Cena tridimensional clara com uma pequena ilha abstrata, mosquitos estilizados anatômicos e leves elementos de chuva e temperatura em movimento lento.
Arboviroses
Plataforma de Análise Epidemiológica & Inteligência Preditiva
Sinais climáticos e séries históricas transformados em indicadores antecipados de risco para a saúde pública.
Chuva caindo sobre recipientes abstratos que acumulam água, temperatura subindo e mosquitos surgindo gradualmente.
Calor, precipitação e ambiente urbano criam o ciclo favorável ao surto.
Temperaturas elevadas e chuvas recorrentes aceleram o ciclo do Aedes aegypti. Quando os casos se tornam visíveis nos hospitais, a transmissão já está em pico. A intervenção pública requer sinais de alerta antecipados.
Precipitação Pluvial
Água parada no tecido urbano forma criadouros e eleva a densidade larval.
Variação Térmica
O calor acelera a incubação viral no mosquito e encurta o ciclo reprodutivo.
Série de Casos
O histórico epidemiológico reflete a dinâmica de contágio e suscetibilidade.
Elementos de chuva, temperatura e casos convertidos em um fluxo de dados que entra em um núcleo central representando o modelo.
E se os sinais climáticos fossem identificados semanas antes do surto?
Nossa arquitetura combina séries temporais climáticas e históricas de saúde para identificar defasagens (lags) que precedem picos epidêmicos, transformando dados dispersos em suporte acionável à decisão.
Séries Temporais Alinhadas
Organização estruturada de chuva, temperatura e casos na mesma resolução temporal.
Defasagem Temporal (Lags)
Mapeamento de como o acúmulo térmico e hídrico antecede em semanas o aumento de casos.
Camadas Preditivas
Reconhecimento automatizado de padrões sutilmente não-lineares nos dados observados.
Um conjunto desorganizado de pontos de dados se reorganiza em uma linha temporal estruturada ao longo de quatro etapas.
Pipeline de processamento e aprendizado computacional.
Um fluxo de engenharia de dados em 4 fases transforma registros brutos em indicadores de alerta epidemiológico antecipado.
- Etapa 01INPUT BRUTO
Coleta de Sinais
Reunião contínua de notificações epidemiológicas e dados agrometeorológicos.
Séries históricas semanais de saúde pública e estações climáticas.
- Etapa 02PREPROCESSAMENTO
Tratamento & Lags
Harmonização de escalas temporais e cálculo de janelas de defasagem (lags de 2 a 4 semanas).
Imputação de lacunas e normalização multivariada.
- Etapa 03MODELO
Treinamento de ML
O algoritmo aprende padrões de sazonalidade e sensibilidade térmica.
Ajuste de hiperparâmetros e pesos das variáveis climáticas.
- Etapa 04OUTPUT PREDITIVO
Previsão & Incerteza
Projeção antecipada com banda explícita de intervalo de confiança.
Avaliação quantitativa de desempenho (MAE / RMSE).
Representação estilizada da ilha de Florianópolis, com o Norte da Ilha destacado, um marcador em Canasvieiras e uma área de risco ilustrativa.
Monitoramento regional: Florianópolis & Norte da Ilha.
A instituição de pesquisa (EEB Jacó Anderle) localiza-se em Canasvieiras, Norte da Ilha. Apresentamos este recorte territorial para demonstrar como a plataforma de alerta pode ser contextualizada regionalmente.
Pressione o marcador georreferenciado em Canasvieiras no mapa interativo para consultar variáveis locais simuladas de temperatura, chuva e tendência epidemiológica.
- Norte da Ilha de Santa Catarina
- Canasvieiras • Norte da Ilha
- Área de risco ilustrativa
Esta visualização territorial é demonstrativa e não substitui os comunicados epidemiológicos oficiais da Vigilância em Saúde.
Marcador georreferenciado em Canasvieiras (posição ilustrativa).
Série observada vs. projeção preditiva.
A curva preditiva processa o histórico e projeta a tendência para o período subsequente. A faixa sombreada indica a incerteza estatística inerente à modelagem de sistemas biológicos.
- Observado (Histórico)
- Previsto pelo Modelo ML
- Intervalo de Incerteza
Síntese de Projeção Epidemiológica: cenário ilustrativo de Dengue. Pico observado de 1.580 casos. A previsão do modelo aponta uma tendência de aumento rumo à próxima estação, terminando com risco alto.
