Poisson model and its generalizations applied to dengue data, Brazil

Authors

DOI:

https://doi.org/10.33448/rsd-v9i10.8874

Keywords:

DENV; Linear predictor; Dissemination; Modeling.

Abstract

Objective: analyze and compare the weekly behavior of dengue cases in the five most populous municipalities in the Pernambucan mesoregions, namely Caruaru, Palmares, Recife, Petrolina and Serra Talhada. Method: the weekly epidemiological records of dengue were used, from 2009 to 2018, made available through the Citizen Information Service (SIC). Probability models were applied, more precisely, the Poisson models and their generalizations. Results: the Negative Binomial model stood out in relation to the Quasi-Poisson Model, reducing the dispersion parameters with more precision due to the nature of the overdispersed data. In addition, the analyzes indicated that precipitation and temperature were significant factors that affected the number of cases in some municipalities. Conclusion: modeling has made it a useful tool for local authorities to plan decision-making and intervention in the most propitious periods of proliferation.

References

Baracho, R. C. M., Ismael Filho, A., Gonçalves, A., Nunes, S. T. S., & Borges, P. F. (2014). A influência climática na proliferação da dengue na cidade de Areia, Paraíba. Revista Gaia Scientia, 8(1).

Barbosa, I. R., & da Silva, L. P. (2015). Influência dos determinantes sociais e ambientais na distribuição espacial da dengue no município de Natal-RN. Revista Ciência Plural, 1(3), 62-75.

Bickel, P. J. & Doksum, K. A. (2001). Mathematical statistics: Basic ideas and selected topics. 2nd ed. Prentice–Hall.

Böhm, A. W., Costa, C. D. S., Neves, R. G., Flores, T. R., & Nunes, B. P. (2016). Dengue incidence trend in Brazil, 2002-2012. Epidemiologia e Serviços de Saúde, 25(4), 725-733. Doi: http://dx.doi.org/10.5123/s1679-49742016000400006.

Catão, R. de C. (2011). Dengue no Brasil: abordagem geográfica na escala nacional.

Ceratti, R. K. (2013). Modelos para análise de dados não-normais multivariados longitudinais.

Costa, I. M. P., & Calado, D. C. (2016). Incidência dos casos de dengue (2007-2013) e distribuição sazonal de culicídeos (2012-2013) em Barreiras, Bahia. Epidemiologia e Serviços de Saúde, 25, 735-744. Doi: http://dx.doi.org/10.5123/s1679-49742016000400007.

de Andrade Oliveira, M. A. C., Coelho, F. A., de Barros Freitas, R., TAVARES, A. P., Silva, Í. N. D. P. N., da Silva Pinto, S., & Andrade, F. M. (2018). Perfil das notificações de dengue e sazonalidade no município de Ubá-MG, 2015 A 2016. Revista Científica FAGOC-Saúde, 2(2), 9-14.

de Freitas, J. R., Nascimento, G. I. L. A., de Almeida Ferreira, D. S., Santiago, E. J. P., Moreira, G. R., da Silva, A. S. A., & Cunha Filho, M. (2020). Análise espaço-temporal da incidência de febre Chikungunya no estado de Pernambuco. Research, Society and Development, 9(9), e288997114-e288997114. Doi: http://dx.doi.org/10.33448/rsd-v9i9.7114

de Freitas, J. R., Santiago, E. J. P., de Freitas, J. C. R., da Silva, A. S. A., de Araújo Filho, R. N., Piscoya, V. C., & Cunha Filho, M. (2020). Space-temporal analysis trend of the numbers of dengue cases in Pernambuco-Brazil. Research, Society and Development, 9(7), 526974427. Doi: http://dx.doi.org/10.33448/rsd-v9i7.4427

de Moura, P. M., Docile, T. N., Arnóbio, A., & Figueiró, R. (2014). O Desmatamento e o Crescimento urbano desordenado no estado do Rio de Janeiro: impactos na dinâmica do Dengue. Cadernos UniFOA, 9(24),77-85, 2014.

IBGE. Estimativas da população. (2018). Disponível em: hhttps://www.ibge.gov.br/estatisticas-novoportal/sociais/populacao/9103-estimativas-depopulacao.html?=&t=downloadsi. Acesso em: 21/08/2019.

