Modelos de predição de casos de Dengue em Mossoró
Uma análise comparativa entre algoritmos de Machine Learn
Mikael Johnatan Azevedo
UFERSA
Paulo Gabriel Gadelha Queiroz
UFERSA
Amanda Gondim de Oliveira
UFERSA
Angélica Félix de Castro
UFERSA
João Pedro Pereira Frutuoso
UFERSA
Palavras-chave: Predição, Machine Learn, Dengue, Saúde Pública
Resumo
A dengue é uma doença infecciosa transmitida pelo mosquito Aedes aegypti e representa um dos principais desafios de saúde pública em regiões tropicais, especialmente no Brasil, onde apresenta comportamento endêmico e surtos recorrentes. Esses surtos geram sobrecarga aos serviços de saúde e podem evoluir para quadros graves, destacando a importância de estratégias capazes de prever a incidência de casos com antecedência, permitindo ações preventivas e de controle. Nesse contexto, modelos de Machine Learning têm se mostrado promissores na modelagem de séries temporais epidemiológicas. Este trabalho teve como objetivo avaliar diferentes algoritmos de Machine Learning e Deep Learning na previsão de casos de dengue no município de Mossoró/RN, utilizando dados epidemiológicos e climáticos. Os dados de casos confirmados foram obtidos do Sistema de Informação de Agravos de Notificação (SINAN), enquanto as variáveis climáticas (temperatura média, precipitação e umidade relativa do ar) foram coletadas da estação meteorológica da UFERSA, abrangendo o período de 2010 a 2024. No pré-processamento, valores climáticos faltantes foram preenchidos com a média histórica do mesmo dia ao longo dos cinco anos anteriores, preservando a sazonalidade. Valores extremos foram ajustados pelo método IQR com Winsorização. Em seguida, os dados diários foram agregados para escala mensal e criaram-se lags de 30 e 60 dias dos casos de dengue para capturar tendências temporais associadas ao ciclo de transmissão da doença. Foram avaliados cinco modelos: Random Forest (RF), Support Vector Regression (SVR), Multilayer Perceptron (MLP), Long Short-Term Memory (LSTM) e Convolutional Neural Network (CNN) e o desempenho foi medido por R² e MSE. Para verificar diferenças estatísticas entre os modelos, aplicou-se o teste de Friedman, seguido do pós-teste de Nemenyi. Os resultados indicaram diferença significativa no desempenho (p-value = 0,0008), destacando a CNN como superior ao MLP e ao Random Forest. No entanto, não foram observadas diferenças significativas entre CNN, LSTM e SVR, sugerindo desempenhos semelhantes entre esses modelos. Conclui-se que modelos baseados em Deep Learning, especialmente CNN e LSTM, apresentam maior potencial para prever casos de dengue em cenários reais, podendo ser integrados a sistemas de vigilância epidemiológica. Trabalhos futuros incluem a ampliação da previsão para nível de bairros, inclusão de variáveis demográficas e automação da atualização dos dados.