Ver tabela de dados (ilustrativos)▾
| Mês | Observado (Histórico) | Previsto pelo Modelo ML | Faixa | Temp. | Chuva | Risco |
|---|---|---|---|---|---|---|
| jan/23 | 240 | 267 | 230–304 | 26,6 °C | 200 mm | baixo |
| fev/23 | 420 | 447 | 384–510 | 26,9 °C | 210 mm | moderado |
| mar/23 | 780 | 782 | 673–891 | 25,5 °C | 170 mm | moderado |
| abr/23 | 1.150 | 1.018 | 875–1.161 | 22,7 °C | 130 mm | alto |
| mai/23 | 640 | 652 | 561–743 | 20,2 °C | 110 mm | moderado |
| jun/23 | 210 | 255 | 219–291 | 18,1 °C | 92 mm | baixo |
| jul/23 | 80 | 94 | 81–107 | 17,2 °C | 88 mm | baixo |
| ago/23 | 45 | 49 | 42–56 | 18,0 °C | 88 mm | baixo |
| set/23 | 38 | 44 | 38–50 | 18,8 °C | 122 mm | baixo |
| out/23 | 70 | 79 | 68–90 | 20,6 °C | 152 mm | baixo |
| nov/23 | 160 | 180 | 155–205 | 22,7 °C | 142 mm | baixo |
| dez/23 | 380 | 383 | 329–437 | 24,7 °C | 182 mm | moderado |
| jan/24 | 620 | 644 | 554–734 | 26,8 °C | 204 mm | moderado |
| fev/24 | 1.020 | 1.044 | 898–1.190 | 27,1 °C | 214 mm | alto |
| mar/24 | 1.580 | 1.445 | 1.243–1.647 | 25,7 °C | 174 mm | alto |
| abr/24 | 1.240 | 1.209 | 1.040–1.378 | 22,8 °C | 134 mm | alto |
| mai/24 | 690 | 705 | 606–804 | 20,3 °C | 114 mm | moderado |
| jun/24 | 240 | 286 | 246–326 | 18,3 °C | 96 mm | baixo |
| jul/24 | 95 | 112 | 96–128 | 17,3 °C | 92 mm | baixo |
| ago/24 | 60 | 65 | 56–74 | 18,2 °C | 92 mm | baixo |
| set/24 | — | 130 | 108–152 | 19,0 °C | 126 mm | baixo |
| out/24 | — | 290 | 219–361 | 20,8 °C | 156 mm | baixo |
| nov/24 | — | 560 | 378–742 | 22,8 °C | 146 mm | moderado |
| dez/24 | — | 980 | 585–1.375 | 24,8 °C | 186 mm | alto |
Propósito Operacional do Algoritmo
O objetivo do modelo não é fornecer uma contagem pontual exata, mas sinalizar com antecedência a mudança de tendência e o gradiente de risco para apoiar ações preventivas.
Dados ilustrativos para demonstração do funcionamento técnico do modelo.
Fluxo de dados convergindo para um sinal de alerta antecipado, representado de forma sóbria.
Inteligência antecipada para a gestão de saúde pública.
Identificar Tendências Precoces
Detectar a inclinação positiva na taxa de infecção semanas antes da sobrecarga hospitalar.
Antecipar Períodos Críticos
Sinalizar janelas temporais de alto risco combinando calor sustentado e acúmulo hídrico.
Apoiar Decisões de Bloqueio
Fornecer base analítica para direcionar agentes de endemia e campanhas preventivas focadas.
O sistema opera como ferramenta de suporte à decisão analítica. Não substitui o julgamento clínico nem as diretrizes da Vigilância Epidemiológica.
Fronteiras e responsabilidade do modelo.
O rigor científico exige clareza sobre o escopo e as limitações inerentes à modelagem preditiva:
- 01Saneamento e determinantes sociais: Fatores de infraestrutura urbana não quantificados no clima afetam a incidência.
- 02Comportamento preventivo da população: Mobilizações locais de limpeza de criadouros alteram o ciclo natural.
- 03Qualidade e atraso de notificação: O modelo depende de registros epidemiológicos precisos e tempestivos.
- 04Anomalias climáticas extremas: Eventos meteorológicos atípicos podem aumentar o desvio padrão da previsão.
- 05Estágio de desenvolvimento: Protótipo de pesquisa escolar em processo contínuo de aprimoramento e validação.
O Uso de Machine Learning para Auxiliar na Previsão de Arboviroses Urbanas
Pesquisadores & Integrantes
- Anderson Silva Dias
- Gabriel dos Santos Matheus
- João Vinícius Corrêa de Lima
- Júlia Isadora Corrêa de Lima
- Murilo Ribeiro da Silva
- Nicolas de Jesus Fiuza
Equipe de estudantes pesquisadores responsáveis pela modelagem, coleta de dados e desenvolvimento de software.
Orientação
Kamilla
Professora orientadora da pesquisa escolar
Instituição & Turma
EEB Jacó Anderle
Turma 208 • Florianópolis (2026)
Código & Modelo Preditivo
O código-fonte da aplicação, pipelines de dados e documentação técnica do modelo estão disponíveis publicamente em nosso repositório no GitHub.
Referências Bibliográficas & Fontes de Dados
Bases científicas e governamentais consultadas durante a pesquisa.
Ministério da Saúde
Boletins e orientações sobre arboviroses no Brasil.
InfoDengue
Dados de alerta e séries históricas de casos por município.
Scientific Reports
Estudos sobre modelagem climática e transmissão de arboviroses.
Acta Tropica
Pesquisas sobre ecologia do Aedes aegypti e fatores ambientais.
Composição final reunindo a ilha, o fluxo de dados, uma curva de previsão, elementos climáticos e um mosquito estilizado e discreto.
Antecipar a tendência epidemiológica é ganhar tempo para salvar vidas.
Ciência de dados, pesquisa escolar e tecnologia voltadas para a saúde pública.