Predição de Casos de Dengue com Base em Variáveis Climáticas por Aprendizado de Máquina

Anna Beatriz Pereira Lima; Brayan Dias Dauria

DOI: 10.22167/2675-6528-202602684

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

A dengue caracterizou-se como um importante problema de saúde pública no Brasil, com ocorrência influenciada por fatores climáticos, ambientais e temporais. O estudo teve como objetivo desenvolver e avaliar modelos preditivos para estimar o número de casos de dengue no estado de São Paulo a partir da integração entre dados epidemiológicos do Sistema de Informação de Agravos de Notificação (SINAN) e variáveis meteorológicas do Instituto Nacional de Meteorologia (INMET). A investigação foi conduzida como estudo de caso, com base em uma estrutura temporal no nível município-mês, construída a partir do tratamento, padronização e integração das bases de dados. O processo metodológico incluiu a seleção e agregação das notificações confirmadas, a associação espacial entre municípios e estações meteorológicas, a criação de variáveis defasadas e médias móveis, além da divisão temporal dos dados em treino, validação e teste. Aplicaram-se os modelos Random Forest, Support Vector Regression, XGBoost e Long Short-Term Memory, avaliados por meio das métricas MAE, RMSE e coeficiente de determinação (R²). Os resultados mostraram que os modelos captaram padrões relevantes da série histórica, especialmente a sazonalidade da doença e a influência do histórico recente de casos e das variáveis climáticas. Entre os algoritmos avaliados, o Random Forest apresentou o melhor desempenho global, evidenciando potencial para apoiar ações de vigilância epidemiológica, monitoramento e antecipação de surtos.

Palavras-chave: Dengue; Previsão epidemiológica; Saúde pública; Séries temporais; Variáveis climáticas.

1. Introdução

A dengue é uma arbovirose causada pelo vírus DENV, transmitida aos seres humanos pela picada do mosquito Aedes aegypti infectado (Organização Mundial da Saúde, 2025). O vírus pertence à família Flaviviridae e ao gênero Orthoflavivirus, apresentando quatro sorotipos conhecidos: DENV-1, DENV-2, DENV-3 e DENV-4, que se diferenciam por variações genéticas e linhagens específicas (Cardoso et al., 2024). Amplamente disseminada em regiões tropicais e subtropicais, a doença representa um grave problema de saúde pública no Brasil, um dos países com maior número de casos e recorrência de epidemias (Felix, 2024).

A propagação da dengue está diretamente relacionada às condições ambientais e climáticas que favorecem o ciclo de vida do mosquito e a disseminação do vírus. O Aedes aegypti, principal transmissor da doença, encontra nas áreas urbanas condições ideais para reprodução, especialmente em locais com acúmulo de água parada e saneamento precário (Carvalho Da Silva et al., 2024). As variações de temperatura, umidade e precipitação influenciam diretamente o ciclo de vida do mosquito e a replicação viral, tornando o clima um elemento determinante na dinâmica da doença (Gui et al., 2021). Dessa forma, a interação entre fatores biológicos, ambientais e sociais contribui para a manutenção e intensificação dos casos de dengue no país.

Diante de uma população ampla, densa e heterogênea, o Brasil enfrenta desafios significativos relacionados ao aumento dos casos de dengue, cuja ocorrência é fortemente influenciada por fatores socioeconômicos e sazonais. A gravidade deste problema torna-se ainda mais evidente, com o registro de mais de mil mortes por dengue em 2025, conforme dados do Ministério da Saúde (Coelho, 2025). A desigualdade social contribui para a precariedade das condições de moradia, saneamento e manejo de resíduos, criando ambientes propícios à proliferação do mosquito (Bezerra, T.; Matos, C. 2023).

