Relatório IMDC 2025

Relatório técnico Sprint Infodengue–Mosqlimate Avaliação das Previsões da temporada 2024-2025 Previsões para a temporada 2025-2026 OUTUBRO 2025 1 Aviso Esserelatórioapresentaresultadosdeestudosdecenáriosbaseadosemmodelos. Cenáriossãoconstruções teóricas baseadas em pressupostos e em dados passados. Como tais, devem ser considerados como resultados provisórios, para guiar ações de prevenção, obtidos na presença de incertezas. Atualizações de cenários serão realizadas ao longo da temporada. 2 Destaques Resumo Executivo Desde 2024, o consórcio Infodengue-Mosqlimate realiza desafios anuais de modelagem preditiva para gerar estimativas da incidência de dengue no Brasil a nível estadual. O objetivo é gerar as melhores informações possíveis para apoiar a preparação para os ciclos sazonais da doença. As previsões são produzidas a partir de uma coleção de modelos independentemente desenvolvidos por vários grupos de modelagem com reconhecida experiência em dengue. Os resultados são apresentados por temporada, definidos como o período entre a semana 41 de um ano e a semana 40 do ano seguinte. Na temporada 2024-25, foram gerados dois modelos ensemble, 2023 e 2024, representando cenários de moderada e alta incidência. Na maioria dos estados, a incidência acumulada de casos na temporada esteve dentro da margem de valores prevista pelo modelo de incidência moderada. Para a temporada seguinte (2025-26), apenas um modelo Ensemble foi gerado. Esse modelo estima 1,8 milhões de casos de dengue no país. Destes, 54% estão previstos para o estado de São Paulo e 10% para Minas Gerais. A maioria dos estados deve apresentar picos de incidência menores do que os observados na temporada 2024-25. Ainda assim, esses picos podem ser considerados altos, quando comparados com a média do período 2019-2023. Observa-se uma variabilidade nas previsões dos modelos que geraram o Ensemble, o que reflete a complexidade natural da dinâmica da doença e a grande heterogeneidade da dinâmica da dengue no país. Fatores que podem agravar a situação são: 1. expansão do DENV 3; 2. a emergência de novos virus como Oropouche, que podem vir a ser notificados como dengue; 3. a falha no diagnóstico de chikungunya, que também acaba sendo notificado como dengue. Como conclusão, as análises para a próxima temporada sugerem um ano com características epidêmicas, mas sem sinais de alcançar os extremos de incidência observados em 2024. 3 Introdução Em 2024, o Brasil registrou 6,5 milhões de casos prováveis de dengue, um número recorde comparado com a série histórica, segundo dados do painel de monitoramento de arboviroses do Ministério da Saúde do Brasil1 . Observou-se também a consolidação da expansão da dengue para áreas ao sul e em altitudes onde não se registravamepidemiasdedengue [Rauh et al., 2025]. Esse ano tambémfoicaracterizadopelaco-circulação de chikungunya e expansão do vírus causador da febre oropouche. Prenúncios de uma epidemia intensa em 2024 já haviam sido informados pelo sistema de monitoramento de arboviroses, Infodengue, em 2023, mas a magnitude foi muito maior do que a prevista pelos modelos[Araujo et al., 2025]. Mediante esse cenário de inquietude em relação ao ano seguinte (temporada 2024-25), foi lançada em junho de 2024 a primeira edição do Sprint Infodengue-Mosqlimate com o objetivo de gerar projeções de casos de dengue a nível estadual, a partir das contribuições de uma comunidade aberta de grupos especialistas em modelagem. Seis grupos participaram dessa edição, com resultados apresentados ao Ministério da Saúde e publicados em RelatórioTécnico [Codeço Coelho et al., 2024] e posteriormenteemumartigocientífico[Araujo et al., 2025]. Uma vez que o fim da temporada 2024-2025 foi alcançado, esse relatório tem como primeiro objetivo apresentar uma avaliação das previsões feitas, comparando as incidências previstas pelos modelos com o que foi observado nessa temporada. Os resultados estão ca seção 4. Em abril de 2025, o consórcio