Análise Temporal da Incidência de Leptospirose e sua Relação com o Índice Pluviométrico na Cidade de Recife – PE, 2007 - 2016

Autores

Palavras-chave:

Leptospirose, Precipitação, Analise temporal, Regressão Beta.

Resumo

A leptospirose é uma doença infecciosa causada pelo contato com a urina de ratos e outros animais contaminados pela bactéria leptospira. A disseminação e persistência da doença são facilitadas pelas enchentes e inundações que ocorrem nos períodos chuvosos. Observou-se em estudos anteriores que a doença apresenta um comportamento sazonal, ocorrendo com maior frequência nos meses de março, abril, maio e início de junho para o litoral da região Nordeste, coincidindo com os maiores níveis pluviométricos. O estado de Pernambuco registrou 47% do total de casos da região Nordeste no ano de 2017, enquanto sua capital representou neste mesmo ano 66% dos casos do estado. Como existe uma associação entre os períodos de chuva e maior incidência de leptospirose, os dados de pluviosidade podem auxiliar na descrição da variável de interesse. O objetivo deste trabalho é comparar o desempenho de modelos temporais, dinâmicos, e regressão beta por meio da análise de previsões, para a cidade de Recife no período de 2007 a 2016. Foi possível observar que as previsões da incidência de leptospirose ajustada apenas com os valores passados, e o modelo de regressão beta com os índices pluviométricos como variável explicativa resultaram em melhor desempenho que o modelo dinâmico incluindo a quantidade de chuva. Conclui-se que tanto a utilização de técnicas de séries temporais quanto à inclusão da pluviosidade como variável explicativa ajudam a prever com antecipação a ocorrência da leptospirose.

Biografia do Autor

Jesy Karolayne Sales dos Santos, UNIVERSIDADE FEDERAL DE SERGIPE - UFS

Departamento de estatiítica e ciências Atuarias

Carlos Raphael Araújo Daniel

Prof. Dr. Do departamento de Estatística e Ciências Atuariais.

André Luiz Pinto dos Santos

Dr. Biometria e estatística aplicada

Guilherme Rocha Moreira

Prof. Dr. de Biometria e estatística aplicada

Referências

AKAIKE, H. A new look at the statistical model identification. IEEE Transactions on Automatic Control, v. 19, n. 6, p. 716-723, 1974.

ALEIXO, N; NETO, J, Clima e saúde: diálogos geográficos, Revista Geonorte, Amazonas, V.8, n.30, p.78-103, 12 nov. 2017.

APAC. Meteorologia. Base de dados do monitoramento pluviométrico. Disponível em: http://www.apac.pe.gov.br/meteorologia. Acesso em: 26 fev. 2019.

BERNARDI, I. Leptospirose e saneamento básico. Florianópolis, SC: UFSC, 2012. Monografia (Especialização em Saúde Pública).

BOX. G.; JENKINS, G.; REINSEL, G. Time Series analysis: forecasting and control. 3rd ed.

New Jersey: Prentice Hall, 1994.

BRASIL. SINAN - Dados Epidemiológicos Sinan. Acesso em: 26 fev. 2019. Disponível em: http://portalsinan.saude.gov.br/dados-epidemiologicos-sinan.

CHAI, T.; DRAXLER, R.R. Root mean square error (RMSE) or mean absolute error (MAE)? – Arguments against avoiding RMSE in the literature. Geoscientific Model Development, v. 7, n.3, p. 1247–1250, 2014.

COSTA, E. et al. Formas graves de leptospirose: aspectos clínicos, demográficos e ambientais. Revista da Sociedade Brasileira de Medicina Tropical, v. 34, n. 3, p. 261-267, 2001.

DATASUS. Ministério da Saúde. Base de dados. Acesso em: 26 fev. 2019. Disponível em: http://www2.datasus.gov.br/DATASUS/.

DIAS, E. D. M. Previsão de Médio Prazo do Consumo de Energia Elétrica no Brasil: Estimação Via Metodologia Box e Jenkins e Regressão Dinâmica. 2008. 109 f. Dissertação (Mestrado) - Curso de Pós-Graduação em Economia Aplicada, Universidade Federal de Juiz de Fora, Juiz de Fora, 2008.

EMILIANO, P.C.; VEIGA, E.P.; VIVANCO, M.J.F.; MENEZES, F.S. Critério de Informação de Akaike versus Bayesiano: Análise Comparativa, 2010. In: Anais do 19° Simpósio de Nacional de Probabilidade e Estatística – SINAPE. 2010.

FERRARI, S. L. P; CRIBARI-NETO, F. Beta regression for modelling rates and proportions, Journal of Applied Statistics, n.31, p. 799–815. 2004.

