Estimates of gestational syphilis in Brazil using mathematical and artificial intelligence models
DOI:
https://doi.org/10.12662/2317-3076jhbs.v14i1.6617.pe6617.2026Palabras clave:
infecções bacterianas, infecções sexualmente transmissíveis, algoritmos de predição, planejamento em saúdeResumen
Objetivo: estimar novos casos de sífilis em gestantes no Brasil entre 07/2024 e 06/2027 utilizando os modelos Autorregressivo Integrado de Médias Móveis Sazonal (SARIMA), Memória de Curto-Longo Prazo (LSTM) e Suavização Exponencial Complexa (CES). Métodos: foram utilizados dados do Sistema de Informação de Agravos de Notificação referentes às notificações mensais entre janeiro de 2014 e junho de 2024. A validação ocorreu pelas métricas Erro Percentual Absoluto Médio (MAPE), Raiz do Erro Quadrático Médio (RMSE) e Erro Absoluto Médio (MAE). A implementação foi em Python. Resultados: a série não foi estacionária pelo teste de Dickey-Fuller aumentado, teve tendência crescente pelo teste de Mann-Kendall e autocorrelação dos dados pelo teste de Ljung-Box. O SARIMA (RMSE = 987; MAPE = 11%; MAE = 726) e o CES (RMSE = 1225; MAPE = 14%; MAE = 875) tiveram bom desempeno nas métricas de erro, mostrando-se adequados para a série em questão. Porém, o LSTM (RMSE = 811; MAPE = 9%; MAE = 610) foi superior a ambos. Até maio
de 2027, os modelos divergiram em suas previsões. O SARIMA enxergou queda de casos, e o CES, alta. O LSTM estimou uma diminuição seguida de aumento de notificações. Conclusões: todos os modelos testados mostraram-se confiáveis para prever os casos de sífilis em gestantes para os próximos 3 anos no Brasil, mas o LSTM demonstrou maior precisão. Portanto, recomenda-se seu uso na tomada de decisão dos gestores públicos.
Descargas
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Maria Clara da Silva Maia, Antonio Manoel Ferreira Raymundo, Daiane Conceição de Araújo, Kelly de Almeida Schlager, Ketlin Angelin, Lídhia Cainnã de Souza Araújo, Daniela Teixeira Borges, Renata dos Santos Rabello

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.