Infodengue-Mosqlimate lançou a segunda edição do Desafio, tendo como alvoa temporada 2025-2026. Devidoao amplo sucessoda ediçãoanterior, houveparticipação de15 equipes 1https://www.gov.br/saude/pt-br/assuntos/saude-de-a-a-z/a/aedes-aegypti/monitoramento-das-arboviroses 2 nacionais e internacionais, que contribuíram com 19 modelos de previsão de dengue para todos os estados brasileiros. As predições para 2025-26 são apresentadas na segunda parte desse relatório. A pergunta central que do Desafio Infodengue-Mosqlimate é: Qual é o número esperado de casos prováveis de dengue no Brasil e por cada Unidade da Federação (UF) na próxima temporada? Os grupos de modeladores que se inscrevem para participar, recebem dados históricos para validação de seus modelos. A plataforma Mosqlimate organiza as bases abrangentes de dados epidemiológicos, demográficos e climáticos, assim como proporciona um template no Github para a submissão dos resultados preditivos. Esses resultados são avaliados e os modelos com melhor performance sãovisando a elaboração de um ensemble de previsões. Esse boletim descreve a metodologia do Sprint e os resultados alcançados em 2025 e as previsões para 2026. As etapas do Sprint são: 1. Organização de uma comunidade de modeladores com objetivos, dados e protocolos de comparação de modelos unificados; 2. Geração de um conjunto de modelos independentes testados e treinados com os mesmos dados de temporadas anteriores; 3. Avaliação da performance individual dos modelos, para cada UF do Brasil; 4. Treinamento do(s) modelo(s) Ensemble utilizando as previsões enviadas pelas equipes participantes; 5. Produção de previsões de curva semanal de incidência para a temporada, em cada UF, usando os melhores modelos, simples ou combinados; 6. Monitoramento do desempenho do modelo ensemble promovendo atualizações, correções ou outras melhorias necessárias . 4 Avaliação das predições realizadas para a temporada 2024-2025 As estimativas de curva epidêmica para o período de outubro de 2024 a outubro de 2025 (temporada 202425) foram geradas em agosto e publicadas em outubro de 2024. Eram estimativas de taxa de incidência por semana, por unidade da federação. A temporada anterior havia sido extrema, resultando em grande incerteza. Assim, para cada UF, foram apresentadas estimativas provenientes de dois modelos: • Modelo Ensemble 2023: Predição de incidência a partir de modelos calibrados com dados até 2023, isso é, excluindo o ano atípico de 2024; • Modelo Ensemble 2024: Predição de incidência a partir de modelos calibrados com dados até 2024, isso é, incluindo o ano atípico de 2024; A Figura 1 mostra as estimativas de incidência acumulada de dengue para toda a temporada 202425, calculada como número total de casos preditos, dividido pela população do estado, multiplicado por 100.000. O modelo Ensemble 2024 apresentava previsões de incidência mais altas do que o modelo Ensemble 2023, influenciado pelos dados da epidemia extrema de 2024. Comparando as estimativas com os valores observados (x), observa-se que, em geral, o valor observado estava dentro do intervalo de incerteza das estimativas do modelo Ensemble 2023. Analisando por região do país, observa-se que o modelo Ensemble 2023 apresentou uma tendência de superestimar na região Sul, com as estimativas em PR e RS bem acima do observado. Essa diferença pode indicar um processo de estabilização da transmissão nessa região, após um período de forte expansão. No Sudeste, os valores observados em MG e RJ estão no limite inferior das predições do modelo Ensemble 2023. Já em SP, observa-se a incidência observada no limite superior desse modelo. No Nordeste, a incidência nessa temporada também ficou no limiar inferior das predições do Ensemble 2023. No Norte, os modelos foram bem acurados, com valores observados próximos das estimativas pontuais. No CentroOeste, as predições do modelo 2023 foram acuradas em GO e MT; já no DF e MS, os valores observados estão no limite inferior do intervalo de incerteza. Em conclusão, de forma geral, essa análise indicam uma boa capacidade preditiva do modelo Ensemble 2023, embora com uma tendência de super-estimação em alguns estados. 