Predição da incidência de Zika a partir de determinantes ambientais e métodos de aprendizado de máquina: uma revisão

Tayane Cristiele Rodrigues Mesquita; André Pereira Rosa; Alisson Carraro Borges

doi:10.26848/rbgf.v17.5.p3809-3826

Authors

Tayane Cristiele Rodrigues Mesquita Universidade Federal de Viçosa https://orcid.org/0000-0003-0324-5049
André Pereira Rosa Universidade Federal de Viçosa https://orcid.org/0000-0001-5490-5698
Alisson Carraro Borges Universiade Federal de Viçosa https://orcid.org/0000-0002-9729-6439

DOI:

https://doi.org/10.26848/rbgf.v17.5.p3809-3826

Keywords:

arboviroses, Machine Learning, modelagem, revisão sistemática

Abstract

O aumento na atividade epidêmica global, relacionado às arboviroses, resultou na necessidade de obtenção de ferramentas para monitoramento dessas doenças. No Brasil, os casos de Zika no biênio 2015-2016 apresentaram grande desigualdade na distribuição entre as regiões do país e acredita-se que a existência de condições díspares entre essas seja um ponto de partida para o entendimento dessa questão. A realização de análises nesse sentido requer a utilização de metodologias robustas, capazes de identificar as relações complexas e não-lineares existentes entre determinantes ambientais e a incidência de arboviroses. Assim, nesse estudo teve-se como intuito realizar uma revisão bibliográfica acerca da incidência de arboviroses no Brasil e das possibilidades de utilização de aprendizado de máquina na predição de tais doenças. Para isso, foi realizada uma análise documental e revisão sistemática da literatura científica associada ao tema. Os resultados demonstram ser presumível que haja uma relação entre a incidência de Zika e determinantes sanitárias, climáticas e socioeconômicas. Acredita-se que os algoritmos de aprendizado de máquina abordados podem ser utilizados como ferramentas capazes de realizar predições da incidência de Zika, mesmo que se trate de um fenômeno complexo e que demande a avaliação simultânea de múltiplas variáveis.

Downloads

Download data is not yet available.

Author Biographies

Tayane Cristiele Rodrigues Mesquita, Universidade Federal de Viçosa

Doutora e mestre em Engenharia Agrícola, na área de concentração de Recursos Hídricos e Ambientais, na Universidade Federal de Viçosa (UFV).Graduada em Engenharia Agrícola e Ambiental pela Universidade Federal de Minas Gerais (UFMG). Foi bolsista de iniciação científica, atuando em pesquisas relacionadas a análise de contaminantes químicos em amostras ambientais. Atualmente, é professora substituta no Instituto Federal de Santa Catarina (IFSC), lecionando disciplinas na área de engenharia rural.

André Pereira Rosa, Universidade Federal de Viçosa

Possui graduação em Engenharia Ambiental pela Universidade Federal de Viçosa (2007), mestrado (2009) e doutorado (2013) em Saneamento, Meio Ambiente e Recursos Hídricos pela Universidade Federal de Minas Gerais. Atualmente é professor Adjunto do Departamento de Engenharia Agrícola da Universidade Federal de Viçosa (UFV), atuando no curso de Engenharia Agrícola e Ambiental. Atua na área de Saneamento Básico e Controle ambiental, com ênfase em qualidade da água e sua associação com uso e ocupação do solo, qualidade do meio físico, tratamento biológico de esgoto, digestão anaeróbia, gerenciamento e aproveitamento energético de recursos, monitoramento de sistemas descentralizados e simplificados de esgoto doméstico.

Alisson Carraro Borges, Universiade Federal de Viçosa

Alisson Carraro Borges atua desde 2004 na Universidade Federal de Viçosa (UFV), sendo atualmente Professor Associado IV. É "pesquisador mineiro" (PPM/FAPEMIG) e coordenador do Laboratório da Qualidade Ambiental (lqa.ufv.br). Atualmente orienta 7 candidatos a mestrado/doutorado e coordena 4 projetos de pesquisa financiados por agência de fomento. Como principais indicadores de sua contribuição, implantou o grupo PET.EAA na UFV, possui índice H de 16 no último decênio e 7 de seus ex-orientados são professores em IES públicas. Trabalha prioritariamente com avaliação, modelagem da qualidade, tratamento e reúso de águas superficiais, subterrâneas e residuárias e com saneamento focado em recursos.