Nesse contexto, modelos híbridos baseados em aprendizado de máquina e deep learning mostram-se promissores na predição de casos de dengue, utilizando dados climáticos e epidemiológicos (Lanlan, F., 2024). Estudos na área aplicaram algoritmos de aprendizado de máquina como Random Forest, Extreme Gradient Boosting e Support Vector Machine/Regression, reconhecidos por sua capacidade de capturar relações complexas entre múltiplos fatores climáticos e a dinâmica de variação dos casos de dengue (Ong et al., 2023). No âmbito do deep learning, redes neurais recorrentes do tipo Long Short-Term Memory também apresentaram resultados expressivos na previsão de dengue com base em variáveis climáticas (Xiang, C.; Morgan, P., 2025; Lanlan, F. et al., 2024).

Embora o foco principal deste estudo seja a predição de casos de dengue, a abordagem metodológica proposta possui potencial de extensão para outras doenças infecciosas influenciadas por fatores ambientais e climáticos, como chikungunya e zika. A utilização integrada de dados epidemiológicos e variáveis climáticas, aliada a técnicas de aprendizado de máquina, permite a construção de modelos preditivos aplicáveis a diferentes contextos de saúde pública. Essa versatilidade amplia o potencial de aplicação da solução, possibilitando sua utilização em diversas regiões geográficas e contribuindo para o desenvolvimento de sistemas de monitoramento e alerta em escala nacional. Assim, o objetivo deste trabalho foi desenvolver e comparar modelos de aprendizado de máquina e deep learning aplicados à predição de casos de dengue a partir de variáveis climáticas e dados epidemiológicos históricos, avaliando o desempenho dos diferentes algoritmos na captura de padrões temporais e relações não lineares associadas à dinâmica da doença, bem como investigando seu potencial como ferramenta de apoio à vigilância epidemiológica, contribuindo para a antecipação de surtos e para a tomada de decisão em saúde pública.

2. Material e Métodos

A pesquisa desenvolvida caracterizou-se como um estudo de natureza aplicada e descritiva. A abordagem aplicada visou à solução de um problema prático, focado na predição de casos de dengue a partir de variáveis climáticas e dados epidemiológicos, com potencial de apoio à vigilância em saúde pública. Quanto aos objetivos, a pesquisa foi descritiva, buscando identificar e organizar padrões temporais, além de relações entre variáveis ambientais e a incidência da doença, sem estabelecer relações causais diretas.

O procedimento metodológico consistiu em um estudo de caso, no qual diferentes modelos de aprendizado de máquina e deep learning foram aplicados a um mesmo conjunto de dados para comparar seus desempenhos. As etapas do estudo foram organizadas em cinco fases principais, que incluíram a aquisição dos dados, o tratamento das bases, a integração das informações, a modelagem e implementação dos algoritmos, e a análise dos resultados obtidos.

Para a análise, utilizaram-se dados epidemiológicos de casos de dengue ocorridos no Brasil e informações meteorológicas associadas. Os dados epidemiológicos foram obtidos do Sistema de Informação de Agravos de Notificação (SINAN), disponibilizados pelo Departamento de Informática do Sistema Único de Saúde (DATASUS), abrangendo o período de 2014 a 2025. Os dados meteorológicos provieram do Instituto Nacional de Meteorologia (INMET), referentes aos municípios do estado de São Paulo.

A coleta dos dados epidemiológicos do SINAN realizou-se por meio de conexão via File Transfer Protocol (FTP), utilizando o software FileZilla. As bases, originalmente em formato DataBase Compressed (DBC), foram convertidas para DataBase File (DBF) com o software TabWin e, posteriormente, para Comma-separated values (CSV) via linguagem Python. Selecionaram-se as colunas DT_NOTIFIC, ID_MUNICIP, FEBRE, CEFALEIA, VOMITO, RESUL_SORO, RESUL_NS1, RESUL_PCR_, HOSPITALIZ, CLASSI_FIN e CRITERIO, convertendo a data de notificação para formato temporal e padronizando os códigos municipais.

Os dados do SINAN foram filtrados para incluir apenas os casos do estado de São Paulo, selecionando-se as notificações com classificação final de dengue (códigos 10, 11 ou 12). Em seguida, os dados foram agregados mensalmente por município, utilizando o código IBGE como identificador. Criou-se uma estrutura temporal completa para todas as combinações de município, ano e mês, preenchendo com zero os meses sem registros de casos confirmados.

