ANÁLISE DO PERFIL EPIDEMIOLÓGICO DA DENGUE NA REGIÃO SUDESTE DO BRASIL: COMPARAÇÃO ENTRE O PRIMEIRO BIMESTRE DE 2023 E 2024
Bibliographic record
Abstract
A dengue é uma arbovirose de grande prevalência no Brasil, descrita como uma doença infecciosa febril aguda, que pode se apresentar de forma benigna ou grave. Esse artigo tem como objetivo analisar o perfil epidemiológico dos casos confirmados de dengue na região Sudeste durante os primeiros dois meses do ano de 2024 em comparação ao mesmo intervalo de tempo do ano de 2023. Os dados foram obtidos por meio de banco de dados gerenciado pelo Departamento de Informática do Sistema Único de Saúde -DATASUS e os critérios de inclusão avaliados foram casos notificados e confirmados de dengue no SINAN que estão embasados nas normas do Sistema de Vigilância Epidemiológica do Ministério da Saúde. Na região Sudeste, foram notificados 68.339 casos de dengue durante o primeiro bimestre do ano de 2023 e 310.780 casos de dengue no mesmo período do ano de 2024, verifica-se um elevado predomínio dos estados de Minas Gerais e São Paulo em ambos os anos. Em relação às capitais desses estados, as cidades São Paulo e Rio de Janeiro são as de maior destaque numérico. Portanto, houve um aumento significativo de números de casos suspeitos e confirmados na região Sudeste quando comparado o primeiro bimestre de 2023 com o de 2024.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".