Relações entre Clima, Vetores e Dengue no Espírito Santo: Uma Abordagem Baseada em Regressão, Correlação e Modelagem Epidemiológica

• Bernardo R. A. Silva UFMG
• Gabriel P. Oliveira UFMG
• Mirella M. Moro UFMG
• Michele A. Brandão UFMG

DOI: https://doi.org/10.5753/sbcas.2026.20311

Resumo

A doença da dengue gera impactos sociais e econômicos negativos no Brasil e no mundo. Controlar o seu principal vetor, o mosquito Aedes aegypti, e entender sua dinâmica populacional são partes fundamentais do combate à doença. Neste trabalho, integrando três fontes distintas e reais de dados, foram feitas diversas análises para verificar a relação entre variáveis meteorológicas, população de mosquitos e a incidência da dengue em diferentes municípios do Espírito Santo. Também foram desenvolvidos distintos modelos epidemiológicos para melhor entender a dinâmica dos casos dessa doença no Espírito Santo. Os resultados revelam, principalmente, maior influência da temperatura na abundância do vetor da dengue e na qualidade dos modelos epidemiológicos.

Referências

Bowman, L. R. et al. (2014). Assessing the relationship between Vector Indices and Dengue Transmission: A systematic review of the evidence. PLoS Negl. Trop. Dis., 8(5):e2848.

Codeço, C. T. et al. (2015). Surveillance of Aedes aegypti: Comparison of House index with four alternative traps. PLoS Negl. Trop. Dis., 9(2):e0003475.

Couret, J. and Benedict, M. Q. (2014). A meta-analysis of the factors influencing development rate variation in Aedes aegypti (Diptera: Culicidae). BMC Ecol., 14(3).

da Cruz Ferreira, D. A. et al. (2017). Meteorological variables and mosquito monitoring are good predictors for infestation trends of Aedes aegypti, the vector of dengue, chikungunya and zika. Parasites Vectors, 10(78).

Fiorini, S. et al. (2016). Vigilância Entomológica da Dengue, Zika e Chikungunya: Uma Solução Baseada em Redes Sociais e Dispositivos Móveis. In Procs. WIM, pages 2567–2576. SBC.

Hethcote, H. W. (2000). The Mathematics of Infectious Diseases. SIAM Rev., 42(4):599–653.

Lambrechts, L. et al. (2011). Impact of daily temperature fluctuations on dengue virus transmission by Aedes aegypti. Proc. Natl. Acad. Sci. U.S.A., 108(18):7460–7465.

Leach, C. B. et al. (2020). Linking mosquito surveillance to dengue fever through Bayesian mechanistic modeling. PLoS Negl. Trop. Dis., 14(11).

Messina, J. P. et al. (2016). Mapping global environmental suitability for zika virus. eLife, 5:e15272.

Mudele, O. et al. (2021). Modeling dengue vector population with earth observation data and a generalized linear model. Acta Trop., 215:105809.

Otero, M. et al. (2006). A stochastic population dynamics model for Aedes aegypti: Formulation and application to a city with temperate climate. Bull. Math. Biol., 68(8):1945–1974.

Pandey, A. et al. (2013). Comparing vector–host and SIR models for dengue transmission. Math. Biosci., 246(2):252–259.

Sant’Anna, M. W. et al. (2025). Climate Change and Arbovirus: A Review and Bibliometric Analysis. Climate, 13(2):35.

Schober, P. et al. (2018). Correlation coefficients: Appropriate use and interpretation. Anesth. Analg., 126(5):1763–1768.

Silva, G. C. et al. (2022). Dengue transmission dynamics analysis and simulation in Minas Gerais - Brazil. IEEE Lat. Am. Trans., 20(6):1012–1017.

Simmons, C. P. et al. (2012). Dengue. N. Engl. J. Med., 366(15):1423–1432.

Smith, D. L. et al. (2012). Ross, MacDonald, and a theory for the dynamics and control of mosquito-transmitted pathogens. PLoS Pathog., 8(4):e1002588.

Vitória, A. et al. (2024). Modelo SEIR-SEI para a Dinâmica de Transmissão da Dengue no Estado de Goiás. In Proc. SBCAS, pages 663–668. SBC.

Zanardo, G. et al. (2025). Forecasting Weekly Dengue Cases in Brazilian Federative Units. In Procs. SBCAS, pages 353–364. SBC.

Zhang, W.-X. et al. (2025). Assessing the global dengue burden: Incidence, mortality, and disability trends over three decades. PLoS Negl. Trop. Dis., 19(3):e0012932.