Os dados meteorológicos do INMET foram obtidos por meio de envio automatizado por e-mail, gerando um arquivo individual para cada estação. As informações climáticas, coletadas em escala mensal, incluíram variáveis como precipitação acumulada, temperatura média do ar e velocidade média do vento. A consolidação dessas bases foi realizada por um processo automatizado implementado em Python.

Para associar os dados climáticos aos municípios, considerou-se que o estado de São Paulo possui 645 municípios e a rede do INMET conta com 43 estações meteorológicas. Cada município foi associado à estação meteorológica mais próxima. Utilizou-se a malha municipal do IBGE em formato shapefile, representando as estações como pontos geográficos e os municípios por seus centroides. A vinculação foi realizada com base na proximidade espacial entre os centroides municipais e os pontos das estações meteorológicas, procedimento semelhante ao adotado por Aune et al. (2023) e Gómez-Barroso et al. (2017).

Após o tratamento das bases, realizou-se a junção dos dados epidemiológicos e meteorológicos por município, ano e mês. Criaram-se variáveis defasadas, conhecidas como “lags”, para representar a influência de valores observados em períodos anteriores sobre o número de casos de dengue. Para a variável alvo casos_confirmados, utilizaram-se defasagens de um, dois, três, seis e doze meses. Defasagens também foram criadas para as variáveis climáticas, e calcularam-se médias móveis com deslocamento temporal para evitar vazamento de dados.

A base consolidada foi dividida em conjuntos de treino, validação e teste, de forma temporal, sem embaralhamento aleatório dos registros, a fim de preservar a ordem cronológica das observações. O período de 2025 foi reservado como conjunto de teste final, enquanto os anos anteriores foram utilizados nas etapas de treinamento e validação. A variável referente ao mês foi transformada em componentes cíclicos de seno e cosseno para incorporar a natureza sazonal do calendário.

Na base de treino, aplicou-se validação temporal por meio do método “TimeSeriesSplit”, com cinco divisões. Esse procedimento particionou os dados em divisões sucessivas ao longo do tempo, mantendo as observações mais antigas para treino e as posteriores para validação. Em cada iteração, o modelo foi treinado com um período histórico e validado em um período posterior, simulando um cenário de previsão realista.

Para a definição dos hiperparâmetros dos modelos, utilizou-se a técnica de busca em grade por meio do método “GridSearchCV”. Esse procedimento avaliou diferentes combinações de hiperparâmetros de forma sistemática, utilizando as divisões temporais definidas pelo “TimeSeriesSplit”. A seleção das melhores configurações foi realizada exclusivamente sobre os dados de treinamento e validação, considerando o desempenho nas métricas R², MAE e RMSE.

Na etapa de modelagem preditiva, aplicaram-se os modelos Random Forest (RF), Support Vector Regression (SVR), XGBoost e Long Short-Term Memory (LSTM). O Random Forest, um método de aprendizado supervisionado, combinou múltiplas árvores de decisão para estimar valores contínuos, utilizando a técnica de bagging (Rahman et al., 2025). O XGBoost, baseado em boosting, treinou árvores de decisão sequencialmente para corrigir erros anteriores (Ribeiro et al., 2021).

O Support Vector Regression (SVR), implementado por meio do algoritmo LinearSVR, buscou estimar uma função contínua com erro limitado por uma margem de tolerância (Leão, 2025). A rede neural Long Short-Term Memory (LSTM) foi utilizada como arquitetura de rede neural recorrente, projetada para capturar dependências temporais de curto e longo prazo em séries temporais (Chen et al., 2025). Para os modelos XGBoost e LSTM, aplicou-se a transformação log1p na variável alvo para reduzir a assimetria da distribuição e atenuar a influência de valores extremos.

