Forecasting Dengue Outbreaks with Machine Learning: A Case Study in Porto Alegre
Resumo
Dengue remains a critical global health concern intensified by climatic changes. Despite advances, few studies validate machine learning models in subtropical regions or handle data imbalance. This work compares Decision Tree, Random Forest, SVM, and XGBoost to predict dengue case acceleration in Porto Alegre, Brazil (2020–2024). Using time-lagged climatic features and Balanced Accuracy optimization, XGBoost achieved the best performance (0.67), identifying 10–15-day averages of dew point and humidity as key predictors. The results highlight the value of imbalance-aware modeling for reliable early warning systems in public health.Referências
Bertoldo, S. O. L., Moreira Jorcelino, T., Filho, L. A. d. S., Viana, H. T. d. O., and Almeida, F. C. S. d. (2025). Modelo de plano integrado de vigilância em saúde aplicado à dengue. Gestão & Cuidado em Saúde, 3(1):e13893. Acesso em: 26 ago. 2025.
de Oliveira, F. S., Santos, D. E., Bohm, B. C., and Santana, B. S. (2025). Framework integrado para análise de dados climáticos e epidemiológicos: Potencial para monitoramento. In Workshop de Computação Aplicada à Gestão do Meio Ambiente e Recursos Naturais (WCAMA), pages 340–343. SBC.
De Sousa Azevedo, M. L. and Araújo, M. A. P. (2023). Consequências de impactos ambientais na saúde humana: uma análise estatística dos casos de dengue no estado do rio de janeiro. CONTRIBUCIONES A LAS CIENCIAS SOCIALES, 16(10):18835–18846.
Ong, S. Q., Isawasan, P., Ngesom, A. M. M., Shahar, H., Lasim, A. m. M., and Nair, G. (2023). Predicting dengue transmission rates by comparing different machine learning models with vector indices and meteorological data. Scientific reports, 13(1):19129.
Sarwar, M. T. and Al Mamun, M. (2022). Prediction of dengue using machine learning algorithms: Case study dhaka. In 2022 4th International Conference on Electrical, Computer & Telecommunication Engineering (ICECTE), pages 1–6. IEEE.
de Oliveira, F. S., Santos, D. E., Bohm, B. C., and Santana, B. S. (2025). Framework integrado para análise de dados climáticos e epidemiológicos: Potencial para monitoramento. In Workshop de Computação Aplicada à Gestão do Meio Ambiente e Recursos Naturais (WCAMA), pages 340–343. SBC.
De Sousa Azevedo, M. L. and Araújo, M. A. P. (2023). Consequências de impactos ambientais na saúde humana: uma análise estatística dos casos de dengue no estado do rio de janeiro. CONTRIBUCIONES A LAS CIENCIAS SOCIALES, 16(10):18835–18846.
Ong, S. Q., Isawasan, P., Ngesom, A. M. M., Shahar, H., Lasim, A. m. M., and Nair, G. (2023). Predicting dengue transmission rates by comparing different machine learning models with vector indices and meteorological data. Scientific reports, 13(1):19129.
Sarwar, M. T. and Al Mamun, M. (2022). Prediction of dengue using machine learning algorithms: Case study dhaka. In 2022 4th International Conference on Electrical, Computer & Telecommunication Engineering (ICECTE), pages 1–6. IEEE.
Publicado
12/11/2025
Como Citar
OLIVEIRA, Franklin Sales de; SANTOS, Dulcinéia Esteves; BRUHN, Fábio Raphael Pascoti; BOHM, Bianca Conrad; SANTANA, Brenda Salenave.
Forecasting Dengue Outbreaks with Machine Learning: A Case Study in Porto Alegre. 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. 368-371.
DOI: https://doi.org/10.5753/eramiars.2025.16737.
