Previsão de Casos de Dengue em Capitais Brasileiras com Redes Neurais Espaço-Temporais em Grafos

• Arthur V. C. Silva UFAM
• Giovanni E. Zanardo UFAM
• Fabiola G. Nakamura UFAM
• Eduardo F. Nakamura UFAM

DOI: https://doi.org/10.5753/sbcas_estendido.2026.26537

Resumo

A dengue é um desafio para a vigilância epidemiológica no Brasil, exigindo ferramentas preditivas capazes de antecipar o número de casos da doença e apoiar a tomada de decisão de gestores de saúde pública. Este trabalho apresenta a construção e treino de um modelo baseado em Redes Neurais Convolucionais Espaço-Temporais em Grafos (STGCN) para previsão de casos semanais de dengue nas 26 capitais brasileiras e no Distrito Federal, utilizando dados da plataforma InfoDengue no período de 2010 a 2025. A abordagem integra variáveis epidemiológicas e climáticas em uma representação espaço-temporal, na qual as relações entre cidades são modeladas por meio de uma matriz de adjacência construída a partir da correlação entre séries temporais.

Referências

Bhandari, H., Pandey, H., Pandeya, Y. R., and Jha, K. (2024). Dynamic insights into dengue: Leveraging spatio-temporal graph convolution networks. Journal of Nepal Mathematical Society, 7:30–39.

Bomfim, R. P. (2023). Mobilidade humana em grandes cidades a nível de bairro e seus impactos na epidemiologia da dengue em Fortaleza. Tese (doutorado em informática aplicada), Universidade de Fortaleza, Fortaleza. Acesso em: 28 abr. 2026.

Chen, X. and Moraga, P. (2025). Dengue forecasting and outbreak detection in brazil using lstm: integrating human mobility and climate factors. medRxiv.

Codeco, C., Coelho, F., Cruz, O., Oliveira, S., Castro, T., and Bastos, L. (2018). Infodengue: A nowcasting system for the surveillance of arboviruses in brazil. Revue d’Épidémiologie et de Santé Publique, 66:S386. European Congress of Epidemiology “Crises, epidemiological transitions and the role of epidemiologists”.

Hyndman, R. and Koehler, A. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22:679–688.

Siabi, N., Son, R., Thomas, M., Irrgang, C., and Saynisch-Wagner, J. (2026). Innovative application of a traffic-prediction spatio-temporal graph convolutional network for dengue disease forecasting. Scientific Reports, 16(1):2594.

Yu, B., Yin, H., and Zhu, Z. (2018). Spatio-temporal graph convolutional networks: A deep learning framework for traffic forecasting. In Proceedings of the Twenty-Seventh International Joint Conference on Artificial Intelligence, IJCAI-2018, page 3634–3640. International Joint Conferences on Artificial Intelligence Organization.