Modelos de fundação captam o contexto humano e ambiental para melhorar a previsão da dengue

O que aconteceu

Previsões precisas e oportunas de dengue podem apoiar a preparação para a saúde pública, mas produzir previsões confiáveis em locais e horizontes de tempo continua sendo um desafio. Foram avaliadas cinco abordagens estatísticas, machine-learning, de aprendizagem profunda e modelo de fundação para previsão de casos de dengue notificados mensalmente em 5.570 municípios brasileiros em horizontes de 1-, 3-, 6- e 12 meses, com previsões retrotestadas de janeiro de 2020 a agosto de 2025. O modelo de fundação da série temporal TimesFM manteve um desempenho de previsão probabilística relativamente estável em horizontes mais longos, enquanto a maioria dos outros modelos apresentou desempenho em declínio. Em seguida, testamos se as representações espaciais do contexto humano e ambiental de um modelo da Fundação de Dinâmica da População (PDFM) poderiam melhorar as previsões através do ajuste residual pós-hoc. O ajuste do PDFM melhorou o desempenho médio de previsão probabilística, medido pelo Weighted Interval Score (WIS), em 19 das 20 combinações modelo-horizonte, embora a magnitude e frequência das melhorias tenham variado entre modelos, horizontes e municípios. As maiores melhorias foram observadas para o N-BEATS, incluindo uma redução da média do WIS de 1,13 no horizonte de seis meses (IC 95% [0,84; 1,48]; Diebold-Mariano p < 0,0001), com melhorias também observadas para XGBoost. A proporção de previsões melhoradas pelo PDFM geralmente aumentou com a contagem de casos de dengue relatada localmente, embora essa relação tenha variado entre modelos. As estratégias de seleção covariável, adaptação espacial e agregação de previsão apresentaram fortes efeitos dependentes do modelo, enquanto o retreinamento mensal do modelo não proporcionou nenhuma vantagem consistente nas configurações avaliadas. Em conjunto, esses achados destacam o potencial de representações pré-treinadas para a previsão da dengue, com benefícios dependentes da previsão de arquitetura, horizonte e configuração de modelagem.