🦟 Análise Epidemiológica: Dengue x Precipitação

Projeto de análise de correlação temporal entre índice pluviométrico e casos de doenças transmitidas pelo Aedes aegypti (dengue, chikungunya, zika) em Montes Claros/MG.

Hackathon 2026 | Prazo: Março 2026

---

📋 Descrição do Projeto

Este projeto analisa dados epidemiológicos de 2019-2023 para identificar:

• ✅ Correlação entre precipitação e aumento de casos de dengue
• ✅ Lag temporal ideal (período entre chuva e aumento de casos)
• ✅ Padrões sazonais e picos epidêmicos
• ✅ Tendências temporais e áreas de risco

Objetivo

Criar um sistema de alerta precoce baseado em dados meteorológicos para apoiar ações preventivas da vigilância epidemiológica.

---

🗂️ Estrutura do Projeto

hackaton-ev26/
├── data/                          # Dados brutos
│   ├── SINAN_EIXO_2.csv          # Casos de dengue/chikungunya/zika
│   ├── INMET_EIXO_2.csv          # Dados meteorológicos
│   └── DESCRIÇÃO_EIXO_2.txt      # Dicionário de dados
│
├── src/                           # Scripts de análise
│   ├── main.py                    # Tratamento inicial de dados
│   ├── correlacao_temporal.py     # Análise de correlação com lag
│   ├── visualizacoes_apresentacao.py  # Gráficos para apresentação
│   └── run_all.py                 # Pipeline completo
│
├── output/                        # Resultados gerados
│   ├── *.csv                      # Dados processados
│   ├── *.png                      # Visualizações
│   └── RESUMO_EXECUTIVO.md        # Resumo dos achados
│
└── README.md                      # Este arquivo

---

🚀 Como Executar

1. Preparar ambiente

# Ativar ambiente virtual
source venv/bin/activate  # Linux/Mac
# ou
venv\Scripts\activate     # Windows

# Instalar dependências (já instaladas)
pip install pandas numpy matplotlib seaborn

2. Executar análise completa

# Opção 1: Pipeline completo (recomendado)
python src/run_all.py

# Opção 2: Scripts individuais
python src/main.py                           # Tratamento de dados
python src/correlacao_temporal.py            # Análise de correlação
python src/visualizacoes_apresentacao.py     # Visualizações adicionais

3. Ver resultados

Os arquivos gerados estarão em output/:

• Visualizações: 6 arquivos PNG
• Dados processados: CSVs prontos para análise
• Resumo executivo: RESUMO_EXECUTIVO.md

---

📊 Principais Resultados

Insights Principais

🔍 Correlação Temporal Identificada

• Lag ótimo: 6 semanas
• Correlação (r): 0.122 (fraca positiva)
• Interpretação: Após períodos de chuva intensa, observa-se tendência de aumento de casos em ~6 semanas

📈 Picos Epidêmicos

• Precipitação 6 semanas antes dos picos: 26% maior que períodos normais
• 25% das semanas analisadas apresentaram picos epidêmicos

🗓️ Sazonalidade

• Meses com mais casos: Janeiro (778/sem), Fevereiro, Abril
• Meses com mais chuva: Novembro, Fevereiro, Dezembro
• Padrão: chuvas em Nov-Dez → picos em Jan-Mar

⚠️ Tendência Preocupante

• 2023: 27.280 casos (recorde histórico)
• Aumento de 65,6% em relação a 2019

Visualizações Geradas

1. infografico_resumo.png - Painel completo (USE NA APRESENTAÇÃO)
2. analise_picos_epidemicos.png - Identificação de picos
3. sazonalidade_mensal.png - Padrões mensais
4. comparacao_anual.png - Evolução ano a ano
5. correlacao_temporal_precipitacao_casos.png - Análise detalhada de lag
6. heatmap_semanal.png - Densidade temporal

---

🔬 Metodologia

Dados Utilizados

SINAN (Sistema de Informação de Agravos de Notificação)

• 79.778 casos em Montes Claros (2019-2023)
• 255 unidades de saúde notificadoras
• Dados agregados por semana epidemiológica

INMET (Instituto Nacional de Meteorologia)

• 43.824 registros meteorológicos
• Período: 2019-2023
• Variáveis: precipitação, temperatura

Pipeline de Análise

graph LR
    A[Dados Brutos] --> B[Filtrar Montes Claros]
    B --> C[Agregar por Semana]
    C --> D[Análise de Lag 0-6 semanas]
    D --> E[Identificar Melhor Correlação]
    E --> F[Visualizações]
    F --> G[Insights]

Loading

Justificativa do Lag (6 semanas)

O lag de 6 semanas corresponde ao ciclo epidemiológico:

1. Ovo → Adulto do mosquito: ~7-14 dias
2. Incubação do vírus no mosquito: 8-12 dias
3. Incubação no humano: 3-7 dias
4. Tempo até notificação: ~7 dias

Total: ~28-42 dias ≈ 4-6 semanas

---

🎯 Recomendações

Sistema de Alerta Proposto

SE precipitação > 30mm/semana por 2+ semanas consecutivas
   ENTÃO intensificar ações em 4-6 semanas:
      • Campanhas educativas
      • Vistorias domiciliares
      • Eliminação de criadouros
      • Reforço de estoque de inseticidas

Calendário Preventivo

Período	Ação
Out-Dez	Intensificar campanhas (período chuvoso)
Jan-Mar	Máxima vigilância (pico de casos esperado)
Abr-Jun	Manutenção de ações
Jul-Set	Planejamento e preparação

---

📦 Dependências

python >= 3.10
pandas
numpy
matplotlib
seaborn

---

📝 Próximos Passos

Para aprimorar a análise:

1. Modelo Preditivo

   • Implementar regressão linear/ARIMA
   • Validar com dados de 2024
   • Calcular métricas (R², MAE, RMSE)

2. Análise Geoespacial

   • Mapear unidades de saúde
   • Criar mapa de calor por bairro
   • Identificar áreas de maior risco

3. Variáveis Adicionais

   • Incluir temperatura e umidade
   • Dados sociodemográficos
   • Densidade populacional

4. Dashboard Interativo

   • Streamlit/Dash para visualização
   • Atualização em tempo real
   • Sistema de alerta automatizado

---

👥 Autor

Desenvolvido para o Hackathon 2026

---

📄 Licença

MIT License - Ver arquivo LICENSE

---

📚 Referências

• SINAN - Sistema de Informação de Agravos de Notificação
• INMET - Instituto Nacional de Meteorologia
• Literatura sobre ciclo de vida do Aedes aegypti
• Estudos de correlação clima-dengue

---

⚠️ NOTA: Este é um protótipo desenvolvido em ambiente de hackathon. Para uso em produção, são necessárias validações adicionais e acompanhamento de especialistas em epidemiologia.