O desenvolvimento da pesquisa foi realizado em ambiente computacional configurado para o tratamento, integração, análise e modelagem dos dados. A linguagem de programação utilizada foi o Python, em razão de sua versatilidade e da ampla disponibilidade de bibliotecas. Empregaram-se bibliotecas como Pandas para manipulação de dados, NumPy para operações numéricas, Scikit-learn para pré-processamento e avaliação, XGBoost e TensorFlow/Keras para implementação dos modelos, Matplotlib para visualização e GeoPandas para manipulação de dados espaciais.

A avaliação dos modelos constituiu uma etapa fundamental, realizada com base no desempenho preditivo obtido no conjunto de teste final, correspondente ao ano de 2025. Para essa comparação, utilizaram-se as métricas Erro Médio Absoluto (MAE), Raiz do Erro Quadrático Médio (RMSE) e Coeficiente de Determinação (R²). O MAE mensurou a média das diferenças absolutas entre os valores reais e previstos, enquanto o RMSE quantificou a precisão do modelo em relação aos valores reais, calculando a raiz quadrada da média dos erros quadráticos. O R² representou o percentual da variância dos dados explicada pelo modelo.

3. Resultados e Discussão

A presente seção detalha os resultados obtidos a partir da aplicação das etapas metodológicas previamente descritas, abrangendo a coleta, tratamento, análise e união das bases de dados, bem como a modelagem preditiva e a avaliação dos algoritmos. O objetivo principal foi demonstrar os avanços alcançados na predição de casos de dengue no estado de São Paulo, identificar as particularidades observadas durante o processo e discutir as implicações desses achados para a vigilância epidemiológica. A abordagem sistemática permitiu uma compreensão aprofundada da dinâmica da doença e da capacidade dos modelos em capturar padrões complexos.

Base de Dados e Pré-processamento

A construção da base de dados para este estudo envolveu a integração de informações epidemiológicas e meteorológicas, fundamentais para a modelagem preditiva da dengue. Os dados de casos de dengue foram extraídos do Sistema de Informação de Agravos de Notificação (SINAN), abrangendo o período de 2014 a 2025. Inicialmente, esses dados, disponibilizados em formato DBC, foram convertidos para DBF e, posteriormente, para CSV, utilizando ferramentas como FileZilla, TabWin e a linguagem Python, garantindo a compatibilidade para análise. Essa etapa de conversão foi crucial para padronizar as informações e viabilizar sua manipulação no ambiente computacional.

Para o tratamento dos dados epidemiológicos, realizou-se uma filtragem rigorosa para incluir apenas os casos confirmados de dengue no estado de São Paulo, identificados pelos códigos de classificação final (CLASSI_FIN) 10, 11 ou 12. As notificações, originalmente diárias, foram agregadas mensalmente por município, utilizando o código IBGE como identificador. Variáveis clínicas e laboratoriais, como febre, cefaleia, vômito e resultados de exames (NS1, RT-PCR, sorologia), também foram agregadas, fornecendo um panorama detalhado dos casos. A padronização dos códigos municipais e o preenchimento de meses sem registros com zero casos foram essenciais para criar uma série temporal balanceada e completa, pronta para a integração.

Os dados meteorológicos foram obtidos do Instituto Nacional de Meteorologia (INMET), referentes às estações localizadas no estado de São Paulo. As variáveis incluíram precipitação acumulada, temperatura média do ar e velocidade média do vento, coletadas em escala mensal. Um desafio significativo foi a disparidade entre o número de municípios (645) e o de estações meteorológicas (43) no estado. Para resolver essa questão, cada município foi associado à estação meteorológica mais próxima, utilizando a malha municipal do IBGE em formato “shapefile” e calculando a proximidade espacial entre os centroides municipais e os pontos das estações, conforme abordagens de Aune et al. (2023) e Gómez-Barroso et al. (2017).

