PreviDengue
Previsão de Casos de Dengue: Carregando...
Analisando dados...
Motor de Previsão
Nossa solução utiliza um modelo de Rede Neural Recorrente (LSTM) para analisar dados históricos e prever a incidência de dengue. Aqui, detalhamos a metodologia, precisão e o impacto de nossa IA.
Arquitetura da IA: LSTM
O coração da nossa solução é uma rede neural com arquitetura Long Short-Term Memory (LSTM). Essa arquitetura é especialista em identificar padrões e tendências em dados que ocorrem em sequência, como a evolução do número de casos ao longo do tempo. É como ter uma 'memória' que se lembra de eventos passados para fazer previsões mais precisas no futuro.
Módulo de Entrada
Recebe e normaliza dados históricos de casos, temperatura, precipitação e umidade.
Camada LSTM
Processa as sequências temporais para aprender relações complexas.
Módulo de Saída
Projeta o número de casos futuros com base nos padrões identificados.
Estrutura do Dataset
Análise e estrutura das informações utilizadas para treinar o modelo. O conjunto de dados totaliza 3.3 milhões de linhas, cobrindo 5.570 municípios brasileiros de 2014 a 2025. Cada linha representa uma semana epidemiológica em um município específico.
| Coluna | Tipo | Exemplo | Descrição |
|---|---|---|---|
| municipio | object | Campinas | Nome do município. |
| numero_casos | int64 | 350 | Contagem de casos de dengue por semana. |
| semana | int64 | 15 | Semana epidemiológica (1 a 53). |
| ano | int64 | 2025 | Ano do registro. |
| T2M | float64 | 24.5 | Temp. Média Semanal (°C). |
| PRECTOTCORR | float64 | 12.8 | Precipitação Total Semanal (mm). |
| RH2M | float64 | 78% | Umidade Relativa do Ar (%). |
Desempenho da IA no Treinamento
Curva de erro durante o processo de treinamento e validação, mostrando a melhoria da precisão do modelo ao longo das épocas.
Métricas de Avaliação
A IA é treinada para minimizar o erro. Usamos métricas de regressão para medir sua precisão.
15.42
RMSE (Erro Médio Quadrático)
Mede o erro médio entre a previsão e o valor real. Um valor menor indica maior precisão.
8.76
MAE (Erro Absoluto Médio)
Mede o desvio médio do modelo. Um valor menor indica que os erros são menores, em média.
91%
R² (Poder Preditivo)
Indica o quão bem o modelo explica a variação nos dados. Um valor próximo de 100% é ideal.
Fontes de Dados Fundamentais
A precisão do nosso modelo é construída sobre a confiabilidade de nossas fontes.
SUS
Dados de casos de dengue confirmados e notificados.
NASA POWER
Informações climáticas de alta resolução, como temperatura e umidade.
Utilidade na Saúde Pública
Tomada de Decisão
As previsões permitem que órgãos de saúde aloquem recursos (equipes, leitos) de forma proativa.
Campanhas de Prevenção
Com a capacidade de identificar áreas de risco, é possível direcionar campanhas e controle de vetores para os locais certos.
Transparência e Conscientização
Apresentar os dados e a metodologia de forma clara aumenta a confiança na ferramenta e empodera a população.