Esta é a única página do portal que faz afirmação sobre o futuro. O modelo que a produz trabalha por temporada de monitoramento, usa a estrutura de propagação da onda e é avaliado prospectivamente, temporada a temporada.
A pergunta operacional é: ao fim de junho, com o histórico fechado, quais municípios devem entrar na lista de prioridade da temporada que começa em julho? A resposta abaixo vem acompanhada do desempenho medido em — temporadas anteriores, com as mesmas variáveis — anunciar o número de um modelo e publicar a lista de outro seria enganoso.
Um modelo de adequabilidade de habitat pergunta se o município tem clima e floresta compatíveis com o ciclo silvestre. A febre amarela silvestre, porém, é uma onda epizoótica que se propaga no espaço, por floresta contígua, entre populações de primatas suscetíveis: o município é atingido porque a onda chegou perto dele, não porque seu clima mudou.
Três medições, feitas antes de construir o modelo, mostram o tamanho desse sinal.
Figura 1. Sinais de contágio e de persistência. Quantas vezes mais provável é um evento na temporada seguinte, dado que houve foco perto na anterior. Variáveis estáticas de habitat não capturam nenhum desses sinais.
Quase todos os casos humanos ocorrem entre dezembro e maio. Agregado por ano civil, dezembro e janeiro da mesma onda cairiam em unidades diferentes. A fonte resolve isso: os arquivos do Ministério da Saúde trazem o campo de temporada de monitoramento, julho a junho, completo em todos os registros, e ele é a unidade de tempo deste modelo.
Figura 2. Distribuição mensal dos registros, 1994–2025. A linha vertical marca o início da temporada de monitoramento. Ela cai no fundo do vale sazonal, de modo que o corte separa ondas em vez de parti-las; o corte por ano civil, em janeiro, cai no pico.
A atribuição do ganho é direta: mesmo algoritmo, mesma validação, conjuntos de variáveis encaixados. O salto está entre o conjunto ambiental — habitat estático — e o de propagação.
Figura 3. PR-AUC em múltiplos do acaso, por conjunto de variáveis. O que falta a um modelo de habitat é a estrutura de contágio, e não mais variáveis ambientais. Acrescentar clima, paisagem e relevo ao conjunto ambiental já esgotado não move o resultado; acrescentar força de infecção, distância ao foco e refratariedade, sim.
O modelo final é uma regressão logística sobre doze variáveis, com um representante por mecanismo e regularização forte. A parcimônia não é estética: com dez formas de medir "quão perto esteve a onda", o ajuste as fazia se cancelarem, e o efeito era pôr no fundo da lista municípios que depois tinham surto.
Figura 4. Coeficientes do modelo final, em escala padronizada. Todos têm o sinal que a epidemiologia prevê. Distância ao foco entra negativa; força de infecção, cobertura florestal e altitude entram positivas. Temporadas desde o último evento entra positiva porque a área recém-atingida é refratária — a população local de primatas foi dizimada e a sobrevivente está imune.
Ordenar bem não é o mesmo que acertar a magnitude. O critério de aceitação do modelo incluiu monotonicidade: um modelo cujo decil de menor risco previsto tem taxa observada acima da média não pode ser usado, por melhor que seja a sua PR-AUC. Com todas as variáveis de propagação juntas, o cancelamento entre preditores colineares produzia exatamente isso; o conjunto parcimonioso resolve, e a figura abaixo o verifica.
Figura 5. Previsto contra observado, por decil de risco, fora da amostra. A calibração é ajustada sempre sobre temporadas anteriores à prevista. Diferentemente do modelo ambiental — cujo decil de topo é superestimado por fator de 2,4 a 4,7 vezes sob bloco espaço-temporal — aqui a rampa de cor de um mapa poderia ser lida como probabilidade.
Os cem municípios de maior risco previsto para a temporada —. A coluna de distância ao foco mostra o quanto de cada previsão vem de proximidade à onda em curso.
| # | Município | UF | Probabilidade | Foco mais próximo | Focos < 100 km | Temporadas desde evento |
|---|
Nenhuma das duas ordenações domina a outra. O modelo é melhor no topo da lista — em cem municípios captura quase o dobro de surtos. A força de infecção crua é melhor na cauda, e em mil municípios captura mais. Para lista curta, use a primeira; para varredura larga em torno da onda, a segunda.
O desempenho não é uniforme, e o padrão tem leitura epidemiológica direta. Separando os municípios conforme houvesse ou não foco a menos de 200 km na temporada anterior, a discriminação dentro da faixa já sob pressão é pequena: a força de infecção é semelhante para todos os municípios próximos ao foco, e qual deles será atingido depende de detalhe que os dados não contêm.
Por temporada, o contraste é nítido. Nas temporadas em que a onda apenas avançava — 2018/19, 2019/20, 2020/21 — o desempenho chega a 23, 16 e 8,6 vezes o acaso. Na temporada em que a onda chegou à Mata Atlântica, 2016/17, cai a 1,2 vezes.
A previsão funciona para o avanço de uma onda em curso e não funciona para a emergência de uma onda nova. É limitação de fundo, e não de ajuste: prever onde a próxima onda começa exigiria variáveis que não estão no painel — densidade e suscetibilidade de primatas, deslocamento humano como via de introdução, e gatilho climático sazonal.
| Limitação | Consequência |
|---|---|
| Emergência de onda nova não é prevista | O modelo diz para onde a onda em curso avança, não onde a próxima começa. |
| População é o segundo maior coeficiente | Continua ambíguo entre exposição real e esforço de notificação. Município grande é mais investigado, e portanto mais notificado. |
| Nenhuma variável de primata | Alouatta é a sentinela do sistema, e a densidade de hospedeiro só aparece indiretamente, por cobertura florestal. |
| Clima recente indisponível na hora de prever | A série climática termina antes do fim da última temporada, o que impede usar gatilhos de anomalia — justamente as variáveis com mecanismo mais plausível para onda nova. |
| Agregar em microrregião não ajuda | Testado: eleva a prevalência e reduz a razão sobre ela. O alerta não pode ser suavizado agregando. |