A associação espacial resultou em uma tabela de correspondência que vinculou os 645 municípios às 43 estações do INMET, com uma distância média de 33,01 km e uma distância máxima de 152,75 km entre os centroides municipais e as estações. Essa etapa foi fundamental para incorporar as variáveis climáticas à base epidemiológica, permitindo uma análise conjunta. A base final consolidada totalizou 92.880 registros, cobrindo 645 municípios ao longo de 12 anos, de 2014 a 2025. A variável mês foi transformada em componentes cíclicos de seno e cosseno para capturar a sazonalidade anual de forma mais precisa, reconhecendo a natureza circular do calendário.

A análise exploratória da série temporal agregada de casos de dengue no estado de São Paulo revelou oscilações significativas e picos epidêmicos recorrentes. Entre os anos avaliados, destacou-se 2024 como o período de maior volume de casos, configurando o principal pico da série histórica. Em contraste, anos como 2017 e 2018 apresentaram totais bastante reduzidos, caracterizando períodos de menor circulação da doença. Já 2025, embora tenha permanecido em patamar elevado, apresentou total inferior ao observado em 2024. A sazonalidade da doença foi claramente observada, com a maior concentração de casos nos primeiros meses do ano, especialmente em março, abril e maio, um padrão que se alinha com o ciclo de vida do vetor e as condições climáticas favoráveis.

As variáveis climáticas também exibiram um comportamento sazonal pronunciado, compatível com a dinâmica da dengue. A precipitação média mensal foi mais elevada nos primeiros e últimos meses do ano, com uma redução notável entre junho e agosto. A temperatura média, por sua vez, manteve-se mais alta entre outubro e março, diminuindo nos meses centrais. Essa correlação sazonal entre os padrões climáticos e a incidência da doença reforçou a importância dessas variáveis para a modelagem preditiva, conforme discutido por Gui et al. (2021) sobre a influência do clima na propagação da dengue.

Contudo, a análise dos dados meteorológicos do INMET também revelou a presença de valores ausentes, com maior incompletude entre 2020 e 2022. A precipitação foi a variável com os maiores percentuais de ausência, enquanto a temperatura média apresentou menor proporção de dados faltantes. Essas limitações na cobertura temporal da base climática foram consideradas nas etapas subsequentes do estudo, influenciando a robustez dos modelos. A gestão desses dados faltantes foi um aspecto crítico para manter a integridade da série temporal e a validade das previsões.

Para capturar a dependência temporal das séries, foram criadas variáveis defasadas, ou “lags”, tanto para o número de casos confirmados quanto para as variáveis climáticas. Para a variável alvo, foram utilizados lags de 1, 2, 3, 6 e 12 meses, refletindo a influência de períodos anteriores. Para as variáveis climáticas, além dos lags, foram calculadas médias móveis com deslocamento temporal, garantindo que apenas informações passadas fossem usadas na previsão, evitando o vazamento de dados e preservando a ordem cronológica dos registros, um procedimento essencial em séries temporais (Sacay et al., 2025; Chen et al., 2025).

A análise de autocorrelação da série de casos confirmados demonstrou uma forte dependência temporal, com o lag de 1 mês apresentando a maior correlação (0,822), seguido por uma queda gradual. Lags de 11, 12 e 24 meses também mostraram valores relevantes (0,363, 0,349 e 0,349, respectivamente), confirmando a sazonalidade anual da doença. As variáveis climáticas defasadas também apresentaram correlações significativas, com a temperatura média nos lags de 3 (0,615) e 2 (0,571), e a precipitação nos lags de 3 (0,514) e 2 (0,488), indicando que a relação entre clima e dengue não é imediata, mas defasada no tempo.

A base de dados foi então organizada para a etapa de modelagem preditiva, com o ano de 2025 reservado como conjunto de teste final, e os anos anteriores para treinamento e validação. A validação temporal foi realizada utilizando o método “TimeSeriesSplit”, com cinco divisões, garantindo que a sequência cronológica dos dados fosse mantida. Esse método simula uma situação mais próxima do uso real do modelo, em que apenas informações passadas estão disponíveis no momento da previsão. A seleção dos hiperparâmetros foi realizada por meio de “GridSearchCV”, otimizando o desempenho com base nas métricas R², MAE e RMSE.