3 Figure 1: Incidência acumulada de casos de dengue (por 100.000 hab) prevista para a temporada 202425, por UF. Os pontos e barras indicam os valores esperados e a margem de incerteza das previsões feitas pelos modelos de ensemble: em verde, o modelo 2023; em azul, o modelo 2024. O símbolo x indica a incidência acumulada observada na temporada 2024-2025. As figuras a seguir apresentam as curvas de incidência por semana, estimadas pelos modelos Ensemble 2023 e 2024, para cada UF. As figuras também mostram a curva de incidência observada. Cabe a ressalva de que os dados de notificação em 2025 ainda podem sofrer alterações. Para facilitar a leitura, as análises estão organizadas por região. Região Norte As previsões para a região norte indicavam maior taxa de incidência de casos prováveis de dengue no Acre (AC), com pico de incidência de 40 a 60 casos por 100.000 hab (Figura 2, pico das curvas verde e azul). Nos demais estados, não se esperava mais do que 30 casos por 100.000 hab no pico. De forma geral, a notificação em 2024-25 (curva preta tracejada) acompanhou os modelos, e confirmou a maior incidência no Acre. Com exceção do AC e AP, a incidência no Norte foi em geral abaixo dos valores medianos previstos pelos modelos. 4 Figure 2: Curvas preditas e observadas de dengue na região Norte, 2024-25). As linhas verdes e azuis indicam a incidência semanal esperada de casos prováveis de dengue (por 100 mil habitantes) nos estados, de acordo com os modelos Ensemble 2023 e 2024. As faixas indicam a margem de incerteza das predições e a linha pontilhada indica a incidência observada em 2025. Região Nordeste As previsões para a região nordeste indicavam taxas relativamente baixas de incidência de casos prováveis de dengue, com maiores valores alcançando 30 casos por 100.000 hab no pico (BA e RN) (Figura 3). De forma geral, a notificação em 2024-25 (curva preta tracejada) ficou abaixo dos valores medianos previstos pelos modelos. 5 Figure 3: Curvas preditas e observadas de dengue na região Nordeste, 2024-25). As linhas verdes e azuis indicam a incidência semanal esperada de casos prováveis de dengue (por 100 mil habitantes) nos estados, de acordo com os modelos Ensemble 2023 e 2024. As faixas indicam a margem de incerteza das predições e a linha pontilhada indica a incidência observada em 2025. RegiãoCentro-Oeste Em comparação com as Regiões Norte e Nordeste, a incidência esperada de dengue nas UFs da Região Centro-Oeste era bem maior. Em GO, esperava-se incidência na semana de pico, de 50 a 100 casos por 100.000 hab., de acordo com os Ensembles 2024 e 2023, respectivamente. Os dados indicam forte alinhamento com o modelo 2023. Já Mato Grosso do Sul (MS) apresentava expectativa de 50 a 70 casos por 100.000 hab no pico, mas observou um quantitativo significativamente menor, cerca de metade do previsto. Em MT, o modelo 2024 teve melhor performance. No DF, a incidência observada foi bem menor do que a esperada por ambos os modelos, similar ao MS. 6 Figure 4: Curvas preditas e observadas de dengue na região Centro-Oeste, 2024-25). As linhas verdes e azuis indicam a incidência semanal esperada de casos prováveis de dengue (por 100 mil habitantes) nos estados, de acordo com os modelos Ensemble 2023 e 2024. As faixas indicam a margem de incerteza das predições e a linha pontilhada indica a incidência observada em 2025. Região Sudeste No Sudeste, o modelo Ensemble 2024 previa curvas mais altas em SP e MG, alcançando 300 a 400 casos por 100.000 hab, no pico (Figura 5), seguido do RJ com 200 casos por 100.000 hab. O modelo Ensemble 2023 apresentava cenários mais amenos, com 50 casos por 100.000 habitantes no pico, em MG e SP, e valores menores em RJ. As curvas de dados indicam que em SP, a curva observada em 2025 ficou intermediária entre os dois cenários, com pico de 130 casos por 100.000 hab. Já MG e RJ apresentaram alinhamento com os modelos amenos 2023. O estado do Espírito Santo (ES) apresentou alta variabilidade, por causa de problemas com os dados recebidos, e as analises não são confiáveis. 