References

Albahra, S., Gorbett, T., Robertson, S., D’Aleo, G., Kumar, S. V. S., Ockunzzi, S., Lallo, D., Hu, B., Rashidi, H. H., 2023. Artificial Intelligence and Machine Learning Overview in Pathology & Laboratory Medicine: A General Review of Data Preprocessing and Basic Supervised Concepts. Seminars in Diagnostic Pathology, 40 (2), 71-87. https://doi.org/10.1053/J.SEMDP.2023.02.002

Barbazan, P., Guiserix, M., Boonyuan, W., Tuntaprasart, W., Pontier, D., Gonzalez, J. P., 2010. Modelling the effect of temperature on transmission of dengue. Medical and Veterinary Entomology, 24, 66–73. https://doi.org/10.1016/j.crte.2010.09.006

Barboza, L. A., Chou-Chen, S.-W., Vásquez, P., García, Y. E., Calvo, J. G., Hidalgo, H. G., Sanchez, F., 2023. Assessing dengue fever risk in Costa Rica by using climate variables and machine learning techniques. PLOS Neglected Tropical Diseases, 17(1), e0011047. https://doi.org/10.1371/JOURNAL.PNTD.0011047

Barrera, R., Amador, M., Diaz, A., Smith, J., Munoz-Jordan, J. L., Rosario, Y., 2008. Unusual productivity of Aedes aegypti in septic tanks and its implications for dengue control. Medical and Veterinary Entomology, 22(1), 62–69. https://doi.org/10.1111/J.1365-2915.2008.00720.X

Beserra, E. B., Fernandes, C. R. M., Sousa, J. T., de Freitas, E. M., Santos, K. D., 2010. Efeito da qualidade da água no ciclo de vida e na atração para oviposição de Aedes aegypti (L.) (Diptera: Culicidae). Neotropical Entomology, 39(6), 1016–1023. https://doi.org/10.1590/S1519-566X2010000600026

Brasil, (2017). Manual de vigilância sentinela de doenças neuroinvasivas por arbovírus Ministério da Saúde. Disponível: www.saude.gov.br/svs Acesso: 17 jun. 2023.

Brasil, 2019. Guia de Vigilância em Saúde : volume único, 3o ed. Ministério da Saúde. Disponível: http://bvsms.saude.gov.br/bvs/publicacoes/guia_vigilancia_saude_3ed.pdf. Acesso: 17 jun. 2023.

Breiman, L., 1996. Bagging predictors. Machine Learning, 24(2), 123–140. https://doi.org/10.1023/A:1018054314350

Breiman, L.,2001. ST4_Method_Random_Forest. Machine Learning, 45(1), 5–32. https://doi.org/10.1017/CBO9781107415324.004

Calvet, G., Aguiar, R. S., Melo, A. S. O., Sampaio, S. A., de Filippis, I., Fabri, A., Araujo, E. S. M., Sequeira, P. C., Mendonça, M. C. L., Oliveira, L., Tschoeke, D. A., Schrago, C. G., Thompson, F. L., Brasil, P., Santos, F. B., Nogueira, R. M. R., Tanuri, A., Filippis, A. M. B., 2016. Detection and sequencing of Zika virus from amniotic fluid of fetuses with microcephaly in Brazil: a case study. The Lancet. Infectious diseases, 16(6), 653–660. https://doi.org/10.1016/S1473-3099(16)00095-5

Chitolina, R. F., Anjos, F. A., Lima, T. S., Castro, E. A., Costa-Ribeiro, M. C. V., 2016. Raw sewage as breeding site to Aedes (Stegomyia) aegypti (Diptera, culicidae). Acta Tropica, 164, 290–296. https://doi.org/10.1016/J.ACTATROPICA.2016.07.013

