre malattie come la malaria e Zika, ma per la Dengue c’era ancora molto da fare.

Il Nostro Contributo: Un Dataset Spaziotemporale per il Brasile

Quindi, cosa abbiamo fatto? Abbiamo sviluppato un framework basato proprio su questi big data geospaziali e sul cloud computing (usando GEE) per creare un dataset completo dei fattori che influenzano la Dengue in Brasile. E non un dataset qualsiasi! Copre ben 558 microregioni brasiliane (che sono aggregazioni di comuni, un livello spaziale molto usato per queste analisi) per un periodo lunghissimo: 1252 settimane epidemiologiche, dal 2001 al 2024.

Abbiamo incluso 12 fattori di rischio chiave, quelli che la ricerca ha identificato come importanti:

• Precipitazioni totali settimanali
• Numero di giorni di pioggia a settimana
• Temperature massime, medie e minime
• Umidità relativa media
• Pressione atmosferica media
• Velocità media del vento
• Indice di Gravità della Siccità di Palmer (PDSI)
• Indice di Vegetazione Normalizzato (NDVI) medio
• Prodotto Interno Lordo (PIL) – come indicatore socio-economico
• Area superficiale edificata – come indicatore di urbanizzazione

Una cosa fighissima che abbiamo fatto è stata applicare una ponderazione basata sulla popolazione. Che significa? Siccome le zanzare della Dengue amano stare vicino a noi umani e non volano molto lontano, la trasmissione avviene principalmente dove c’è gente. Quindi, abbiamo “pesato” i dati ambientali in base alla distribuzione della popolazione (usando i dati del progetto WorldPop). In questo modo, i valori del nostro dataset riflettono meglio le condizioni ambientali nelle aree abitate, quelle che contano davvero per la trasmissione della Dengue. Questo aiuta un sacco quando poi si vogliono collegare questi fattori ai casi di malattia o creare mappe di rischio.

Come Abbiamo Raccolto i Dati (in breve)

Per mettere insieme questo tesoro di informazioni, abbiamo attinto a diverse fonti disponibili su GEE:

• Dati climatici (temperatura, precipitazioni, umidità, pressione, vento): Dal dataset ERA5-Land, una rianalisi ad alta risoluzione derivata dal Centro Europeo per le Previsioni Meteorologiche a Medio Termine (ECMWF).
• Siccità (PDSI): Dal dataset TerraClimate.
• Vegetazione (NDVI): Dai dati satellitari MODIS.
• PIL: Da dati basati sulle luci notturne calibrate.
• Urbanizzazione (area edificata): Dal dataset GHSL (Global Human Settlement Layer).
• Popolazione: Dal progetto WorldPop.

Abbiamo processato tutti questi dati per ottenere valori medi o totali per ogni microregione e per ogni settimana epidemiologica (o mese/anno per alcuni indici come PDSI, PIL, area edificata, che poi abbiamo adattato).

Ma Questi Dati Sono Affidabili? La Validazione

Certo, usare dati da modelli e rianalisi è fantastico per la copertura spaziale, ma è fondamentale verificare se corrispondono alla realtà. Abbiamo confrontato i nostri dati climatici settimanali (ponderati per la popolazione) del 2019 con i dati giornalieri registrati da oltre 200 stazioni meteorologiche convenzionali brasiliane (dell’INMET), scegliendo quelle situate in aree densamente popolate per rendere il confronto sensato.

I risultati? Molto buoni! Abbiamo trovato correlazioni lineari forti tra i nostri dati e quelli delle stazioni meteo per variabili come precipitazioni, umidità relativa, temperature, pressione atmosferica e persino velocità del vento. Ad esempio, la correlazione media (coefficiente di Pearson) per le precipitazioni settimanali è stata di 0.61, per l’umidità relativa 0.78, per le temperature massime e minime 0.66 e 0.71, e per la pressione atmosferica 0.83. Questo ci dice che, nonostante la ponderazione per la popolazione e l’uso di dati di rianalisi, il nostro dataset è affidabile per studiare la Dengue su scala microregionale.

A Cosa Serve Tutto Questo? Applicazioni Pratiche

Questo dataset è una risorsa preziosa! Può essere usato da ricercatori e dipartimenti di sanità pubblica per:

• Migliorare i modelli di previsione del rischio Dengue: Avere dati ambientali dettagliati e spazialmente espliciti è cruciale.
• Identificare i fattori scatenanti (driver) delle epidemie: Capire quali condizioni ambientali favoriscono la diffusione del virus in diverse aree del Brasile.
• Sviluppare strategie di prevenzione mirate: Intervenire a livello di microregione in modo più efficace.
• Studiare altre malattie trasmesse da vettori: Come la Chikungunya e la Febbre Gialla, che condividono gli stessi vettori zanzara.

Inoltre, rendendo pubblici sia il dataset (disponibile gratuitamente sul repository Zenodo) sia la metodologia e il codice usati per crearlo, speriamo di facilitare il lavoro di altri ricercatori e ridurre la duplicazione degli sforzi.

Qualche Cautela (Limitazioni)

Ovviamente, nessun dataset è perfetto. È giusto segnalare alcune limitazioni:

• Dati di popolazione: Per il periodo 2021-2024 abbiamo dovuto usare i dati del 2020 perché quelli più recenti non erano ancora disponibili. Aggiorneremo il dataset appena possibile.
• Risoluzione: La risoluzione dei dati di partenza potrebbe limitare l’uso del dataset per analisi a scale molto piccole (es. singolo comune). Per quello servirebbero dati ancora più dettagliati.
• Accuratezza dei dati climatici: I dati di rianalisi possono avere bias sistematici, specialmente in aree con poche osservazioni dirette.
• Risoluzione temporale di alcuni fattori: PIL e area edificata sono disponibili su base annuale, quindi non catturano cambiamenti settimanali nell’economia o nell’urbanizzazione.

Nonostante queste note, siamo convinti che questo dataset rappresenti un passo avanti significativo. Mettere insieme la potenza dei big data geospaziali e del cloud computing ci ha permesso di creare uno strumento potente per affrontare una sfida sanitaria enorme come la Dengue in Brasile. Speriamo davvero che possa fare la differenza!

Fonte: Springer