FILHO, J. Tendência da incidência por leptospirose e a sua relação com os níveis pluviométricos na população do estado de Santa Catarina no período de 2005 a 2015, Palhoça: UNISUL, 2017. Dissertação (Mestrado Ciências da saúde).

GONÇALVES, N. et al. Distribuição espaço-temporal da leptospirose e fatores de risco em Belém, Pará, Brasil. Ciência & Saúde Coletiva, v. 21, n. 12, p. 3947-3955, 2016.

GUIMARÃES, R. et al. Análise temporal da relação entre leptospirose e ocorrência de inundações por chuvas no município do Rio de Janeiro, Brasil, 2007-2012. Ciência & Saúde Coletiva, v. 19, n. 9, p. 3683-3692, 2014.

IBGE. Estimativas da População | IBGE. Acesso em: 26 fev. 2019. Disponível em: https://www.ibge.gov.br/estatisticas/sociais/populacao/9103-estimativas-de-populacao.html?=&t=o-que-e.

KIM, S.; KIM, H. A new metric of absolute percentage error for intermittent demand forecasts International Journal of Forecasting, v. 32, n.3, p. 669-679, July–September 2016.

LOPES, J.; PIMENTA, L. Previsão da Série de Preços Globais de Metanol Através dos Modelos Box & Jenkins e Regressão Dinâmica. Dissertação (Mestrado). Universidade Federal de Juiz De Fora, 2011.

MAGALHÃES, G.; ZANELLA, M.; SALES, M. A ocorrência de chuvas e a incidência de leptospirose em Fortaleza-CE, Hygeia: Revista Brasileira de Geografia Médica e da Saúde, Uberlândia, V. 5, n. 9, p. 87-97, 02 fev. 2010.

MARTINS, K. G. Expansão Urbana Desordenada e Aumento dos Riscos Ambientais à Saúde Humana: Caso Brasileiro, Planaltina: Faculdade UnB Planaltina, Universidade de Brasília, 2012. Monografia (Bacharelado em Gestão Ambiental).

MCELROY, Tucker; MONSELL, Brian. The multiple testing problem for Box-Pierce statistics. Electronic Journal Of Statistics, Washington, v. 8, n. 1, p. 497-522, 2014. Institute of Mathematical Statistics. http://dx.doi.org/10.1214/14-ejs892.

MORETTIN, P.; TOLOI, C. Análise de séries temporais, 2. ed. São Paulo: Egard Blucher, 2006.

PEARSON, K. Notes on the history of correlation. Biometrika, v. 13, n. 1, p. 25-45, 1920.

PEARSON, K. VII. Mathematical contributions to the theory of evolution.—III. Regression, heredity, and panmixia. Philosophical Transactions of the Royal Society of London. Series A, Containing Papers of a Mathematical or Physical Character, v. 187, p. 253-318, 1896.

PELISSARI, D. et al. Revisão sistemática dos fatores associados à leptospirose no Brasil, 2000-2009. Epidemiologia e Serviços de Saúde, v. 20, n. 4, p. 565-574, 2011.

R CORE TEAM. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. 2008. Disponível em: http://www.R-project.org/.

SCHWARZ, G. Estimating the Dimension of a Model. The Annals of Statistics, v.6 n.2, p. 461-464, 1978.

SILVA, M. O. Metodologia de Previsão de Séries Temporais- Box & Jenkins. In: Uma aplicação de árvores de decisão, redes neurais e knn para a identificação de modelos ARMA não-sazonais e sazonais, 2005, p.15- 4.

TASSINARI, W. et al. Distribuição espacial da leptospirose no Município do Rio de Janeiro, Brasil, ao longo dos anos de 1996-1999. Cadernos de Saúde Pública, v. 20, n. 6, p. 1721-1729, 2004.

ZANINI, A. Redes Neurais e regressão dinâmica: um modelo híbrido para previsão de curto prazo da demanda de gasolina automotiva no Brasil. Rio de Janeiro: Pontifícia Universidade Católica do Rio de Janeiro. Dissertação (Mestrado em Engenharia Elétrica: Teoria de Controle e Estatística). 2000.

ZEILEIS, A. et al. Monitoring structural change in dynamic econometric models. Journal of Applied Econometrics, v. 20, n. 1, p. 99-121, 2005.

Downloads

Publicado

02-04-2021

Como Citar

Santos, J. K. S. dos, Daniel, C. R. A., Santos, A. L. P. dos, & Moreira, G. R. (2021). Análise Temporal da Incidência de Leptospirose e sua Relação com o Índice Pluviométrico na Cidade de Recife – PE, 2007 - 2016. Sigmae, 9(2), 22–36. Recuperado de https://publicacoes.unifal-mg.edu.br/revistas/index.php/sigmae/article/view/1075

Edição

Seção

Estatística Aplicada