Chouin-Carneiro, T., Vega-Rua, A., Vazeille, M., Yebakima, A., Girod, R., Goindin, D., Dupont-Rouzeyrol, M., Lourenço, R. O., Failloux, A. B., 2016. Differential Susceptibilities of Aedes aegypti and Aedes albopictus from the Americas to Zika Virus. PLOS Neglected Tropical Diseases, 10(3), e0004543. https://doi.org/10.1371/JOURNAL.PNTD.0004543

Colón-González, F. J., Peres, C. A., Steiner, C. B., Hunter, P. R., Lake, I. R., 2017. After the epidemic: Zika virus projections for Latin America and the Caribbean. PLoS Neglected Tropical Diseases, 11(11), 1–19. https://doi.org/10.1371/journal.pntd.0006007

Cutler, D. R., Edwards, T. C., Beard, K. H., Cutler, A., Hess, K. T., Gibson, J., Lawler, J. J., 2007. Random forests for classification in ecology. Ecology, 88(11), 2783–2792. https://doi.org/10.1890/07-0539.1

Silva, C. C., Lima, C. L., Silva, A. C. G., Moreno, G. M. M., Musah, A., Aldosery, A., Dutra, L., Ambrizzi, T., Borges, I. V. G., Tunali, M., Basibuyuk, S., Yenigün, O., Massoni, T. L., Jones, K., Campos, L., Kostkova, P., Silva Filho, A. G., Santos, W. P., 2022. Spatiotemporal forecasting for dengue, chikungunya fever and Zika using machine learning and artificial expert committees based on meta-heuristics. Research on Biomedical Engineering, 38(2), 499–537. https://doi.org/10.1007/S42600-022-00202-6/FIGURES/10

Dada, N., Vannavong, N., Seidu, R., Lenhart, A., Stenström, T. A., Chareonviriyaphap, T., Overgaard, H. J., 2013. Relationship between Aedes aegypti production and occurrence of Escherichia coli in domestic water storage containers in rural and sub-urban villages in Thailand and Laos. Acta Tropica, 126(3), 177–185. https://doi.org/10.1016/J.ACTATROPICA.2013.02.023

Dhaka, A., Singh, P., 2020. Comparative analysis of epidemic alert system using machine learning for dengue and chikungunya. Proceedings of the Confluence 2020 - 10th International Conference on Cloud Computing, Data Science and Engineering, 798–804. https://doi.org/10.1109/CONFLUENCE47617.2020.9058048

Diderichsen, F., Silva Augusto, L. G., 2021. Inequality in Zika virus and congenital Zika syndrome. Zika Virus Biology, Transmission, and Pathways: Volume 1: The Neuroscience of Zika Virus, 43–54. https://doi.org/10.1016/B978-0-12-820268-5.00004-3

Ding, F., Fu, J., Jiang, D., Hao, M., Lin, G., 2018. Mapping the spatial distribution of Aedes aegypti and Aedes albopictus. Acta Tropica, 178, 155–162. https://doi.org/10.1016/J.ACTATROPICA.2017.11.020

Doğan, A., Korkmaz, M., Kirmaci, V., 2023. Estimation of ranque-hilsch vortex tube performance by machine learning techniques. International Journal of Refrigeration. https://doi.org/10.1016/J.IJREFRIG.2023.01.021

Francisco, M. E., Carvajal, T. M., Ryo, M., Nukazawa, K., Amalin, D. M., Watanabe, K., 2021. Dengue disease dynamics are modulated by the combined influences of precipitation and landscape: A machine learning approach. Science of The Total Environment, 792, 148406. https://doi.org/10.1016/J.SCITOTENV.2021.148406

Freitas, P. S. S., Soares, G. B., Mocelin, H. J. S., Lacerda, L. C. X., Prado, T. N., Sales, C. M. M., Perez, F., Bussinger, E. C. A.,Maciel, E. L. N., 2019. Síndrome congênita do vírus Zika: perfil sociodemográfico das mães. Revista Panamericana de Salud Pública, 43, 1. https://doi.org/10.26633/rpsp.2019.24

