Arbolytics: Monitoramento de dados de arboviroses utilizando estatísticas de notificações de casos e distribuição espacial

• Igor Ferreira Araujo IF Goiano
• Douglas Cedrim IF Goiano

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

Resumo

Consideradas pela Organização Mundial da Saúde como doenças tropicais negligenciadas, a dengue e a chikungunya são as arboviroses com maior número de casos notificados no Brasil. Com a dificuldade existente de erradicar os vetores que as transmite, estratégias de avaliar de forma efetiva as notificações de arboviroses para uma dada região surgem como ferramentas importantes. Nesse contexto, este trabalho propõe uma ferramenta interativa de visualização de dados que combina estatísticas de notificação de arboviroses e sua distribuição espacial, possibilitando representar valores atípicos de incidência de forma simples para o usuário.

Referências

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.