Métodos de Séries Temporais em Estudos Epidemiológicos da Dengue no Brasil: Uma Revisão de Escopo
DOI:
https://doi.org/10.36489/saudecoletiva.2026v18i111p20510-20529Palavras-chave:
Brasil, Dengue, Revisão de escopo, Séries temporais, Vigilância EpidemiológicaResumo
Objetivo: No Brasil, a dengue deixou de ser um problema sazonal e passou a representar um desafio complexo de saúde pública, com surtos difíceis de prever pelos métodos tradicionais. Em 2024, o recorde de casos e os impactos da pandemia de COVID-19 evidenciaram limitações nos registros e na vigilância epidemiológica. Método: Este estudo mapeou a produção científica brasileira (2020–2025) sobre métodos de séries temporais, por meio de uma revisão de escopo baseada nas diretrizes JBI e PRISMA-ScR, analisando 32 artigos de bases como PubMed, Scopus, LILACS e SciELO. Resultados: Observou-se que, embora modelos modernos como LSTM estejam em crescimento, predominam métodos clássicos, como Prais-Winsten e ARIMA/SARIMA, devido à sua aplicabilidade prática. A principal limitação identificada foi a baixa qualidade dos dados do SINAN. Conclusão: Conclui-se que avanços dependem da integração de modelos robustos com dados mais confiáveis.
Referências
Brasil. Ministério da Saúde. Boletim epidemiológico: dengue. Brasília (DF): Ministério da Saúde; 2023. Disponível em: https://www.gov.br/saude/pt-br/assuntos/saude-de-a-z/d/dengue
Teixeira MG, et al. Epidemiological trends of dengue disease in Brazil (2000–2010). PLoS Negl Trop Dis. 2013;7(12):e2520. doi:10.1371/journal.pntd.0002520.
Brasil. Ministério da Saúde. Monitoramento das arboviroses. Brasília (DF): Ministério da Saúde; 2025. Disponível em: https://www.gov.br/saude/pt-br/assuntos/saude-de-a-a-z/a/aedes-aegypti/monitoramento-das-arboviroses
Roster KO, et al. Impact of the COVID-19 pandemic on dengue in Brazil: interrupted time series analysis of changes in surveillance and transmission. PLoS Negl Trop Dis. 2024;18(12):e0012726. doi:10.1371/journal.pntd.0012726.
Antunes JLF, Cardoso MRA. Using time series analysis in epidemiological studies. Epidemiol Serv Saude. 2015;24(3):565–576. doi:10.5123/S1679-49742015000300024.
Box GEP, Jenkins GM, Reinsel GC. Time series analysis: forecasting and control. 5th ed. Hoboken: Wiley; 2015.
McGough SF, et al. A dynamic, ensemble learning approach to forecast dengue fever epidemic years in Brazil using weather and population susceptibility cycles. J R Soc Interface. 2021;18(179):20201006. doi:10.1098/rsif.2020.1006.
Peters DH, et al. Implementation research: what it is and how to do it. Br J Sports Med. 2014;48(8):731–736. doi:10.1136/bmj.f6753.
Tricco AC, et al. PRISMA extension for scoping reviews (PRISMA-ScR). Ann Intern Med. 2018;169(7):467–473. doi:10.7326/M18-0850.
Achcar JA, et al. Use of stochastic volatility models in epidemiological data: application to a dengue time series in São Paulo city, Brazil. J Biostat Epidemiol. 2020;6(1):19–29. doi:10.18502/jbe.v6i1.4755.
Alves MB, et al. ARBOALVO: a Bayesian spatiotemporal learning and predictive model for dengue cases in the endemic Northeast city of Natal, Rio Grande do Norte, Brazil. PLoS Negl Trop Dis. 2025;19(4):e0012984. doi:10.1371/journal.pntd.0012984.
Araújo JLB, et al. The impact of COVID-19 mobility restrictions on dengue transmission in urban areas. PLoS Negl Trop Dis. 2024;18(11):e0012644. doi:10.1371/journal.pntd.0012644.
Bomfim R, et al. Predicting dengue outbreaks at neighbourhood level using human mobility in urban areas. J R Soc Interface. 2020;17(171):20200691. doi:10.1098/rsif.2020.0691.
Castro LA, et al. Using heterogeneous data to identify signatures of dengue outbreaks at fine spatio-temporal scales across Brazil. PLoS Negl Trop Dis. 2021;15(5):e0009392. doi:10.1371/journal.pntd.0009392.
Chen X, Moraga P. Assessing dengue forecasting methods: a comparative study of statistical models and machine learning techniques in Rio de Janeiro, Brazil. Trop Med Health. 2025;53(1):52. doi:10.1186/s41182-025-00723-7.
Chen X, Moraga P. Forecasting dengue across Brazil with LSTM neural networks and SHAP-driven lagged climate and spatial effects. BMC Public Health. 2025;25(1):973. doi:10.1186/s12889-025-22106-7.
Conceição GM, et al. Effect of social isolation on dengue cases during the COVID-19 pandemic in São Paulo State, Brazil. Travel Med Infect Dis. 2021;43:102149. doi:10.1016/j.tmaid.2021.102149.