Gage, K. L., Burkot, T. R., Eisen, R. J., Hayes, E. B., 2008. Climate and Vectorborne Diseases. American Journal of Preventive Medicine, 35(5), 436–450. https://doi.org/10.1016/j.amepre.2008.08.030

Galasso, J., Cao, D. M., Hochberg, R., 2022. A random forest model for forecasting regional COVID-19 cases utilizing reproduction number estimates and demographic data. Chaos, Solitons & Fractals, 156, 111779. https://doi.org/10.1016/J.CHAOS.2021.111779

Garcia, L. P., 2018. Epidemia do vírus Zika e microcefalia no Brasil: emergência, evolução e enfrentamento. Ipea.

Gomes, H., Jesus, A. G., Quaresma, J. A. S., 2023. Identification of risk areas for arboviruses transmitted by Aedes aegypti in northern Brazil: A One Health analysis. One Health, 100499. https://doi.org/10.1016/J.ONEHLT.2023.100499

Grimm, R., Behrens, T., Märker, M., Elsenbeer, H., 2008. Soil organic carbon concentrations and stocks on Barro Colorado Island - Digital soil mapping using Random Forests analysis. Geoderma, 146(1–2), 102–113. https://doi.org/10.1016/j.geoderma.2008.05.008

Grus, J., 2016. Data Science do Zero. Alta Books.

Guo, P., Liu, T., Zhang, Q., Wang, L., Xiao, J., Zhang, Q., Luo, G., Li, Z., He, J., Zhang, Y., Ma, W., 2017. Developing a dengue forecast model using machine learning: A case study in China. PLOS Neglected Tropical Diseases, 11(10), e0005973. https://doi.org/10.1371/JOURNAL.PNTD.0005973

Haggerty, R., Sun, J., Yu, H.,, Li, Y., 2023. Application of machine learning in groundwater quality modeling - A comprehensive review. Water Research, 233, 119745. https://doi.org/10.1016/J.WATRES.2023.119745

Hai, N. A., Khan, A. A., Haq, F., Khan, S., 2021. A study on Adaptation of Aedes Aegypti Mosquito Larvae in Sewage, Boring and Sea Water. Proceedings of 18th International Bhurban Conference on Applied Sciences and Technologies, IBCAST 2021, 481–485. https://doi.org/10.1109/IBCAST51254.2021.9393020

Han, M., Hashemi, S., Joo, S. H., Kim, T., 2016. Novel integrated systems for controlling and prevention of mosquito-borne diseases caused by poor sanitation and improper water management. Journal of Environmental Chemical Engineering, 4(4), 3718–3723. https://doi.org/10.1016/J.JECE.2016.08.013

Hartshorn, S., 2016. Machine Learning With Random Forests And Decision Trees: A Visual Guide For Beginners. 74. https://doi.org/10.1074/jbc.M115.688390

Hastie, T., Tibshirani, R., Friedman, J., 2009. Linear Methods for Classification. https://doi.org/10.1007/b94608_4

Hilgenfeld, R., & Vasudevan, S. G. (2018). Dengue and Zika : Control and Antiviral Treatment Strategies. Springer Nature.

Hoyos, W., Aguilar, J., Toro, M., 2021. Dengue models based on machine learning techniques: A systematic literature review. Artificial Intelligence in Medicine, 119, 102157. https://doi.org/10.1016/J.ARTMED.2021.102157

Huang, Y. J. S., Higgs, S., Vanlandingham, D. L., 2019. Emergence and re-emergence of mosquito-borne arboviruses. Current Opinion in Virology, 34, 104–109. https://doi.org/10.1016/J.COVIRO.2019.01.001

Ismail, S., Fildes, R., Ahmad, R., Wan Mohamad Ali, W. N., Omar, T., 2022. The practicality of Malaysia dengue outbreak forecasting model as an early warning system. Infectious Disease Modelling, 7(3), 510–525. https://doi.org/10.1016/J.IDM.2022.07.008

Izbicki, R., Santos, T. M., 2020. Aprendizado de máquina : uma abordagem estatística (1o ed).

