SPATIAL AND TEMPORAL ANALYSIS FOR DENGUE CASES IN PARAÍBA
DOI:
https://doi.org/10.56238/levv16n51-083Keywords:
Spatial Analysis, Temporal Analysis, DengueAbstract
Recognized by the World Health Organization (WHO) as one of the arboviruses with the greatest global impact, dengue has seen increasing incidence in recent decades, reaching tropical and subtropical countries, where climatic factors, rapid urbanization, and insufficient urban infrastructure favor the spread of the vector. This article focuses on a spatial and temporal analysis of dengue cases in Paraíba. Spatial analysis of area data is used in geoprocessing when the occurrence of the phenomenon under study is measured based on aggregated data by area, such as the number of dengue cases per city. A time series is a set of observations ordered in time. Time series analysis is a statistical method that can be used for planning public actions and policies, as it allows predictions of future events based on past data. The data were obtained from the Ministry of Health/SVSA website - Information System for Notifiable Diseases - Sinan Net. The R software was used for the analyses. The results of the spatial analysis showed that Paraíba had many dengue cases in 2022, with the cities with the highest number of cases being João Pessoa (10,611), Juazeirinho (1,357), and Pombal (1,025). We can also observe a decrease in the number of dengue cases in Paraíba from 2022 to 2025. In the temporal analysis, the data needed to be transformed to a normal distribution to apply the Box-Jenkins technique. The most suitable model was the ARIMA(3,1,1) model, which obtained the lowest values for the selection criteria. The residuals also met the conditions, and the predicted values fell within the confidence interval.
Downloads
References
LOPES, N.; NOZAWA, C.; LINHARES, R. E. C., 2014. Características gerais e epidemiologia dos arbovírus emergentes no Brasil. Revista Pan-Amazônica de Saúde, v. 5, n. 3, p. 55-64.
ORGANIZAÇÃO MUNDIAL DA SAÚDE (OMS), 2023. Dengue and severe dengue. Geneva: World Health Organization. Disponível em: https://www.who.int/news-room/fact-sheets/detail/dengue-and-severe-dengue.
BRASIL. Ministério da Saúde, 2025. Monitoramento dos casos de arboviroses urbanas transmitidas pelo Aedes aegypti (dengue, chikungunya e zika), Semanas Epidemiológicas 1 a 52 de 2024. Boletim Epidemiológico, v. 56, n. 01. Brasília: Ministério da Saúde.
DONALISIO, M. R.; FREITAS, A. R. R., 2015. Dengue no Brasil: situação epidemiológica e contribuições para uma agenda de pesquisa. Revista Brasileira de Epidemiologia, v. 18, supl. 1, p. 220-237.
TEIXEIRA, M. C. N.; ANDRADE, V. R.; VILANI, R. M., 2018. Dengue e o ambiente urbano: a contribuição da análise espacial para a saúde pública. Cadernos de Saúde Pública, v. 34, n. 6, p. 1-12.
LATORRE, M. R. D. O.; CARDOSO, M.R. A., 2001. Análise de séries temporais em epidemiologia: uma introdução sobre os aspectos metodológicos. Revista Brasileira de Epidemiologia, vol. 4, nº 3, pg. 147.
MINISTÉRIO DA SAÚDE, 2025. Tabnet. Informações de Saúde. http://tabnet.datasus.gov.br/cgi/deftohtm.exe?sinannet/cnv/denguebPB.def
SANTOS, M., 2002. A natureza do espaço: técnica e tempo, razão e emoção. 4. ed. São Paulo: Edusp.
CÂMARA, G.; MONTEIRO, A. M. V.; MEDEIROS, J. S.; SPERB, R. M., 2001. Geocampos e geo-objetos: proposta de uma taxonomia para representação de dados geográficos. Revista Brasileira de Cartografia, n. 53, p. 17-28.
BARCELLOS, C.; RAMALHO, W., 2002. Situação atual do geoprocessamento e da análise espacial em saúde no Brasil. Informática Pública, v. 4, n. 2, p. 221-230.
SIEGEL, S., 1975. Estatística não¬ Paramétrica para as ciências do comportamento, São Paulo: McGraw¬Hill do Brasil.
MORETTIN, P. A.; TOLOI, C. M. de C., 2006 Análise de Séries Temporais. 2. ed. [S.l.]: Blucher.
DICKEY, D. A.; FULLER, W. A., 1979. Distribution of the estimators for autoregressive time series with a unit root. Journal of the American Statistical Association, Taylor Francis, v. 74, n. 366a, p. 427–431. Disponível em: hhttps://doi.org/10.1080/01621459. 1979.10482531i.
BOX, G. E. P.; JENKINS, G. M.; REINSEL, G. C., 2015. Time Series Analysis: Forecasting and Control. 5th ed. Hoboken: Wiley.
AKAIKE, H. A., 1974. new look at the statistical model identification. IEEE Transactions on Automatic Control, v. 19, n. 6, p. 716–723. Disponível em: http: //dx.doi.org/10.1109/TAC.1974.1100705i.
