Predição de Surtos de Dengue via Aprendizado Supervisionado e Variáveis Climáticas em Bauru-SP

Este trabalho apresenta o desenvolvimento de modelos de aprendizado supervisionado para a predição de surtos de dengue em Bauru-SP, com base em dados semanais de 2015 a 2024. A abordagem integra microdados do SINAN e variáveis meteorológicas do INMET, formulando um problema de classificação binária entre semanas epidemiológicas em estado de surto ou estabilidade. Foram construídos oito atributos bioclimáticos com defasagem de 13 semanas, definida por análise de correlação cruzada, refletindo atrasos biológicos na dinâmica de transmissão. A seleção de atributos foi realizada por teste de Qui-quadrado, organizando os preditores em subconjuntos (G1, G2 e G3) para análise do trade-off entre desempenho e parcimônia. Foram avaliados modelos Naive Bayes (NB), Máquinas de Vetores de Suporte (SVM) e Redes Neurais Artificiais (ANN). O modelo SVM com quatro atributos apresentou o melhor desempenho, com AUC de 83,16% e sensibilidade de 89,40%. A temperatura máxima destacou-se como preditor relevante, cuja exclusão resultou em aumento de falsos negativos. Os resultados indicam que variáveis climáticas permitem antecipar surtos de dengue com até 13 semanas de antecedência, evidenciando o potencial de atributos bioclimáticos com defasagem temporal alinhada à dinâmica epidemiológica.