--- title: "Inteligência Artificial e Epidemiologia da Dengue no Brasil" url: https://www.blog.psicometriaonline.com.br/inteligencia-artificial-e-epidemiologia-da-dengue-no-brasil canonical: https://www.blog.psicometriaonline.com.br/inteligencia-artificial-e-epidemiologia-da-dengue-no-brasil language: pt-BR published: 2026-04-23T13:46:12.418Z updated: 2026-04-23T13:46:13.503Z modified: 2026-04-23T13:46:13.503Z author: "Alessandro Reis" categories: ["Inteligência artificial"] tags: ["ciência de dados", "epidemiologia"] description: "Descubra como modelos avançados preveem surtos e por que aprender IA é essencial para epidemiologistas hoje. " source: Blog Psicometria Online --- # Inteligência Artificial e Epidemiologia da Dengue no Brasil > O estudo mostra como a IA pode ampliar significativamente a epidemiologia ao integrar grandes volumes de dados reais (SUS + clima) e transformá-los em previsões úteis. Com ferramentas como o Episcanner e modelos de machine learning, é possível detectar epidemias automaticamente, estimar parâmetros-chave e prever picos com base em múltiplos fatores, inclusive climáticos globais. Isso permite sair da análise retrospectiva para uma abordagem preditiva e estratégica. Assim, dominar IA torna-se essencial para epidemiologistas que desejam compreender melhor a dinâmica das doenças e apoiar decisões em saúde pública. Um estudo recente (ARAUJO et al., 2024) ilustra bem como a IA oferece múltiplas oportunidades para pesquisadores na área da Epidemiologia. Os pesquisadores analisaram doenças como dengue e chikungunya em **todos os 5.570 municípios brasileiros ao longo de 14 anos (2010–2023)**, algo raro em termos de escala . Para isso, integraram bases de dados sobre notificações epidemiológicas (via sistemas como Infodengue, alimentados pelo Ministério da Saúde) e dados climáticos detalhados. ![](/uploads/1776950653507-442901337.png) O resultado foi um dos maiores mapeamentos já feitos da dinâmica dessas doenças no país. Foram identificados **mais de 18 mil eventos epidêmicos de dengue e cerca de 2 mil de chikungunya**, permitindo análises comparativas entre regiões e ao longo do tempo . ## IA e modelagem: o que há de interessante aqui? O aspecto mais interessante desse trabalho, do ponto de vista de IA, não é apenas o uso de dados em larga escala, mas como eles foram modelados. ![](/uploads/1776951279330-380215047.png) Primeiro, os pesquisadores desenvolveram um pipeline computacional chamado ***Episcanner***, capaz de detectar automaticamente epidemias em **séries temporais** e estimar parâmetros epidemiológicos relevantes. Em vez de usar diretamente modelos diferenciais clássicos (como o SIR), eles utilizaram uma função logística conhecida como **modelo de Richards,** que permite aproximar esses sistemas de forma mais eficiente computacionalmente . Essa escolha é interessante porque reduz drasticamente o custo computacional sem perder interpretabilidade epidemiológica. A partir disso, foram estimados parâmetros como: - número reprodutivo básico (R0) - duração da epidemia - semana de pico - tamanho total do surto Uma curiosidade importante: o estudo encontrou uma relação não trivial entre esses parâmetros. Epidemias com maior R0 tendem a ser mais curtas, enquanto surtos mais longos costumam ter menor transmissibilidade . Isso pode parecer contraintuitivo à primeira vista, mas faz sentido quando se considera que transmissões mais intensas “consomem” rapidamente a população suscetível. ## Machine Learning na prática: previsão de surtos Além da modelagem epidemiológica, o estudo também utilizou aprendizado de máquina para prever o momento do pico das epidemias. Para isso, foi aplicado um modelo de **Histogram Gradient Boosting Regression (HGBR)** — uma técnica moderna baseada em árvores de decisão, eficiente para grandes volumes de dados. O modelo utilizou variáveis bastante ricas, incluindo: - clima (temperatura, umidade, precipitação) - dados epidemiológicos passados - características demográficas - até indicadores globais como o índice ENSO (El Niño/La Niña) Um resultado curioso foi a relevância do ENSO: anos com El Niño (valores positivos) tendem a antecipar epidemias, enquanto La Niña tende a atrasá-las . Isso mostra como fenômenos climáticos globais podem influenciar diretamente a saúde local. Outro ponto interessante é que o modelo teve melhor desempenho em regiões com maior sazonalidade climática, como Sul e Sudeste, sugerindo que previsibilidade epidemiológica depende, em parte, da regularidade ambiental. ## Começando na IA Uma vez que epidemias são moldadas por fatores complexos como clima, mobilidade e desigualdade, o epidemiologista que domina IA amplia radicalmente seu alcance: passa de descrever o passado a prever riscos e testar cenários. Aprender modelagem, ML e simulação deixa de ser diferencial e vira competência central para pesquisa e política pública. Nossa formação oferece um caminho aplicado para essa transição, conectando estatística, programação e análise de dados à prática científica. Venha conhecer ! **Referência** ARAUJO, Eduardo C.; CODEÇO, Claudia T.; LOCH, Sandro; VACARO, Luã B.; FREITAS, Laís P.; LANA, Raquel M.; BASTOS, Leonardo S.; ALMEIDA, Iasmim F.; VALENTE, Fernanda; CARVALHO, Luiz M.; COELHO, Flávio C. *Large-scale epidemiological modeling: scanning for mosquito-borne diseases spatio-temporal patterns in Brazil*. 2024. Disponível em: [https://arxiv.org/abs/2407.21286](https://arxiv.org/abs/2407.21286). > **Como citar este artigo:** Reis, A. (2026, 23 de abril). Inteligência artificial e epidemiologia da dengue no brasil. *Blog Psicometria Online*. https://www.blog.psicometriaonline.com.br/inteligencia-artificial-e-epidemiologia-da-dengue-no-brasil