Tempo
A notificação descreve o que já ocorreu
A decisão preventiva precisa combinar o observado com sinais futuros e incerteza.
Deep Tech · GovHealth
Inteligência Artificial
Saúde Pública
Dengo AI
Inteligência epidemiológica preditiva para transformar dados de dengue em sinais de risco, mapas e apoio à decisão.
5.570
séries municipais modeladas
0,9455
R² global T+1 · avaliação retrospectiva
4
horizontes semanais simultâneos
Dengue · modelo atual
Chikungunya e Zika · roadmap V4.1
Registro INPI BR 51 2026 004146-5
Métricas internas de 2025; o próximo ciclo científico é a V2.1. O sistema ainda não opera como alerta oficial.
O problema
A dengue cresce rápido. A resposta pública precisa de tempo e contexto.
Dados de vigilância amadurecem com revisões, enquanto risco, sazonalidade e capacidade de resposta variam entre municípios.
6,5 mi+
casos prováveis em 2024
6.321
óbitos confirmados em 2024
Fonte: Ministério da Saúde, Informe Semanal SE 46/2024 e Nota Informativa nº 12/2025. Dados sujeitos a revisão.
Escala
5.571 realidades municipais
Volume, clima, sazonalidade, infraestrutura e qualidade do dado não são uniformes.
Ação
Previsão isolada não basta
O sinal precisa chegar com contexto, qualidade e um fluxo claro de revisão humana.
A solução
Uma plataforma para prever, explicar e priorizar.
O Dengo conecta dados epidemiológicos e climáticos a um modelo nacional probabilístico e a uma camada de produto orientada à vigilância.
Dados públicoscasos, clima e território
→
Pipelineharmonização semanal
→
TFT nacionalT+1 a T+4 e quantis
→
Inteligênciarisco, incerteza e contexto
→
Gestortriagem e decisão humana
Predição
Quatro semanas
Horizontes simultâneos para diferentes janelas de planejamento.
Cobertura
Escala municipal
Um modelo treinado conjuntamente em 5.570 séries brasileiras.
Incerteza
Sete quantis
Faixas experimentais para comunicar amplitude e risco.
Produto
Dashboard e relatórios
Protótipos para transformar a previsão em informação acionável.
Tecnologia
O cérebro: Temporal Fusion Transformer.
Uma arquitetura de deep learning para séries temporais com múltiplas variáveis, horizontes e saídas probabilísticas.
- Encoder atual de 26 semanas por município.
- Histórico epidemiológico e variáveis climáticas.
- Previsão direta de T+1, T+2, T+3 e T+4.
- Sete quantis para IC50, IC80 e IC95.
- 3.980.351 parâmetros treináveis.
Em linguagem simples: o modelo aprende padrões compartilhados do Brasil sem apagar as diferenças entre séries municipais.
1 · Memória
Contexto temporal
Processa as semanas anteriores e o estado recente de cada série.
2 · Atenção
Padrões relevantes
Pondera relações temporais úteis para cada horizonte.
3 · Seleção
Variáveis internas
Controla a contribuição dos sinais sem tratá-los como causas.
4 · Saída
Previsão probabilística
Entrega mediana e intervalos para quatro semanas futuras.
Resultados e rigor científico
Desempenho promissor com limitações documentadas.
0,9455
R² global T+1
267.360
janelas por horizonte
79,9%
IC80 após recalibração interna
| Horizonte | R² | RMSE | MAE |
|---|---|---|---|
| T+1 | 0,9455 | 33,54 | 3,86 |
| T+2 | 0,9157 | 41,56 | 4,47 |
| T+3 | 0,8725 | 50,80 | 5,04 |
| T+4 | 0,8281 | 58,56 | 5,45 |
Interpretação correta: validação retrospectiva interna sobre o alvo processado de 2025.
- O alvo foi truncado em parte do período avaliado.
- ONI observado apresenta risco de look-ahead.
- Não existe teste final totalmente independente.
- A calibração atual usa janelas temporais dependentes.
A V2.1 foi desenhada para corrigir esses pontos antes da promoção operacional.
Os próximos slides detalham desempenho regional, calibração, alarme, heterogeneidade e auditoria.
Resultados por território
Cobertura nacional não significa desempenho uniforme.
5 regiões
avaliadas separadamente nos quatro horizontes
O Sul apresenta o menor R² regional em todos os horizontes; a V2.1 deve investigar regime, dados e generalização.
