Previsão de Surtos de Dengue em Nível de Unidade de Desenvolvimento Humano (UDH) no Brasil: Uma Abordagem Integrada e Explicável
Resumo
Este trabalho visa prever surtos de dengue em nível de Unidade de Desenvolvimento Humano (UDH) no Brasil, integrando dados epidemiológicos, climáticos e de vulnerabilidade social. Foram combinados casos do SINAN, informações climáticas do BDMEP/INMET e indicadores do Atlas de Vulnerabilidade Social. O painel cobre 240 UDHs de Porto Alegre e Rio de Janeiro entre 2021 e 2025, totalizando mais de 4.000 registros mensais. A etapa atual envolveu o pré-processamento e a integração das bases, resultando em um dataset robusto que será utilizado para o desenvolvimento de modelos preditivos com aprendizado de máquina para modelar séries temporais e predizer surtos de dengue, com interpretabilidade por SHAP.Referências
Kon, F. et al. (2022). Data integration and machine learning approaches for improving dengue outbreak forecasts in brazil. In Workshop AI4Health.
Kraemer, M. U. G., Pigott, D. M., and Brady, O. J. (2023). The global dengue dataset: modelled historical climate-driven dengue risk. Nature Communications, 14:2503.
Li, J., Arsevska, E., and Fournié, G. (2022). Implementation of a data pipeline for near real-time disease surveillance dashboards. International Journal of Environmental Research and Public Health, 19(24):16468.
Nsoesie, E. O., Kraemer, M. U. G., and Golding, N. (2023). A data-driven approach to building dashboards for infectious disease forecasts. Epidemics, 41:100618.
Shepard, D. S., Undurraga, E. A., and Halasa, Y. A. (2023). Economic and disease burden of dengue in southeast asia. PLoS Neglected Tropical Diseases, 17(2):e0010111.
Siraj, A. S., Santos-Vega, M., and Bouma, M. J. (2022). Temperature modulates dengue virus epidemic growth rates through its effect on reproduction number. Scientific Reports, 12:9590.
Wilder-Smith, A., Scott, T. W., Rothman, A. L., and Stufkens, L. (2022). Epidemic arboviral diseases: priorities for research and public health. The Lancet Infectious Diseases, 22(9):e254–e262.
Kraemer, M. U. G., Pigott, D. M., and Brady, O. J. (2023). The global dengue dataset: modelled historical climate-driven dengue risk. Nature Communications, 14:2503.
Li, J., Arsevska, E., and Fournié, G. (2022). Implementation of a data pipeline for near real-time disease surveillance dashboards. International Journal of Environmental Research and Public Health, 19(24):16468.
Nsoesie, E. O., Kraemer, M. U. G., and Golding, N. (2023). A data-driven approach to building dashboards for infectious disease forecasts. Epidemics, 41:100618.
Shepard, D. S., Undurraga, E. A., and Halasa, Y. A. (2023). Economic and disease burden of dengue in southeast asia. PLoS Neglected Tropical Diseases, 17(2):e0010111.
Siraj, A. S., Santos-Vega, M., and Bouma, M. J. (2022). Temperature modulates dengue virus epidemic growth rates through its effect on reproduction number. Scientific Reports, 12:9590.
Wilder-Smith, A., Scott, T. W., Rothman, A. L., and Stufkens, L. (2022). Epidemic arboviral diseases: priorities for research and public health. The Lancet Infectious Diseases, 22(9):e254–e262.
Publicado
12/11/2025
Como Citar
BARNABÉ, Silmara; ROSA, Maximus Borges da; FREITAS, Carla Maria Dal Sasso; CORDEIRO, Weverton; RECAMONDE-MENDOZA, Mariana.
Previsão de Surtos de Dengue em Nível de Unidade de Desenvolvimento Humano (UDH) no Brasil: Uma Abordagem Integrada e Explicável. In: ESCOLA REGIONAL DE APRENDIZADO DE MÁQUINA E INTELIGÊNCIA ARTIFICIAL DA REGIÃO SUL (ERAMIA-RS), 1. , 2025, Porto Alegre/RS.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 128-131.
DOI: https://doi.org/10.5753/eramiars.2025.16718.
