Métodos de Séries Temporais em Estudos Epidemiológicos da Dengue no Brasil: Uma Revisão de Escopo

Autores/as

DOI:

https://doi.org/10.36489/saudecoletiva.2026v18i111p20510-20529

Palabras clave:

Brasil, Dengue, Revisão de escopo, Séries temporais, Vigilância Epidemiológica

Resumen

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.

Biografía del autor/a

Elton Gustavo José de Souza, Bacharelado em Farmácia pela Universidade Federal de Pernambuco, Sanitarista e Farmacêutico da Secretaria Estadual de Saúde de Pernambuco.

Bacharelado em Farmácia pela Universidade Federal de Pernambuco, Sanitarista e Farmacêutico da Secretaria Estadual de Saúde de Pernambuco.

Eloisa da Conceição Souza, Bacharelado em Enfermagem pela Faculdade Estácio do Recife.

Bacharelado em Enfermagem pela Faculdade Estácio do Recife.

Junior Pereira de Melo, Bacharelado em Farmácia pela Uninassau, Especialista em Farmácia Clínica e Hospitalar

Bacharelado em Farmácia pela Uninassau, Especialista em Farmácia Clínica e Hospitalar

Rógean Vinícus Santos Soares, Biólogo Sanitarista, doutorando em Saúde Coletiva pela UFRJ.

Biólogo Sanitarista, doutorando em Saúde Coletiva pela UFRJ.

Citas

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.

Publicado

2026-07-23

Cómo citar

José de Souza, E. G., Souza, E. da C., Pereira de Melo, J., & Santos Soares, R. V. (2026). Métodos de Séries Temporais em Estudos Epidemiológicos da Dengue no Brasil: Uma Revisão de Escopo. Saúde Coletiva (Barueri), 18(111), 20510–20529. https://doi.org/10.36489/saudecoletiva.2026v18i111p20510-20529

Número

Sección

Revisión bibliográfica