Jiang, D., Hao, M., Ding, F., Fu, J., Li, M., 2018. Mapping the transmission risk of Zika virus using machine learning models. Acta Tropica, 185, 391–399. https://doi.org/10.1016/j.actatropica.2018.06.021

Joshi, A., Miller, C., 2021. Review of machine learning techniques for mosquito control in urban environments. Ecological Informatics, 61, 101241. https://doi.org/10.1016/J.ECOINF.2021.101241

Kubat, M., 2017. An Introduction to Machine Learning. In An Introduction to Machine Learning. https://doi.org/10.1007/978-3-319-63913-0

Laboissiere, L. A., Fernandes, R. A. S., Lage, G. G., 2015. Maximum and minimum stock price forecasting of Brazilian power distribution companies based on artificial neural networks. Applied Soft Computing, 35, 66–74. https://doi.org/10.1016/J.ASOC.2015.06.005

Larrandaburu, M., Sales, F., Vianna, L., Anjos, A. S., Nacul, L., Vieira, M. T. S., Schuler-Faccini, L., 2017. Zika virus infection and congenital anomalies in the Americas: opportunities for regional action. Rev Panam Salud Publica, 41, 1–8. https://doi.org/10.26633/RPSP.2017.174

Liaw, A., Wiener, M., 2002. Classification and Regression by randomForest. R News, 2(3), 18–22.

Lima, L. R., Soares, L. O. L., Filho, P. S. da P. S., 2022. Arboviroses. SCISAUDE.

Lima, T. P. F., Sena, G. R., Neves, C. S., Vidal, S. A., Lima, J. T. O., Mello, M. J. G., Silva, F. A. O. L. da F., 2021. Previsão de óbito e importância de características clínicas em idosos com COVID-19 utilizando o Algoritmo Random Forest. Revista Brasileira de Saúde Materno Infantil, 21(suppl 2), 445–451. https://doi.org/10.1590/1806-9304202100S200007

Lowy, I., 2019. Zika no Brasil: história recente de uma epidemia. Editora Fiocruz.

MacKay, A. J., Amador, M., Diaz, A., Smith, J., Barrera, R., 2009. Dynamics of Aedes aegypti and Culex quinquefasciatus in Septic Tanks. Journal of the American Mosquito Control Association, 25(4), 409–416. https://doi.org/10.2987/09-5888.1

Meshram, V., Patil, K., Meshram, V., Hanchate, D., Ramkteke, S. D., 2021. Machine learning in agriculture domain: A state-of-art survey. Artificial Intelligence in the Life Sciences, 1, 100010. https://doi.org/10.1016/J.AILSCI.2021.100010

Morgan, J., Strode, C., Salcedo-Sora, J. E., 2021. Climatic and socio-economic factors supporting the co-circulation of dengue, Zika and chikungunya in three different ecosystems in Colombia. PLoS Neglected Tropical Diseases, 15(3). https://doi.org/10.1371/JOURNAL.PNTD.0009259

Murphy, K. P., 2012. Machine Learning: A Probabilistic Perspective. The MIT Press.

Neto, S. R. D. S., Oliveira, T. T., Teixeira, I. V., Oliveira, S. B. A., Sampaio, V. S., Lynn, T., Endo, P. T., 2022. Machine learning and deep learning techniques to support clinical diagnosis of arboviral diseases: A systematic review. PLOS Neglected Tropical Diseases, 16(1), e0010061. https://doi.org/10.1371/JOURNAL.PNTD.0010061

Ngai, E. W. T., Wu, Y., 2022. Machine learning in marketing: A literature review, conceptual framework, and research agenda. Journal of Business Research, 145, 35–48. https://doi.org/10.1016/J.JBUSRES.2022.02.049