7 Figure 5: Curvas preditas e observadas de dengue na região Sudeste, 2024-25). As linhas verdes e azuis indicam a incidência semanal esperada de casos prováveis de dengue (por 100 mil habitantes) nos estados, de acordo com os modelos Ensemble 2023 e 2024. As faixas indicam a margem de incerteza das predições e a linha pontilhada indica a incidência observada em 2025. Região Sul Na região Sul, os modelos indicavam alta incidência no Paraná, as maiores do país, alcançando 1000 casos por 100.000 hab, na semana de pico (modelo 2024) (Figura 6). A curva observada no Paraná foi muito abaixo. Em SC, os modelos supestimaram a incidência. Apenas no RS, observa-se uma boa aderência. Figure 6: Curvas preditas e observadas de dengue na região Sul, 2024-25). As linhas verdes e azuis indicam a incidência semanal esperada de casos prováveis de dengue (por 100 mil habitantes) nos estados, de acordo com os modelos Ensemble 2023 e 2024. As faixas indicam a margem de incerteza das predições e a linha pontilhada indica a incidência observada em 2025. 5 Previsões para a temporada 2025-2026 Para a temporada 2025–2026, o modelo final é uma combinação (ensemble) dos cinco melhores modelos de cada estado, selecionados entre 19 modelos submetidos por 15 grupos de pesquisa nacionais e internacionais. Mais detalhes sobre os participantes, modelos e metodologias, estão disponíveis na seção de Métodos. Apenas um modelo ensemble foi gerado, diferentemente do apresentado para a temporada anterior. A Figura 7 mostra as incidências acumuladas preditas para cada UF. Para referência, é também apresentada a incidência de casos prováveis de dengue em 2025. O modelo indica uma incidência mais baixa do 8 que em 2024-25 em PR e RS no Sul, SP, no Sudeste, AC e AP no Norte. Espera-se incidência maior na nova temporada, apenas em SC, MG, DF, MS e TO. Os demais, com incidências semelhantes a essa temporada. Figure 7: Incidência acumulada de casos de dengue (por 100.000 hab) prevista para a temporada 202526, por UF. Os pontos e barras indicam os valores esperados e a margem de incerteza das previsões feitas pelo modelo de ensemble. O símbolo x indica a incidência acumulada observada na temporada 2024-2025, para referência. O mapa da Figura 8 mostra as regiões e UFs com tendência de aumento de notificação no próximo ano, quando comparado à temporada 2024-25. Destacam-se SC no Sul, TO no Norte e Ceará, no NE, como UFs com tendência de aumento. O mapa também apresenta comparação com um padrão histórico mais extenso (2019-2023): em amarelo, estão destacados aquelas UFs nas quais a previsão de casos é maior em comparação com essa média histórica. Esses resultados sugerem que embora a incidência esperada seja semelhante a desse ano, esse patamar é alto se comparado a padrões históricos. 9 5.3 Discussão 5.2.4 Região Sudeste No Sudeste, SP, MG e ES têm expectativa de ultrapassar o limiar de 300 casos por 100.000 habs, de acordo com o modelo Ensemble. Apenas RJ tem expectativa abaixo desse limiar. SP deve apresentar mais casos do que a média anual de 2019-2023. Figure 17: Previsão de incidência acumulada de dengue na temporada 2025-26 (casos por 100 mil habitantes) nas UFs da região Sudeste. As curvas em cinza mostram as previsões dos modelos individuais e em azul, o modelo que combina essas previsões na forma de um ensemble. Para referência, as linhas laranjas marcam os limiares de 100 e 300 casos por 100.000 hab. Em vermelho, a incidência média no período 20192023. 