R² sobre o alvo processado · validação retrospectiva interna de 2025.
| Região | T+1 | T+2 | T+3 | T+4 | Séries |
|---|---|---|---|---|---|
| Brasil | 0,9455 | 0,9157 | 0,8725 | 0,8281 | 5.570 |
| Norte | 0,9440 | 0,9193 | 0,8883 | 0,8551 | 450 |
| Nordeste | 0,9242 | 0,8920 | 0,8609 | 0,8371 | 1.794 |
| Centro-Oeste | 0,9425 | 0,9178 | 0,8928 | 0,8729 | 467 |
| Sudeste | 0,9469 | 0,9167 | 0,8729 | 0,8279 | 1.668 |
| Sul | 0,8926 | 0,8671 | 0,8273 | 0,7798 | 1.191 |
T+1
RMSE 33,54
MAE 3,86
T+2
RMSE 41,56
MAE 4,47
T+3
RMSE 50,80
MAE 5,04
T+4
RMSE 58,56
MAE 5,45
Confiabilidade e auditoria
Precisão pontual, incerteza e risco metodológico.
Cobertura probabilística
| Horizonte | IC80 bruto | IC80 V2.0.1 | IC95 V2.0.1 |
|---|---|---|---|
| T+1 | 27,50% | 79,94% | 94,92% |
| T+2 | 26,27% | 79,88% | 94,92% |
| T+3 | 25,43% | 79,79% | 95,02% |
| T+4 | 24,94% | 79,90% | 94,91% |
Alarme experimental · limiar P90 nacional
| Horizonte | Precisão | Recall | F1 |
|---|---|---|---|
| T+1 | 0,9395 | 0,7609 | 0,8408 |
| T+2 | 0,9360 | 0,7103 | 0,8077 |
| T+3 | 0,9301 | 0,6625 | 0,7738 |
| T+4 | 0,9221 | 0,6256 | 0,7455 |
3.920
baixo volume
1.068
R² ≥ 0,50
336
moderadas
246
fracas
A1 · Crítico
Ground truth modificado em 5.121 linhas de 2025.
A2 · Crítico
ONI revisável tratado como futuro conhecido.
A3 · Crítico
Ausência de teste final independente.
A4 · Alto
Split aleatório com dependência temporal.
A recalibração corrige a cobertura no split interno, mas não produz garantia prospectiva. O alarme não equivale a uma definição oficial de surto.
Produto e aplicação
Da curva ao contexto de decisão.
O protótipo organiza previsão, intervalo, qualidade e revisão humana em uma experiência única.
Secretarias
Triagem de municípios, planejamento de investigação e leitura de risco.
Vigilância
Sinal, limiar local, dados observados e incerteza no mesmo fluxo.
Gestão regional
Visão comparável para priorizar suporte entre territórios.
Dengo AI · Inteligência municipalOrigem: SE 18
T+1mediana prevista
IC 80%faixa de predição
Revisarstatus experimental
Sinal para revisãoO gestor confirma frescor, tendência e contexto antes de qualquer ação.
Benefícios operacionais ainda serão medidos prospectivamente; o dashboard atual é um protótipo de decisão.
Mercado e modelo de negócio
B2G como entrada. B2B como expansão.
5.571
municípios brasileiros na divisão de 2025
27
unidades federativas e níveis regionais de gestão
Os números representam unidades administrativas potenciais, não clientes contratados.
Foco atual: vigilância pública municipal, regional e estadual. A arquitetura compartilhada permite ampliar cobertura sem manter um modelo isolado por cliente.
Core · B2G
Gestão pública
Licenciamento institucional, implantação, monitoramento e suporte à vigilância.
Expansão · B2B
Hospitais e redes
Planejamento assistencial após integração e validação com internações, demanda e área de influência.
Expansão · B2B
Planos de saúde
Inteligência regional e planejamento de rede com dados agregados, finalidade e governança definidas.
Longo prazo
Indústria e APIs
Analytics para farmacêuticas e laboratórios, além de APIs, somente com validação específica.
Receita potencial: licenciamento B2G, assinatura de analytics B2B e APIs por escopo.
O modelo atual prevê casos municipais — não internações, sinistros ou demanda farmacêutica. Cada vertical exige novos dados e validação.
Ativos e diferenciação
Uma vantagem construída em dados, modelo e produto.
O Dengo não substitui o ecossistema oficial. Sua tese é integrar capacidades técnicas e operacionais em uma plataforma auditável.
Dados
Pipeline nacional
Séries semanais harmonizadas, clima e contexto territorial.
Modelo
Predição probabilística
TFT nacional, quatro horizontes e sete quantis.