Okafor, C. E., Iweriolor, S., Ani, O. I., Ahmad, S., Mehfuz, S., Ekwueme, G. O., Chukwumuanya, O. E., Abonyi, S. E., Ekengwu, I. E., Chikelu, O. P., 2023. Advances in machine learning-aided design of reinforced polymer composite and hybrid material systems. Hybrid Advances, 2, 100026. https://doi.org/10.1016/J.HYBADV.2023.100026

Oliveira, A. S. M., Malinger, G., Ximenes, R., Szejnfeld, P. O., Alves, S. S., Bispo, A. M. P., 2016. Zika virus intrauterine infection causes fetal brain abnormality and microcephaly: tip of the iceberg? Ultrasound in Obstetrics & Gynecology, 47(1), 6–7. https://doi.org/10.1002/UOG.15831

OMS, O. M. da S., 2011. Comprehensive Guidelines for Prevention and Control of Dengue and Dengue Haemorrhagic Fever (Edição revisada). WHO Regional Office for South-East Asia.

Ong, J., Liu, X., Rajarethinam, J., Kok, S. Y., Liang, S., Tang, C. S., Cook, A. R., Ng, L. C., Yap, G., 2018. Mapping dengue risk in Singapore using Random Forest. PLOS Neglected Tropical Diseases, 12(6), e0006587. https://doi.org/10.1371/JOURNAL.PNTD.0006587

Perrotta, D., Frias-Martinez, E., Piontti, A. P. Y., Zhang, Q., Luengo-Oroz, M., Paolotti, D., Tizzoni, M., Vespignani, A., 2022. Comparing sources of mobility for modelling the epidemic spread of Zika virus in Colombia. PLOS Neglected Tropical Diseases, 16(7), e0010565. https://doi.org/10.1371/JOURNAL.PNTD.0010565

Queiroz, E. R. S., Medronho, A. M. (2021). Spatial analysis of the incidence of Dengue, Zika and Chikungunya and socioeconomic determinants in the city of Rio de Janeiro, Brazil. Epidemiology & Infection, 149, e188. https://doi.org/10.1017/S0950268821001801

Rahman, M. S., Pientong, C., Zafar, S., Ekalaksananan, T., Paul, R. E., Haque, U., Rocklöv, J., Overgaard, H. J., 2021. Mapping the spatial distribution of the dengue vector Aedes aegypti and predicting its abundance in northeastern Thailand using machine-learning approach. One Health, 13, 100358. https://doi.org/10.1016/J.ONEHLT.2021.100358

Rocha, F. P., Giesbrecht, M., 2022. Machine learning algorithms for dengue risk assessment: a case study for São Luís do Maranhão. Computational and Applied Mathematics, 41(8), 1–27. https://doi.org/10.1007/S40314-022-02101-Z/FIGURES/4

Rodriguez-Galiano, V. F., Ghimire, B., Rogan, J., Chica-Olmo, M., Rigol-Sanchez, J. P., 2012. An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS Journal of Photogrammetry and Remote Sensing, 67(1), 93–104. https://doi.org/10.1016/j.isprsjprs.2011.11.002

Ryan, S. J., Carlson, C. J., Mordecai, E. A., Johnson, L. R., 2019. Global expansion and redistribution of Aedes-borne virus transmission risk with climate change. PLoS Neglected Tropical Diseases, 13(3), 1–20. https://doi.org/10.1371/journal.pntd.0007213

Sadeghieh, T., Sargeant, J. M., Greer, A. L., Berke, O., Dueymes, G., Gachon, P., Ogden, N. H., Ng, V., 2021. Zika virus outbreak in Brazil under current and future climate. Epidemics, 37, 100491. https://doi.org/10.1016/J.EPIDEM.2021.100491

Shawe-Taylor, J.,Cristianini, N., 2004. Kernel Methods for Pattern Analysis. In Journal of the American Statistical Association (Número 476). Cambridge University Press.

