Um Estudo Comparativo de Modelos de Regressão Linear e Aprendizado de Máquina para Predição de Casos de Dengue nos Biomas Brasileiros
Resumo
A dengue teve epidemia recorde nas Américas em 2024. Este estudo compara cinco algoritmos de ML e dois baselines (regressão linear e modelo ingênuo) na predição semanal de dengue em quatro biomas brasileiros. Usando dados climáticos e autorregressivos, a validação foi feita para 2024 (epidemia) e 2025 (pós-epidemia). A RLM teve melhor desempenho em 2024 (RMSE=26,57; R²=0,954), enquanto em 2025 Random Forest obteve a menor mediana de RMSE (1,43). A ablação das variáveis autorregressivas degradou severamente o desempenho. A sensibilidade na detecção de surtos foi superior a 91%. Estes resultados preliminares sugerem que a regressão linear foi mais robusta à epidemia extrema de 2024. O estudo será expandido.
Referências
Al Bannoud, M., Mendes, J. L., Sacay, R. S., Martins, T. D., Bresolin, I. R. A. P., and Lourenço, J. B. (2026). Machine learning forecasting of dengue in são paulo using virtual data augmentation and urban incident predictors: Addressing the exceptional surge of cases in 2024. Acta Tropica, 275:107992.
Bhatt, S., Gething, P. W., Brady, O. J., Messina, J. P., Farlow, A. W., Moyes, C. L., Drake, J. M., Brownstein, J. S., Hoen, A. G., Sankoh, O., Myers, M. F., George, D. B., Jaenisch, T., Wint, G. R. W., Simmons, C. P., Scott, T. W., Farrar, J. J., and Hay, S. I. (2013). The global distribution and burden of dengue. Nature, 496(7446):504–507.
Politis, D. N. and Romano, J. P. (1992). A circular block resampling procedure for stationary data. In LePage, R. and Billard, L., editors, Exploring the Limits of Bootstrap, pages 263–270. John Wiley & Sons.
Rodriguez-Morales, A. J., Montenegro-Idrogo, J. J., Celis-Salinas, J.-C., Angerami, R., Villamil-Gómez, W. E., Sarute, N., Orduna, T., Perret, C., Rodriguez-Enciso, H. D., Savio-Larriera, E., Risquez, A., Forero-Peña, D. A., Ulloa-Gutierrez, R., Cabrera, M., Cimerman, S., Sah, R., Acosta-España, J. D., Navarro, J.-C., Sandoval, N., and Suarez, J. A. (2024). Unraveling the unparalleled 2024 epidemic of dengue in the americas. Revista Chilena de Infectología, 41(3):421–428.
Roster, K., Connaughton, C., and Rodrigues, F. A. (2022). Machine-learning-based forecasting of dengue fever in brazilian cities using epidemiologic and meteorological variables. American Journal of Epidemiology, 191(10):1803–1812.
Stolerman, L. M., Maia, P. D., and Kutz, J. N. (2019). Forecasting dengue fever in brazil: An assessment of climate conditions. PLOS ONE, 14(8):e0220106.
Wilcoxon, F. (1945). Individual comparisons by ranking methods. Biometrics Bulletin, 1(6):80–83.
Zanardo, G. E., Souza, É. L., Colonna, J. G., Nakamura, F. G., and Nakamura, E. F. (2025). Forecasting weekly dengue cases in brazilian federative units. In Anais do XXV Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS 2025), pages 353–364, Porto Alegre, RS, Brasil. SBC.
Bhatt, S., Gething, P. W., Brady, O. J., Messina, J. P., Farlow, A. W., Moyes, C. L., Drake, J. M., Brownstein, J. S., Hoen, A. G., Sankoh, O., Myers, M. F., George, D. B., Jaenisch, T., Wint, G. R. W., Simmons, C. P., Scott, T. W., Farrar, J. J., and Hay, S. I. (2013). The global distribution and burden of dengue. Nature, 496(7446):504–507.
Politis, D. N. and Romano, J. P. (1992). A circular block resampling procedure for stationary data. In LePage, R. and Billard, L., editors, Exploring the Limits of Bootstrap, pages 263–270. John Wiley & Sons.
Rodriguez-Morales, A. J., Montenegro-Idrogo, J. J., Celis-Salinas, J.-C., Angerami, R., Villamil-Gómez, W. E., Sarute, N., Orduna, T., Perret, C., Rodriguez-Enciso, H. D., Savio-Larriera, E., Risquez, A., Forero-Peña, D. A., Ulloa-Gutierrez, R., Cabrera, M., Cimerman, S., Sah, R., Acosta-España, J. D., Navarro, J.-C., Sandoval, N., and Suarez, J. A. (2024). Unraveling the unparalleled 2024 epidemic of dengue in the americas. Revista Chilena de Infectología, 41(3):421–428.
Roster, K., Connaughton, C., and Rodrigues, F. A. (2022). Machine-learning-based forecasting of dengue fever in brazilian cities using epidemiologic and meteorological variables. American Journal of Epidemiology, 191(10):1803–1812.
Stolerman, L. M., Maia, P. D., and Kutz, J. N. (2019). Forecasting dengue fever in brazil: An assessment of climate conditions. PLOS ONE, 14(8):e0220106.
Wilcoxon, F. (1945). Individual comparisons by ranking methods. Biometrics Bulletin, 1(6):80–83.
Zanardo, G. E., Souza, É. L., Colonna, J. G., Nakamura, F. G., and Nakamura, E. F. (2025). Forecasting weekly dengue cases in brazilian federative units. In Anais do XXV Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS 2025), pages 353–364, Porto Alegre, RS, Brasil. SBC.
Publicado
01/06/2026
Como Citar
LIMA, Vinícius Souza Pereira de; ALENCAR, Andrêza Leite de.
Um Estudo Comparativo de Modelos de Regressão Linear e Aprendizado de Máquina para Predição de Casos de Dengue nos Biomas Brasileiros. In: WORKSHOP DE COMPUTAÇÃO APLICADA ÀS DOENÇAS TROPICAIS NEGLIGENCIADAS - SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO APLICADA À SAÚDE (SBCAS), 26. , 2026, Ouro Preto/MG.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 310-315.
ISSN 2763-8987.
DOI: https://doi.org/10.5753/sbcas_estendido.2026.26247.