Produto
Fluxo de decisão
Dashboard, alertas experimentais, relatórios e registro humano.
Propriedade intelectual
Software registrado
Programa de computador protegido por registro no INPI.
| Dimensão | Estado atual | Próximo fortalecimento |
|---|---|---|
| Escala | 5.570 séries modeladas | Operação semanal governada |
| Evidência | Retrospectiva interna | Teste independente e prospectivo |
| Produto | Protótipo funcional | Usabilidade e fatores humanos |
| Negócio | Reconhecimento inicial | Validação comercial e implantação |
InfoDengue, Mosqlimate, SINAN e painéis públicos são fontes, referências e possíveis integrações.
Fundador e reconhecimento
Guilherme Henrique Pereira
Engenheiro de Dados · Idealizador e desenvolvedor
Especialização prática em IA, Machine Learning, Big Data, automação, cloud e construção de sistemas escaláveis.
PythonML & Big DataCloudBackendDIO Expert
Graduando em Engenharia de Software na UNINTER.
Volvo Group
Python, IA generativa e automação de análises documentais.
Votorantim
Integração SAP–ServiceNow e eficiência operacional.
Vivo
Java Spring Boot, bancos de dados e performance backend.
Vencedor
Curitiba Mais Criativa
IA e Criatividade Aplicada · 2026
Finalista
Prêmio Brasil Criativo
Etapa nacional · 2026
Selecionado
Growth Challanger
Founders Club
Roadmap · Fundação e operação
Da evidência interna ao uso prospectivo seguro.
✓ V2.0 / V2.0.1
Base retrospectiva
TFT nacional, T+1 a T+4, sete quantis, diagnóstico local e recalibração interna.
Agora · V2.1
Validade científica
Point-in-time, alvo bruto, teste intocado, baselines, ablations e métricas por subgrupo.
V2.2
Operação e MLOps
Ingestão semanal, versionamento, quality gates, observabilidade, rollback e shadow mode.
V2.3
Piloto prospectivo
Previsões congeladas, segurança, usabilidade, fatores humanos e métricas operacionais.
V2.4
Alertas locais
Incidência, corredor endêmico, limiares territoriais, investigação e feedback estruturado.
V2.5
Cenários
Sensibilidade climática; intervenções e ROI somente com identificação causal adequada.
Gate central: cada versão só promove a próxima quando cumprir critérios científicos, operacionais e humanos predefinidos.
Roadmap · Plataforma e expansão
Um futuro amplo, construído em camadas verificáveis.
V3 · Inteligência territorial
Entender relações entre cidades
- V3.1: fundação espacial e mobilidade.
- V3.2: grafos/ST-GNN após baselines.
- V3.3: Dengo Visus em trilha supervisionada.
V4 · Plataforma nacional
Ampliar doenças e integrações
- V4.1: dengue, chikungunya e zika.
- V4.2: integrações B2G e B2B com hospitais, redes e operadoras.
- V4.3: assistente epidemiológico auditável.
- V4.4: recomendações sob protocolos.
V5 · Inteligência global
Expandir com validação local
- V5.1–V5.3: América Latina, África e Ásia.
- V5.4: Foundation Model epidemiológico.
- V5.5: Digital Twin epidemiológico.
V3 depende de ganho espacial incremental demonstrado.
V4 exige governança por doença, contrato de dados, LGPD e validação por vertical.
V5 é visão de longo prazo, não entrega contratada.
Escala e impacto
Do Brasil para uma infraestrutura de inteligência epidemiológica.
Brasil
Dengue municipal
Validar operação, utilidade, segurança e sustentabilidade em um sistema de vigilância complexo.
Multi-vertical
B2G e B2B
Reutilizar infraestrutura em novas jornadas sem presumir que o mesmo desfecho atende cada mercado.
Multi-país
Framework adaptável
Expandir por contratos de dados, contexto local e avaliação própria em cada território.
ODS 3
saúde e bem-estar · impacto a medir
ODS 10
equidade territorial · desempenho por subgrupo
ODS 13
clima e saúde · associação sem inferência causal automática
Redução de casos, internações, custos ou mortalidade será tratada como hipótese de impacto até existir avaliação prospectiva adequada.
Visão
Prever melhor. Decidir com contexto. Evoluir com evidência.
O Dengo AI combina engenharia nacional, inteligência artificial probabilística e um roadmap governado por validação para construir uma nova camada de vigilância epidemiológica.
5.570
séries municipais modeladas
V2.1
próximo gate científico
V5
visão global condicionada
Dengo AI · Guilherme Henrique Pereira · programa de computador registrado no INPI.