5.2.5 Região Sul No Sul, as três UFs têm expectativa de ultrapassar o limiar de 300 casos por 100.000 habs, de acordo com o modelo Ensemble; RS deve apresentar mais casos do que a média anual 2019-2023. Figure 18: Previsão de incidência acumulada de dengue na temporada 2025-26 (casos por 100 mil habitantes)nasUFsdaregiãoSul. As curvas em cinza mostram as previsões dos modelos individuais e em azul, o modelo que combina essas previsões na forma de um ensemble. Para referência, as linhas laranjas marcam os limiares de 100 e 300 casos por 100.000 hab. Em vermelho, a incidência média no período 2019-2023. 5.3 Discussão As curvas epidêmicas apresentadas nesse relatório foram geradas a partir do comportamento histórico da curva de casos prováveis de dengue no país e da sua associação com variáveis ambientais. Elas servem como referência do que pode ser esperado para a temporada 2025-2026, considerando uma certa previsibilidade. 16 No momento atual de grandes mudanças climáticas e ambientais, a premissa de continuidade histórica pode ser falha. Ao longo da temporada, as curvas previstas serão atualizadas, de forma a reduzir a margem de incerteza na medida em que novas informações se tornem disponíveis. Fatores que podem agravar a situação são: 1. expansão do DENV 3; 2. a emergência de novos virus como Oropouche, que podem vir a ser notificados como dengue; 3. a falha no diagnóstico de chikungunya, que também acaba sendo notificado como dengue. 6 Métodos O IMDC definiu três alvos de teste (validação) e um alvo de previsão. O período de interesse abrange a semana epidemiológica (SE) 41 de um ano até a SE 40 do ano seguinte, alinhando-se com a temporada típica de dengue no Brasil 19. Teste de validação 1. Prever o número semanal de casos de dengue por estado (UF) na temporada 20222023 [SE 41 2022SE 40 2023], utilizando dados que abrangem o período de SE 01 2010 a SE 25 2022; Testede validação2. Prever o número semanal de casos de dengue por estado (UF) na temporada 20232024 [SE 41 2023SE 40 2024], utilizando dados que abrangem o período de SE 01 2010 a SE 25 2023; Teste de validação 3: Prever o número semanal de casos de dengue por estado (UF) na temporada 2024-2025 [SE 41 2024-SE40 2025], utilizando dados que abrangem o período de SE 01 2010 a SE 25 2024; Previsão. Prever o número semanal de casos de dengue no Brasil, por estado (UF), na temporada 20252026 [SE 41 2025-SE40 2026], utilizando dados que abrangem o período de SE 01 2010 a SE 25 2025; Posteriormente, os modelos com melhor desempenho médio nos 3 conjuntos de validação, foram incluídos em um modelo Ensemble de previsão para 2026. O modelo foi construído pelo projeto Mosqlimate. Variáveis de desfecho As previsões foram feitas para todas as unidades federativas brasileiras, exceto para o Espírito Santo, que apresentou problemas em sua série de dados de notificação de casos de dengue. Resultados esperados: Para o teste de validação: Curva de casos de dengue para as temporadas 2022–23, 2023–2024 e 2024– 2025, por semana epidemiológica (SE) 41 a 40, incluindo estimativa mediana e intervalos preditivos de 50%, 80%, 90% e 95%. Para previsão: Curva de casos de dengue para a temporada 2025–2026, por SE 41 a 40, incluindo estimativa mediana e intervalos preditivos de 50%, 80%, 90% e 95%. 6.1 Dados Para facilitaro desenvolvimentodos modelos, oprojeto Mosqlimate compiloue disponibilizouna sua plataforma (mosqlimate.org) um conjunto de dados epidemiológicos, demográficos e climáticos acompanhado dos seus respectivos dicionários de variáveis para treinamento dos modelos. A plataforma Mosqlimate provê vários fluxos de acesso aos dados com acesso por meio de URLs(endpoints da API) definidos em https: //api.mosqlimate.org/datastore/. A plataforma também disponibiliza uma API integrada ao GitHub, para facilitar o registro dos modelos (e seus códigos-fonte armazenados no Github) e submissão de previsões. Toda a documentação para acesso aos dados, modelos e previsões armazenado na plataforma está detalhadamente apresentada no endereço https://sprint.mosqlimate.org/data/. O conjunto de dados disponibilizado na plataforma refere-se a variáveis epidemiológicas, demográficas e climáticas de acesso aberto, atualizáveis e disponíveis para todos os estados brasileiros, como descrito a seguir. 