Aprendizado de Máquina para Predição de Chikungunya no Brasil: Estudo de Caso em Manaus (AM)

• Lorena F. Souza UFAM
• Giovanni E. Zanardo UFAM
• Fabíola G. Nakamura UFAM
• Eduardo F. Nakamura UFAM

DOI: https://doi.org/10.5753/sbcas_estendido.2026.25365

Resumo

As Doenças Tropicais Negligenciadas representam um desafio à saúde pública em regiões tropicais. No Brasil, a chikungunya destaca-se pelo impacto epidemiológico recorrente na Região Norte, onde fatores climáticos e socioambientais favorecem a proliferação do vetor. Este artigo apresenta resultados parciais de um estudo que aplica modelos de aprendizado de máquina à previsão semanal de casos de chikungunya usando dados da plataforma InfoDengue (2010–2025). A série temporal de Manaus compreende 810 semanas epidemiológicas (média de 3,2 casos/semana, pico de 62 casos). O LightGBM otimizado alcançou RMSE de 3,84 e MAE de 3,01; a configuração multivariada sem otimização obteve RMSE de 3,78 e MAE de 2,99. Os resultados validam o pipeline proposto e fundamentam a expansão para modelos multi-step, aprendizado profundo, ensembles e as 27 unidades federativas brasileiras.

Palavras-chave: Doenças tropicais negligenciadas, Chikungunya, Aprendizado de máquina, Previsão de séries temporais, Gradient boosting

Referências

Cabrera, M. et al. (2022). Dengue prediction in latin america using machine learning and the one health perspective: a literature review. Tropical Medicine and Infectious Disease, 7(10):322.

Castro, A. P. C. R. d., Lima, R. A., and Nascimento, J. d. S. (2016). Chikungunya: a visão do clínico de dor. Revista Dor, 17:299–302.

Chen, T. and Guestrin, C. (2016). Xgboost: a scalable tree boosting system. In ACM SIGKDD Intl. Conf. on Knowledge Discovery and Data Mining, pages 785–794, New York. ACM.

Chowdhury, S. U. et al. (2022). Shapley-additive-explanations-based factor analysis for dengue severity prediction using machine learning. Journal of Imaging, 8(9):229.

Hyndman, R. J. and Athanasopoulos, G. (2018). Forecasting: principles and practice. OTexts, Melbourne, 2 edition.

InfoDengue. Infodengue – serviços de api. Disponível em: [link]. Acesso em: 15 fev. 2026.

Organização Pan-Americana da Saúde (OPAS) (2024). Doenças tropicais negligenciadas: Dia mundial chama atenção para fortalecimento da resposta na região das américas. Disponível em: [link]. Acesso em: 29 mar. 2025.

Rosário, M. S. et al. (2017). Doenças tropicais negligenciadas: caracterização dos indivíduos afetados e sua distribuição espacial. Revista Brasileira de Pesquisa em Saúde, 19(3):118–127.

Salim, N. A. M. et al. (2021). Prediction of dengue outbreak in selangor malaysia using machine learning techniques. Scientific Reports, 11(1):939.

Salvi, F. I. et al. (2021). Environmental and climatic factors associated with the Aedes aegypti occurrence. Research, Society and Development, 10(9):e56410918544.

Sebastianelli, A. et al. (2024). A reproducible ensemble machine learning approach to forecast dengue outbreaks. Scientific Reports, 14:3807.