Modelagem Preditiva e Configuração dos Algoritmos

Na etapa de modelagem preditiva, foram aplicados quatro algoritmos distintos: Random Forest (RF), Support Vector Regression (SVR), Extreme Gradient Boosting (XGBoost) e Long Short-Term Memory (LSTM). Cada modelo foi configurado com hiperparâmetros otimizados por meio da técnica “GridSearchCV”, que buscou as melhores combinações para maximizar o desempenho preditivo no contexto da série temporal de casos de dengue. A escolha desses algoritmos reflete a diversidade de abordagens no aprendizado de máquina e deep learning para problemas de regressão em séries temporais.

O modelo Random Forest, conforme descrito por Rahman et al. (2025), foi configurado com 200 árvores, um tamanho mínimo de 3 amostras por folha terminal e 10 amostras mínimas para divisão dos nós, utilizando todas as variáveis disponíveis em cada partição. Essa arquitetura, baseada na técnica de “bagging”, é conhecida por sua capacidade de reduzir a variância e o risco de sobreajuste, combinando múltiplas árvores de decisão para gerar previsões robustas. A configuração otimizada visou aprimorar a generalização do modelo para dados não vistos.

Para o Support Vector Regression (SVR), implementado via algoritmo “LinearSVR”, os hiperparâmetros selecionados foram C=3.0, epsilon=0.05, random_state=42, max_iter=30000 e dual=auto. Conforme Leão (2025), o SVR busca estimar uma função contínua com erro limitado, sendo eficaz na modelagem de relações lineares e não lineares, mesmo em cenários de alta dimensionalidade. A otimização desses parâmetros foi fundamental para que o modelo pudesse encontrar uma representação que preservasse a capacidade de generalização e se ajustasse adequadamente aos padrões dos dados.

Nos modelos XGBoost e LSTM, aplicou-se uma transformação logarítmica (log1p) na variável alvo, o número de casos confirmados de dengue. Esse procedimento teve como objetivo principal reduzir a assimetria da distribuição dos dados e atenuar a influência de valores extremos, contribuindo para uma maior estabilidade no treinamento, especialmente em uma série temporal caracterizada por alta variabilidade e picos epidêmicos. Após a predição, os valores foram reconvertidos para a escala original, permitindo uma interpretação direta dos resultados em termos de número de casos reais.

O modelo XGBoost, baseado em “boosting” e descrito por Ribeiro et al. (2021), foi configurado com 800 estimadores, taxa de aprendizado de 0,03, profundidade máxima de 4, peso mínimo do filho de 5, subsample de 0,85 e colsample_bytree de 0,85, com reg_lambda de 5,0 e objetivo de regressão de erro quadrático. Essa configuração visa aprimorar progressivamente o desempenho preditivo, corrigindo os erros das árvores anteriores e incorporando termos de regularização para mitigar o sobreajuste, sendo uma abordagem robusta para problemas de regressão.

Para a rede neural Long Short-Term Memory (LSTM), uma arquitetura de deep learning adequada para séries temporais, os hiperparâmetros definidos incluíram um tamanho de janela de 12, 32 unidades, dropout de 0,2, 16 unidades densas, otimizador Adam, função de perda MSE, 30 épocas, tamanho de batch de 64, shuffle FALSE e paciência de early stopping de 5. A LSTM, conforme Chen et al. (2025), é projetada para capturar dependências temporais de curto e longo prazo, sendo particularmente eficaz na modelagem de padrões complexos como tendência e sazonalidade em séries epidemiológicas.

Avaliação de Desempenho dos Modelos

A avaliação do desempenho dos modelos foi realizada no conjunto de teste final, correspondente aos dados de 2025, utilizando as métricas Erro Médio Absoluto (MAE), Raiz do Erro Quadrático Médio (RMSE) e Coeficiente de Determinação (R²). Os resultados obtidos pelos modelos Random Forest, SVR com o LinearSVR, XGBoost e LSTM, considerando-se a melhor configuração selecionada, foram: Random Forest (MAE 63,94, RMSE 324,92, R² 0,77); SVR (MAE 55,64, RMSE 360,02, R² 0,72); XGBoost (MAE 86,63, RMSE 551,45, R² 0,34); e LSTM (MAE 51,75, RMSE 435,26, R² 0,59). Essas métricas permitiram uma análise abrangente da precisão das previsões e da capacidade de ajuste dos modelos aos valores observados.