1. Notificaçao semanal de casos de dengue (SINAN) 2. Populaçao (IBGE) 3. Shapefile de cidade, regionais de saùde e macroregionais de saude 4. Ambientais 5. Indicadores de temperatura do oceano (ENSO, IOD, PDO) 6. Séries temporais semanais de variáveis climáticas 7. Séries temporais mensais de previsões de variáveis climáticas 17 6.1 Dados Figure 19: Fluxograma de desenvolvimento do 2º desafio Infodengue-Mosqlimate para forecast da dengue no Brasil. 18 6.2 Participantes do Sprint e modelos utilizados Dados de notificação de dengue correspondem a uma série temporal semanal, por município, de casos prováveis de dengue, agregados por data de início de sintomas, desde a semana epidemiológica (SE) 01 de 2010. O arquivo disponível contém informações espaciais (UF, geocode para municípios e regiões e macroregiões de saúde). As fontes são SINAN e IBGE e foram organizadas pelo Infodengue. Observação: os dados do estado do ES estão disponíveis, entretanto, devido a problemas de notificação, não foi obrigatória a inclusão dos treinamentos e forecast neste desafio Dadosdemográficos: Populaçãoestimada nosmunicípios brasileiros, deacordocom IBGE,e uma tabela contendo a ligação entre cada cidade e seu centro de saúde regional e macrorregional Os dados climáticos correspondem a uma reanálise de dados horários do Copernicus ERA5, agregados por semana pelo projeto Mosqlimate, para o período que compreende a SE 01 de 2010 até a SE 17 de 2025. Os dados foram agregados da seguinte maneira: temperatura, umidade e precipitação, originalmente por hora, foram primeiramente agregadas por dia (mín., máx., média), e essas medidas diárias foram agregadas por semana epidemiológica (média). Índices climáticos indicadores de anomalias:: ElNiño–Southern Oscillation (ENSO), Indian Ocean Dipole (IOD) e Pacific Decadal Oscillation (PDO) obtidos por meio do National Oceanic and Atmospheric Administration (NOAA), agregados semanalmente para o período de 04/01/1993 a 03/03/2005 2025-03-03. Descritores ambientais. Características ambientais dos municípios e outras variáveis podem ser agregadas conforme necessário nos períodos 2010 (Koppen) e 2024 (bioma). Conjuntos de dados adicionais REGIC: A publicação Regiões de Influência das Cidades 2018 apresenta a pesquisa realizada para identificar a hierarquia e as áreas de influência das cidades brasileiras, descreve as características gerais da rede urbana detectada e inclui análises temáticas para destacar características específicas das cidades dentro dessarede. Disponível aqui: https://www.ibge.gov.br/geociencias/cartas-e-mapas/redes-geograficas/15798regioes-de-influencia-das-cidades.html. EPISCANNER: Este conjunto de dados contém estimativas dos parâmetros epidemiológicos de número de reprodução, semana depico, duração daepidemia etamanho da epidemiapara todas ascidades brasileiras entre2010e 2025. Ametodologiapara obteressasestimativasestádisponívelaqui: https://arxiv.org/abs/2407.21286. Há um painel mostrando as estimativas: https://info.dengue.mat.br/epi-scanner/, e esses dados podem ser baixados usando a API do mosqlimate: https://api.mosqlimate.org/docs/datastore/GET/episcanner/. NVDI (Índice de Vegetação por Diferença Normalizada) do BDC (CBrazil Data Cube): O BDC é um projeto de pesquisa, desenvolvimento e inovação tecnológica do Instituto Nacional de Pesquisas Espaciais (INPE), Brasil. Ele está produzindo conjuntos de dados a partir de grandes volumes de imagens de sensoriamento remoto de média resolução para todo o território nacional e desenvolvendo uma plataforma computacional para processar e analisar esses conjuntos de dados usando inteligência artificial, aprendizado de máquina e análise de séries temporais de imagens. Ele possui sua biblioteca para obter as imagens. 