Silva, C. C., Lima, C. L., Silva, A. C. G., Moreno, G. M. M., Musah, A., Aldosery, A., Dutra, L., Ambrizzi, T., Borges, I. V. G., Tunali, M., Basibuyuk, S., Yenigün, O., Jones, K., Campos, L., Massoni, T. L., Filho, A. G. da S., Kostkova, P., Santos, W. P., 2021. Forecasting Dengue, Chikungunya and Zika cases in Recife, Brazil: a spatio-temporal approach based on climate conditions, health notifications and machine learning. Research, Society and Development, 10(12), e452101220804–e452101220804. https://doi.org/10.33448/RSD-V10I12.20804

Silva, J. C. B., Machado, C. J. S., 2018. Associations between dengue and socio-environmental variables in capitals of the brazilian northeast by cluster analysis. Ambiente & Sociedade, 21, 1332. https://doi.org/10.1590/1809-4422ASOC0133R2VU18L4TD

Silva, L. A., Peres, S. M., Boscarioli, C., 2021. Introdução à Mineração de Dados - Com Aplicações em R (1o ed). LTC.

Silva, L. J., Angerami, R. N., 2008. Arboviroses no Brasil contemporâneo. Fiocruz. https://doi.org/10.7476/9788575413814.0005

Soares, S. R. A., Bernardes, R. S., Netto, O. de M. C., 2002. Relações entre saneamento, saúde pública e meio ambiente: elementos para formulação de um modelo de planejamento em saneamento. Cadernos de Saúde Pública, 18(6), 1713–1724. https://doi.org/10.1590/S0102-311X2002000600026

Tjaden, N. B., Caminade, C., Beierkuhnlein, C., Thomas, S. M., 2018. Mosquito-Borne Diseases: Advances in Modelling Climate-Change Impacts. Trends in Parasitology, 34(3), 227–245. https://doi.org/10.1016/j.pt.2017.11.006

Xavier, L. L., Honório, N. A., Pessanha, J. F. M., Peiter, P. C., 2021. Analysis of climate factors and dengue incidence in the metropolitan region of Rio de Janeiro, Brazil. PLOS ONE, 16(5), e0251403. https://doi.org/10.1371/JOURNAL.PONE.0251403

Ximenes, R. A. A., Barros, M.., D., Brickley, E. B., Barreto, T. V. A., Montarroyos, U. R., Abtibol-Bernardino, M. R., Mussi-Pinhata, M. M., Duarte, G., Coutinho, C. M., Biason, S. F. M. N., Alecrim, M. G. C., Albuquerque, L. F. A. P., Lopes, M. E. M., Zin, A., Pereira Júnior, J. P., Nielsen-Saines, K., Turchi Martelli, C. M., Rodrigues, L. C., Vieira, W. S., … Oliveira, M. B. G., 2023. Risk of adverse outcomes in offspring with RT-PCR confirmed prenatal Zika virus exposure: an individual participant data meta-analysis of 13 cohorts in the Zika Brazilian Cohorts Consortium. The Lancet Regional Health - Americas, 17, 100395. https://doi.org/10.1016/J.LANA.2022.100395

Xu, Y., Zhou, J., Liu, T., Liu, P., Wu, Y., Lai, Z., Gu, J., Chen, X., 2022. Assessing the risk of spread of Zika virus under current and future climate scenarios. Biosafety and Health, 4(3), 193–204. https://doi.org/10.1016/J.BSHEAL.2022.03.012

Yavari Nejad, F., Varathan, K. D., 2021. Identification of significant climatic risk factors and machine learning models in dengue outbreak prediction. BMC Medical Informatics and Decision Making, 21(1), 1–12. https://doi.org/10.1186/S12911-021-01493-Y/TABLES/6

Zhao, N., Charland, K., Carabali, M., Nsoesie, E. O., Maheu-Giroux, M., Rees, E., Yuan, M., Balaguera, C. G., Ramirez, G. J., Zinszer, K., 2020. Machine learning and dengue forecasting: Comparing random forests and artificial neural networks for predicting dengue burden at national and sub-national scales in Colombia. PLOS Neglected Tropical Diseases, 14(9), e0008056. https://doi.org/10.1371/JOURNAL.PNTD.0008056