As arboviroses transmitidas pelos mosquitos Aedes aegypti e Aedes albopictus representam um dos principais desafios de saúde pública, sendo a dengue a mais destacada. O manejo de epidemias de dengue requer preparação avançada; assim, predizer o número semanal de casos em uma região específica pode auxiliar nas estratégias de prevenção e controle do processo epidêmico. Neste estudo, avaliamos a eficácia de técnicas estatísticas clássicas e métodos de aprendizado de máquina na predição do número de casos semanais de dengue, utilizando dados geográficos de San Juan, Porto Rico, e das 27 unidades federativas brasileiras. Em San Juan, selecionamos as características baseando-nos na matriz de correlação cruzada com o número total de casos semanais de dengue e aplicamos transformações wavelet na característica selecionada, onde o modelo de Regressão Linear (LR), que utiliza níveis de precipitação e índices de vegetação filtrados pela wavelet Symmlet (sym20), apresentou os melhores resultados em métricas como MAE, R-quadrado , MAPE, RMSE e BIAS, mostrando redução em 67,22% de RMSE se comparados ao LR univariado sem filtragem por wavelets. Para as unidades federativas brasileiras, um procedimento semelhante foi realizado, mas sem o uso da matriz de correlação cruzada, sendo o modelo LightGBM univariado, treinado em 26 cidades (cross-learning) e validado individualmente em cada unidade federativa através da técnica univariada utilizando leave-one-out e predições one-step, o que demonstrou superioridade tanto nas validações individuais quanto em comparação com a localidade geográfica de San Juan, onde o modelo não foi treinado, evidenciando uma melhor generalização dos resultados em comparação com outros modelos rasos, profundos e fundadores como TimeGPT-1 e MOIRAI.
|