6.2 Participantes do Sprint e modelos utilizados O desafio reuniu 15 equipes com conhecida expertise em modelagem de dengue, de oito diferentes países que submeteram 19 modelos preditivos para a dengue no Brasil para os anos de 2025 e 2026 20. No final, por questões metodológicas, apenas 15 modelos de 11 equipes foram incluídos na construção do ensemble. A seguir, uma descrição dos modelos finais e suas diferentes metodologias preditivas 2. Table 2: Descrição dos modelos finais incluídos no desafio 2º desafio Infodengue-Mosqlimate para forecast da dengue no Brasil e suas respectivas equipes metodologia Modelo ID Modelo Time Método 108 Preditores da picada IMPA - TECH Autoregressivo 133 Chronos-Bolt JBD-Mosqlimate / FGV/EMAP Aprendizagem de Máquina / Redes Neurais 134 ISI_Dengue_Model Isi Foundation Mecanístico 135 GHR Model The Global Health Resilience - BSC Bayesiano 136 Imperial-TFT Model Imperial College London Aprendizagem de Máquina / Redes Neurais 143 Model fourier-gravidade Strange Attractors Contributor - FGV/EMAP Bayesiano 144 Beat it Beat it - FIOCRUZ Bayesiano 145 CNNLSTM DS_OKSTATE Aprendizagem de Máquina / Redes Neurais 150 LNCC-AR_p-1 D-FENSE Autoregressive 152 LNCC-CLIDENGO-1 D-FENSE Mecanístico 154 LNCC-SURGE-1 D-FENSE Mecanístico 155 Dengue Oracle M1 FGV/EMAP Aprendizagem de Máquina / Redes Neurais 156 Dengue Oracle M2 FGV/EMAP Aprendizagem de Máquina / Redes Neurais 157 UERJ-SARIMAX-2 D-FENSE Autorregressivo 158 DengueSprint_Cornell-PEH_2 Cornell University PEH Bayesiano 19 6.2 Participantes do Sprint e modelos utilizados Figure 20: Equipes participantes no 2º desafio Infodengue-Mosqlimate para forecast da dengue no Brasil 20 6.3 Etapa de validação dos modelos 6.3 Etapa de validação dos modelos O desafio do Sprint foi composto por três etapas: 1. treinamento e validação; 2. treinamento dos modelos ensemble usando os anos de teste. 3. Uso dos modelos e ensembles para fazer forecast para a temporada 2025-2026. Treinamento e validação A grande diferença na incidência de dengue entre os anos 2024 e 2025 no Brasil colocou um desafio maior para os modelos. Para ampliar a gama de situações de treinamento, foram propostas três etapas de validação com o objetivo de prever o número semanal de casos de dengue para as temporadas 2022-2023, 2023-2024 e 2024-2025. Em cada validação, os modelos foram treinados com uma série de casos dos anos de 2010 até a data anterior ao alvo e realizaram forecast para as 52 semanas seguintes. Para essa etapa, todos os estados brasileiros foram incluídos, entretanto, para o Espírito Santo, devido a problemas com os dados, sua inclusão não era obrigatória. Todas as previsões de cada equipe foram enviadas para a plataforma Mosqlimate, usando a ferramenta de registro disponível em https://api.mosqlimate.org/models/. A plataforma também foi projetada para comparar experimentos de previsão conforme métricas de avaliação definidas pela equipe. Scoresde avaliaçãodos modelos O desempenho de cada modelo foi avaliado usando o Weighted Interval Score (WIS), calculado com o pacote mosqlient Python. O WIS é uma regra de pontuação adequada para previsões probabilísticas que equilibra a nitidez e a calibração. Ele resume a qualidade da previsão por meio de uma média ponderada do Interval Score (IS) e do erro absoluto da mediana. Cada modelo neste desafio foi avaliado calculando o WIS médio para cada estado e teste de validação. Avaliamos o desempenho do modelo usando o WIS médio durante todo o período de cada teste de validação (1, 2 e 3). 6.4 Etapa de construção de ensembles O modelo ensemble é uma combinação de diferentes modelos de previsão. Em vez de depender de um único modelo, ele reúne vários aproveitando as qualidades de cada um para obter resultados mais confiáveis. No caso deste trabalho, o ensemble foi construído tomando a mediana dos intervalos de previsão de todos os modelos incluídos. Para decidirquais modelosfariam parte doensemble, foi usadauma medidade desempenhoque chamamos de WIS normalizado, que avalia a qualidade das previsões levando em conta o número total de casos observados em cada teste de validação. Para cada estado, foram selecionados os cinco modelos com