Kraemer, M.U.G., SinKA, M.E., Duda, K.A., Mylne, A., Shearer, F.M., Barker, C., Moore, C.G., Carvalho, R.G., Coelho, G.E., Van Bortel, W., Hendrickx, G., Schaffner, F., Elyazar, I.R.F., Teng, H.-J., Brady, O.J., Messina. J.P., Pigott, D.M., Scott, T.W., Smith, D.L., Wint, G.R.W., Golding, N., & Hay, S.I. (2015). The global distribution of the arbovirus vectors Aedes aegypti and Ae. albopictus. Elife, 4, e08347. Doi: 10.1038/sdata.2015.35

Leslie, C. (2019). Statistical Analysis of Climate Factors Influencing Dengue Incidences in Colombo, Sri Lanka: Poisson and Negative Bionomial Regression Approach. International Journal of Scientific and Research Publications (IJSRP), 9(2), 133-144. Doi: http://dx.doi.org/10.29322/IJSRP.9.02.2019.p8616.

Magalhães, M. N. (2006). Probabilidade e variáveis aleatórias. Edusp.

Maniero, V. C., Santos, M. O., Ribeiro, R. L., de Oliveira, P. A., da Silva, T. B., Moleri, A. B., & Cardozo, S. V. (2016). Dengue, chikungunya e zika vírus no brasil: situação epidemiológica, aspectos clínicos e medidas preventivas. Almanaque multidisciplinar de pesquisa, 1(1).

Mustafa, M. S., Rasotgi, V., Jain, S., & Gupta, V. (2015). Discovery of fifth serotype of dengue virus (DENV-5): A new public health dilemma in dengue control. Medical journal armed forces India, 71(1), 67-70. Doi: https://doi.org/10.1016/j.mjafi.2014.09.011

Nelder, J.A., & Wedderburn, R.W.M. (1972). Generalized linear models. Journal of the Royal Statistical Society, A 135, 370-384.

Pereira, A. S.; Shitsuka, D. M.; Parreira, F. J.; Shitsuka, R (2018). Metodologia da pesquisa científica. 1. Ed. Santa Maria, RS: UFSM, NTE.

Paula, G. A. (2004). Modelos de regressão: com apoio computacional. São Paulo: IME-USP.

Ramalho, J. Modelos de regressão para dados de contagem. 1996. Dissertação de Mestrado.

Rao, CR (1973) Linear statistical inference and its applications. New York, John Wiley. 560p.

R Core Team. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. 2019. URL http://www.R-project.org/.

Sippy, R., Herrera, D., Gaus, D., Gangnon, R. E., Patz, J. A., & Osorio, J. E. (2019). Seasonal patterns of dengue fever in rural Ecuador: 2009-2016. PLoS neglected tropical diseases, 13(5), e0007360. Doi: https://doi.org/10.1371/journal.pntd.0007360

Salles, T. S., da Encarnação Sá-Guimarães, T., de Alvarenga, E. S. L., Guimarães-Ribeiro, V., de Meneses, M. D. F., de Castro-Salles, P. F., & Moreira, M. F. (2018). History, epidemiology and diagnostics of dengue in the American and Brazilian contexts: a review. Parasites & vectors, 11(1), 264. Doi: https://doi.org/10.1186/s13071-018-2830-8

Tadano, Y. de S., Ugaya, C. M. L., & Franco, A. T. A. (2009). Método de regressão de Poisson: metodologia para avaliação do impacto da poluição atmosférica na saúde populacional. Ambiente & Sociedade, 12(2), 241-255. Doi: https://doi.org/10.1590/S1414-753X2009000200003.

Valle, D., Pimenta, D. N., & da Cunha, R. V. (2015). Dengue: teorias e práticas. SciELO-Editora FIOCRUZ. Doi: https://doi.org/10.1590/0102-311X00016216.

Published

12/10/2020

How to Cite

FREITAS, J. R. de; OLIVEIRA, M. G. F. de M. .; CUNHA FILHO, M.; SILVA, F. S. G. da .; VASCONCELOS, J. M. de. Poisson model and its generalizations applied to dengue data, Brazil. Research, Society and Development, [S. l.], v. 9, n. 10, p. e6629108874, 2020. DOI: 10.33448/rsd-v9i10.8874. Disponível em: https://www.rsdjournal.org/index.php/rsd/article/view/8874. Acesso em: 7 oct. 2022.

Issue

Section

Agrarian and Biological Sciences