Daudt-Lemos M, et al. Rising incidence and spatiotemporal dynamics of emerging and reemerging arboviruses in Brazil. Viruses. 2025;17(2):158. doi:10.3390/v17020158.
De Lima MVM, Laporta GZ. Evaluation of the models for forecasting dengue in Brazil from 2000 to 2017: an ecological time-series study. Insects. 2020;11(11):794. doi:10.3390/insects11110794.
Drumond B, et al. Dinâmica espaço-temporal da dengue no Distrito Federal, Brasil: ocorrência e permanência de epidemias. Cien Saude Colet. 2020;25(5):1641–1652. doi:10.1590/1413-81232020255.32952019.
Figueredo MB, et al. Analysis of the correlation between climatic variables and dengue cases in the city of Alagoinhas/BA. Sci Rep. 2023;13:7512. doi:10.1038/s41598-023-34349-8.
Freitas LP, et al. A statistical model for forecasting probabilistic epidemic bands for dengue cases in Brazil. Infect Dis Model. 2025;10(4):1479–1487. doi:10.1016/j.idm.2025.07.014.
Geraldini B, Johansen IC, Justus M. Influence of temperature and precipitation on dengue incidence in Campinas, São Paulo State, Brazil (2013–2022). Rev Soc Bras Med Trop. 2024;57:e00710-2024. doi:10.1590/0037-8682-0080-2024.
Gomes JPM, et al. Relação entre temperatura do ar e incidência de dengue: estudo de séries temporais em Minas Gerais, Brasil (2010–2019). Cad Saude Publica. 2024;40(3):e00076723. doi:10.1590/0102-311XPT076723.
Leandro GCW, et al. Análise temporal e espacial dos casos municipais de dengue no Paraná e indicadores sociais e ambientais, 2012 a 2021: estudo ecológico. Rev Bras Epidemiol. 2022;25:e220039. doi:10.1590/1980-549720220039.2.
Li Z, et al. Improving dengue forecasts by using geospatial big data analysis in Google Earth Engine and the historical dengue information-aided long short-term memory modeling. Biology (Basel). 2022;11(2):169. doi:10.3390/biology11020169.
Li Z. Forecasting weekly dengue cases by integrating Google Earth Engine-based risk predictor generation and Google Colab-based deep learning modeling in Fortaleza and the Federal District, Brazil. Int J Environ Res Public Health. 2022;19(20):13555. doi:10.3390/ijerph192013555.
Lopes R, et al. Ambient temperature and dengue hospitalization in Brazil: a 10-year period case time series analysis. Environ Epidemiol. 2024;9(1):e360. doi:10.1097/EE9.0000000000000360.
Martins ABS, et al. Dengue in Northeastern Brazil: spatial and temporal analysis. Rev Soc Bras Med Trop. 2020;53:e20200012. doi:10.1590/0037-8682-0435-2020.
Monnaka VU, Oliveira CAC. Correlação e sensibilidade do Google Trends para surtos de dengue e febre amarela no estado de São Paulo. Einstein (Sao Paulo). 2021;19:eAO5969. doi:10.31744/einstein_journal/2021AO5969.
Oliveira JF, et al. Interdependence between confirmed and discarded cases of dengue, chikungunya and Zika viruses in Brazil: a multivariate time-series analysis. PLoS One. 2020;15(2):e0228347. doi:10.1371/journal.pone.0228347.
Pereira SB, et al. Emergence and spatiotemporal incidence of dengue in Rio Grande do Sul, Brazil. Sci Rep. 2025;15(1):18933. doi:10.1038/s41598-025-02548-0.
Santana LMR, et al. Spatio-temporal dynamics of dengue-related deaths and associated factors. Rev Inst Med Trop Sao Paulo. 2022;64:e30. doi:10.1590/S1678-9946202264030.
Sebastianelli A, et al. A reproducible ensemble machine learning approach to forecast dengue outbreaks. Sci Rep. 2024;14:2575. doi:10.1038/s41598-024-52796-9.
Silva AAP, et al. Can the loss of vegetation drive the increase in dengue fever cases? PLoS One. 2022;17(1):e0262473. doi:10.1371/journal.pone.0262473.
Silva TFG, et al. Tendências na incidência e letalidade da dengue no Brasil, 2001–2022. Epidemiol Serv Saude. 2025;34:e20240424. doi:10.1590/s2237-96222025v34e20240424.pt.
Silva TR, et al. Tendência temporal e distribuição espacial da dengue no Brasil. Cogitare Enferm. 2022;27:e84000. doi:10.5380/ce.v27i0.84000.
Souza CDF, et al. Space-time dynamics of the dengue epidemic in Brazil, 2024. BMC Infect Dis. 2024;24(1):1056. doi:10.1186/s12879-024-09813-z.
Xavier LL, et al. Analysis of climate factors and dengue incidence in the metropolitan region of Rio de Janeiro. PLoS One. 2021;16(5):e0251403. doi:10.1371/journal.pone.0251403.