O modelo Random Forest demonstrou o melhor desempenho global, com um RMSE de 324,93 e um R² de 0,77. Embora não tenha apresentado o menor MAE, seu equilíbrio entre precisão preditiva e capacidade de explicar a variabilidade dos dados foi superior aos demais. Esse resultado sugere que o Random Forest conseguiu capturar de forma eficaz as relações complexas entre as variáveis climáticas, epidemiológicas e a ocorrência de dengue, oferecendo previsões mais consistentes e confiáveis para o período analisado, conforme observado em estudos similares (Rahman et al., 2025).

O Support Vector Regression (SVR), utilizando o algoritmo LinearSVR, apresentou o segundo melhor desempenho, com MAE de 55,64, RMSE de 360,03 e R² de 0,72. Esses valores indicam resultados consistentes e relativamente próximos aos do Random Forest, confirmando a capacidade do SVR em modelar relações complexas e generalizar bem, mesmo com a presença de ruído nos dados. A performance robusta do SVR o posiciona como uma alternativa viável para a predição de casos de dengue, corroborando achados de Leão (2025).

A rede neural Long Short-Term Memory (LSTM) obteve o menor Erro Médio Absoluto (MAE) de 51,76, o que indica que, em média, suas previsões foram as mais próximas dos valores reais em termos de desvio absoluto. Contudo, o RMSE de 435,27 e o R² de 0,59 sugerem uma menor estabilidade do modelo diante de erros mais expressivos em determinados períodos, e uma capacidade ligeiramente inferior de explicar a variância dos dados em comparação com o Random Forest e o SVR. Isso pode ser atribuído à sensibilidade da LSTM a picos e variações abruptas na série temporal, apesar de sua habilidade em capturar dependências de longo prazo (Chen et al., 2025).

Por outro lado, o modelo XGBoost apresentou o desempenho menos satisfatório entre os algoritmos avaliados, com MAE de 86,63, RMSE de 551,46 e R² de 0,34. Esses resultados indicam uma menor capacidade de ajuste à dinâmica observada da série temporal no período de teste, sugerindo que o XGBoost teve maior dificuldade em lidar com a complexidade e a variabilidade dos dados de dengue no estado de São Paulo, especialmente em comparação com as abordagens baseadas em Random Forest e SVR, que se mostraram mais adequadas para este conjunto de dados.

A análise visual da comparação entre os casos reais e as previsões mensais para 2025 revelou que todos os modelos foram capazes de captar a sazonalidade geral da série, caracterizada por valores mais elevados nos primeiros meses do ano e uma redução expressiva no segundo semestre. No entanto, o Random Forest destacou-se por apresentar um comportamento mais próximo da trajetória observada, acompanhando de forma consistente as tendências de crescimento e redução dos casos ao longo do ano. O SVR também reproduziu a forma geral da curva, mas com uma subestimação mais evidente nos meses de maior incidência.

A LSTM, apesar do baixo MAE, exibiu oscilações que a afastaram dos valores observados em alguns meses do período epidêmico, enquanto o XGBoost tendeu a superestimar os casos nos meses de pico, distanciando-se mais intensamente da série real. Essa observação visual complementa as métricas quantitativas, reforçando que o Random Forest demonstrou a melhor capacidade de reproduzir o comportamento temporal da doença. A comparação mensal entre os casos reais e os valores previstos pelo Random Forest para 2025 indicou que as maiores diferenças se concentraram nos primeiros meses do ano, período de maior incidência da doença, enquanto nos meses seguintes as previsões se aproximaram mais dos valores observados.