menor valor médio dessa métrica nos três períodos de avaliação, ou seja, os cinco modelos que apresentaram melhor desempenho. A escolha de usar os cinco melhores modelos foi feita após um exercício de validação: usamos os dois primeiros períodos de validação para identificar quais modelos seriam incluídos no ensemble do terceiro período. Esse procedimento mostrou que o uso dos cinco melhores modelos resultou em previsões mais precisas do que incluir todos os modelos disponíveis. Para estimar os valores acumulados semanais por estado, aproximamos os intervalos de previsão por meio de uma distribuição log-normal para cada semana. Em seguida, utilizamos cópulas gaussianas para gerar trajetórias que mantêm a dependência temporal entre as semanas, refletindo a autocorrelação presente na série histórica. Mais detalhes sobre esse procedimento podem ser encontrados aqui: https: //github.com/Mosqlimate-project/2nd_IMDC_sprint_results/blob/main/ensemble_results.md. 21 7 Créditos 7.1 Boletim Esse Boletim faz parte dos produtos gerados pelo projeto Infodengue, desenvolvido em parceria com a Fundação Oswaldo Cruz e Fundação Getulio Vargas, com apoio do Ministério da Saúde. Editoria do Boletim Mensal Infodengue: Claudia T. Codeço (Fiocruz) e Flavio C. Coelho (FGV) Produção do Boletim: Fabiana Ganem e Eduardo Araujo 7.2 Equipe Infodengue Coordenação Geral Claudia Codeço, Oswaldo Cruz, Leonardo Bastos e Flavio Codeço Coelho Corpo técnico Sara Souza, Thais Riback, Raquel Lana, Iasmim Almeida, Danielle Ferreira, Vinicius Godinho, Luã Bida, Ayrton Gouveia, Lucas Bianchi, Lais Picinini, Ramila Alencar. Comunicação Marcelle Chagas 7.3 Equipe Mosqlimate Coordenação Geral Flavio Codeço Coelho, Luiz Max Carvalho, Leon Diniz Corpo técnico Fabiana Ganem, Eduardo Araújo, Leonardo Bastos, Zuilho Segundo, Marcio Bastos, Luã Bida, Iasmim Almeida, Davi Barreira, Raquel Lana, Sillas Rocha, Carlos Fonseca. 7.4 IMDC 2025 O Sprint foi realizado pelos projeto Mosqlimate, coordenado pela Fundação Getúlio Vargas e com apoio do Wellcome Trust e Infodengue(Fundação Oswaldo Cruz) com apoio do Ministério da Saúde do Brasil. Coordenaçao do Infodengue-Mosqlimate Dengue Challenge (IMDC): 7.5 Comitê científico Flávio Codeço Coelho (Chair of the Scientific Committee), Luiz Max Carvalho, Leonardo Bastos, Cláudia Torres Codeço, Raquel Martins Lana e Marcela Lopes Santos (Ministry of Health of Brazil) 7.6 Comitê organizador Fabiana Ganem (chair of the Organizing Committee), Eduardo Correa Araujo, Luã Bida Vacaro e Iasmim Ferreira de Almeida. 7.7 Apoios O Infodengue-Mosqlimate Dengue Challenge (IMDC) teve o financiamento do Wellcome Trust e do Ministério da Saúde por meio dos projetos Mosqlimate e Infodengue. 7.8 Saiba Mais Para obter mais informações, consulte: •https://info.dengue.mat.br •https://mosqlimate.org/ •https://sprint.mosqlimate.org/ •https://github.com/Mosqlimate-project/2nd_IMDC_sprint_results 22 8 Referências References [Araujo et al., 2025] Araujo, E. C., Carvalho, L. M., Ganem, F., Vacaro, L. B., Bastos, L. S., Freitas, L. P., Bastos, M., Alencar, R., Bianchi, L., Capellán, R., Chen, X., Cruz, O., Cunha, A., Das, H. K., Fletcher, C., Lana, R. M., Lowe, R., Lührsen, D., Moirano, G., Moraga, P., Stolerman, L. M., Valente, F., Codeço, C. T., and Coelho, F. C. (2025). Leveraging probabilistic forecasts for dengue preparedness and control: the 2024 Dengue Forecasting Sprint in Brazil. [Codeço Coelho et al., 2024] Codeço Coelho, F., codeco, c. t., Ganem dos Santos, F. S., and Correa Araujo, E. (2024). Boletim Mensal Infodengue: Sprint Infodengue-Mosqlimate - Previsões para a temporada 20242025. Technical report, Zenodo. [Rauh et al., 2025] Rauh, C. S., Araujo, E. C., Ganem, F., Lana, R. M., Leandro, A. S., Martins, C. A., Coelho, F. C., Codeço, C. T., Bastos, L. S., and Pinho, S. T. R. (2025). Assessing mosquito dynamics and dengue transmission in Foz do Iguaçu, Brazil through an enhanced temperature-dependent mathematical model. PLOS One, 20(9):e0330902. 23