Arbolytics: Monitoring arbovirus data using case notification statistics and spatial distribution

• Igor Ferreira Araujo IF Goiano
• Douglas Cedrim IF Goiano

DOI: https://doi.org/10.5753/sbcas_estendido.2024.2264

Abstract

Considered by the World Health Organization as neglected tropical diseases, dengue and chikungunya are the arboviruses with the highest number of cases reported in Brazil. With the existing difficulty of eradicating the vectors that transmit them, strategies to effectively evaluate notifications of arboviruses for a given region emerge as important tools. In this context, this work proposes an interactive data visualization tool that combines arbovirus notification statistics and their spatial distribution, making it possible to represent atypical incidence values in a simple way for the user.

References

Baldi, A., Zambon, E., Costa, P., e Montiel, E. (2017). Simulação de aplicação de armadilhas no combate ao Aedes aegypti. In Simpósio brasileiro de computação aplicada à saúde (SBCAS), Porto Alegre, RS, Brasil. SBC.

Bezerra, A., Bento Filho, J. J., Braga, R., Oliveira, C., e Oliveira, M. (2017). Dengosa: Um sistema de informação geográfica para apoio à decisão no controle de epidemias. In XXIII Simpósio Brasileiro de Sistemas Multimídia e Web, pages 179–183. SBC.

Brady, O. J. e Hay, S. I. (2020). The global expansion of dengue: How Aedes aegypti mosquitoes enabled the first pandemic. Annual review of entomology.

Euzebio, C., Agy, S., Jr., C. B., Porto, L., Alcarás, J. R., Martinez, A., e Ruiz, E. (2020). Statistical analysis of small twitter data collection to identify dengue outbreaks. In VIII Symposium on Knowledge Discovery, Mining and Learning, pages 17–24, Porto Alegre, RS, Brasil. SBC.

Fiorini, S., Sousa, L., Cedrim, D., Garcia, A., Saade, D., Moraes, I., e Frajhof, L. (2016). Vigilância entomológica da dengue, zika e chikungunya: Uma solução baseada em redes sociais e dispositivos móveis. In Simpósio brasileiro de computação aplicada à saúde (SBCAS), pages 2567–2576, Porto Alegre, RS, Brasil. SBC.

Izbicki, R. e Cruz, L. O. d. (2018). Monitoramento online da dengue: Usando o google para predizer epidemias. Brazilian Journal of Biometrics, 36(3):512–526.

Silva Neto, S. R., Tabosa de Oliveira, T., Teixiera, I. V., Medeiros Neto, L., Souza Sampaio, V., Lynn, T., e Endo, P. T. (2022). Arboviral disease record data-dengue and chikungunya, brazil, 2013–2020. Nature: Scientific Data, 9(1):198.

Souza, C., Maia, P., Stolerman, L. M., Rolla, V., e Velho, L. (2022). Predicting dengue outbreaks in Brazil with manifold learning on climate data. Expert Systems with Applications, 192.

Sá, L., Rizzi, C., Rizzi, R., e Brun, A. (2022). Aplicação de aprendizagem de máquina na estimação do número de ovos de aedes em imagens de ovitrampas. In Congresso Lat-Am de Soft. Livre e Tecnologias Abertas, pages 36–42. SBC.

Tukey, J. W. et al. (1977). Exploratory data analysis. Pearson.