A análise espacial, por meio de mapas de calor comparando os casos reais e previstos pelo Random Forest, indicou uma correspondência relevante na distribuição espacial da doença. Áreas com maior intensidade de casos reais também apresentaram maior intensidade nas previsões do modelo, e regiões com menor ocorrência mantiveram um comportamento semelhante. Esse achado sugere que o Random Forest conseguiu representar adequadamente a heterogeneidade espacial dos casos de dengue no estado de São Paulo, preservando, em termos gerais, a distribuição observada entre os municípios, o que é crucial para a vigilância epidemiológica.

Em síntese, os resultados demonstram que os modelos de aprendizado de máquina e deep learning são ferramentas promissoras para a predição de casos de dengue, com o Random Forest se destacando como o algoritmo de melhor desempenho global. A capacidade dos modelos em capturar a sazonalidade da doença, a influência do histórico recente de casos e das variáveis climáticas, bem como a heterogeneidade espacial, valida a abordagem metodológica proposta. Embora limitações relacionadas à disponibilidade e qualidade dos dados tenham sido identificadas, a pesquisa oferece um avanço significativo na compreensão da dinâmica da dengue e no desenvolvimento de ferramentas de apoio à saúde pública.

4. Conclusão

O presente estudo buscou desenvolver e comparar modelos de aprendizado de máquina e deep learning para a predição de casos de dengue no estado de São Paulo, integrando dados epidemiológicos do SINAN e variáveis meteorológicas do INMET. Verificou-se que os modelos foram capazes de capturar padrões relevantes da série histórica, incluindo a sazonalidade da doença e a influência do histórico recente de casos e das variáveis climáticas. Entre os algoritmos avaliados, o Random Forest demonstrou o melhor desempenho global, com um equilíbrio superior entre precisão preditiva e capacidade de explicação da variabilidade dos dados, seguido pelo Support Vector Regression. A rede neural Long Short-Term Memory apresentou o menor erro médio absoluto, mas com menor estabilidade em relação a erros mais expressivos. As previsões do Random Forest reproduziram de forma satisfatória o comportamento temporal e espacial dos casos no período analisado, evidenciando sua capacidade de representar a heterogeneidade da doença entre os municípios.

Essa abordagem representa uma contribuição significativa para a vigilância epidemiológica, oferecendo uma ferramenta potencial para o monitoramento e a antecipação de surtos de dengue, subsidiando a tomada de decisão em saúde pública. Contudo, o estudo enfrentou limitações relacionadas à dificuldade de acesso e padronização das bases de dados epidemiológicos, à presença de valores ausentes nos dados meteorológicos e à necessidade de associar municípios às estações climáticas mais próximas. Como perspectivas futuras, sugere-se a incorporação de novas variáveis, a expansão da análise para outras regiões geográficas e a avaliação de diferentes horizontes de previsão, a fim de aprimorar a robustez e a aplicabilidade dos modelos preditivos.

Referências Bibliográficas

Cardoso, R. L.; Corioletti, N. S. D.; Costa, L. F.; Taveira, J. H. da S.; Bueno, C. P.; Corioletti, S.; Giongo, P. R.; Silva, R. T. da. Dengue no Brasil: uma revisão sistemática. Revista Foco, v. 17, n. 3, p. e4640, 2024. DOI: https://doi.org/10.54751/revistafoco.v17n3-079.

Carvalho da Silva, R. et al. Análise dos fatores meteorológicos, socioambientais e socioeconômicos relacionados à incidência de dengue em Joinville – SC nos anos de 2020 e 2021. Hygeia: Revista Brasileira de Geografia Médica e da Saúde, v. 20, p. 1–12, 2024. DOI: 10.14393/Hygeia2071212.

Felix, 2024 [Referência completa não encontrada no documento original]

Gui, H.; Gwee, S.; Koh, J.; Pang, J. Weather factors associated with

Organização Mundial da Saúde, 2025 [Referência completa não encontrada no documento original]

Para gerar a lista bibliográfica final, realizei o cruzamento de dados conforme as regras estabelecidas.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy