Análise preditiva de surtos de doenças de transmissão hídrica e alimentar no Nordeste do Brasil com aplicação de redes neurais.
Loading...
Date
Authors
Advisor
Co-advisors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
As Doenças de Transmissão Hídrica e Alimentar (DTHA), caracterizadas pela ingestão de água ou alimentos contaminados por agentes biológicos, químicos ou físicos, representam um importante problema de saúde pública, agravado pela subnotificação e sazonalidades regionais. Este trabalho teve como objetivo analisar e prever a ocorrência de surtos de DTHA na região Nordeste do Brasil por meio da aplicação de Redes Neurais Artificiais (RNA). Os dados foram obtidos a partir do Sistema de Informação de Agravos de Notificação (SINAN) no período de 2000 a 2023 e analisados por meio de planilhas Excel e arquitetura de rede neural do tipo Multilayer Perceptron. O desempenho do modelo foi avaliado por meio das métricas Erro Absoluto Médio, Raiz do Erro Quadrático Médio, Erro Percentual Absoluto Médio e Coeficiente de Determinação. Os resultados demonstram que o modelo apresentou alta eficiência e acurácia na identificação de padrões de sazonalidade e na estimativa da incidência de casos, superando métodos estatísticos convencionais, com baixos índices de erro residual (MSE) e um coeficiente de determinação (R²) satisfatório superior a 0,93 em todos os estados analisados. As projeções para o período de 2024 a 2026 indicaram padrões distintos entre os estados, com tendências de crescimento, estabilidade ou oscilações, refletindo a complexidade epidemiológica regional. Conclui-se que a utilização de redes neurais artificiais representa uma ferramenta eficaz para a previsão de surtos de DTHA, contribuindo para o fortalecimento da vigilância epidemiológica e para a tomada de decisões em saúde pública, especialmente em cenários marcados por subnotificação de dados.
Abstract in another language
Waterborne and Foodborne Diseases (WFD), characterized by the ingestion of water or food contaminated by biological, chemical, or physical agents, represent a significant public health issue, aggravated by underreporting and regional seasonality. This study aimed to analyze and predict the occurrence of WFD outbreaks in the Northeast region of Brazil through the application of Artificial Neural Networks (ANN). Data were obtained from the Notifiable Diseases Information System (SINAN) covering the period from 2000 to 2023 and analyzed using Excel spreadsheets and a Multilayer Perceptron neural network architecture. Model performance was evaluated using Mean Absolute Error, Root Mean Squared Error, Mean Absolute Percentage Error, and Coefficient of Determination. The results demonstrated that the model exhibited high efficiency and accuracy in identifying seasonal patterns and estimating case incidence, outperforming conventional statistical methods, with low residual error indices (MSE) and a satisfactory coefficient of determination (R²) above 0.93 in all analyzed states. Projections for the period from 2024 to 2026 indicated distinct patterns among states, including trends of growth, stability, or fluctuations, reflecting the regional epidemiological complexity. It is concluded that the use of artificial neural networks represents an effective tool for predicting WFD outbreaks, contributing to the strengthening of epidemiological surveillance and supporting decision-making in public health, especially in scenarios marked by data underreporting.
Keywords
Vigilância epidemiológica, Modelagem preditiva, Segurança dos alimentos, Saúde única
Área do conhecimento
Ciências Agrárias
Citation
FERREIRA, Gabriela Machado. Análise preditiva de surtos de doenças de transmissão hídrica e alimentar no Nordeste do Brasil com aplicação de redes neurais. 2026. 41 f. Monografia (Graduação em Medicina Veterinária) – Centro de Ciências Agrárias e da Biodiversidade, Curso de Medicina Veterinária, Universidade Federal do Cariri, Crato, CE, 2026.