MMMaria Clara Da Silva Maia

Maria Clara Da Silva Maia

*This is an algorithmically generated author record based on publicly available information.

Current Organizations / Institutes

The organizations/institutes from the scholar's latest article


Maria Clara Da Silva Maia has a total of 7 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • Open Access

    Estimates of gestational syphilis in Brazil using mathematical and artificial intelligence models

    by Maria Clara da Silva Maia, Antonio Manoel Ferreira Raymundo, Daiane Conceição de Araújo, Kelly de Almeida Schlager, Ketlin Angelin, Lídhia Cainnã de Souza Araújo, Daniela Teixeira Borges, Renata dos Santos Rabello

    Objetivo: estimar novos casos de sífilis em gestantes no Brasil entre 07/2024 e 06/2027 utilizando os modelos Autorregressivo Integrado de Médias Móveis Sazonal (SARIMA), Memória de Curto-Longo Prazo (LSTM) e Suavização Exponencial Complexa (CES). Métodos: foram utilizados dados do Sistema de Informação de Agravos de Notificação referentes às notificações mensais entre janeiro de 2014 e junho de 2024. A validação ocorreu pelas métricas Erro Percentual Absoluto Médio (MAPE), Raiz do Erro Quadrático Médio (RMSE) e Erro Absoluto Médio (MAE). A implementação foi em Python. Resultados: a série não foi estacionária pelo teste de Dickey-Fuller aumentado, teve tendência crescente pelo teste de Mann-Kendall e autocorrelação dos dados pelo teste de Ljung-Box. O SARIMA (RMSE = 987; MAPE = 11%; MAE = 726) e o CES (RMSE = 1225; MAPE = 14%; MAE = 875) tiveram bom desempeno nas métricas de erro, mostrando-se adequados para a série em questão. Porém, o LSTM (RMSE = 811; MAPE = 9%; MAE = 610) foi superior a ambos. Até maiode 2027, os modelos divergiram em suas previsões. O SARIMA enxergou queda de casos, e o CES, alta. O LSTM estimou uma diminuição seguida de aumento de notificações. Conclusões: todos os modelos testados mostraram-se confiáveis para prever os casos de sífilis em gestantes para os próximos 3 anos no Brasil, mas o LSTM demonstrou maior precisão. Portanto, recomenda-se seu uso na tomada de decisão dos gestores públicos.

  • Open Access

    Previsão de novos casos de sífilis adquirida no Brasil utilizando os modelos Autorregressivo Integrado de Médias Móveis Sazonal (SARIMA) e de Memória em Curto e Longo Prazo (LSTM)

    by Maria Clara Da Silva Maia, Antonio Manoel Ferreira Raymundo, Daiane Conceição De Araújo, Kelly De Almeida Schlager, Ketlin Angelin, Lídhia Cainnã de Souza Araújo, Daniela Teixeira Borges, Renata Dos Santos Rabello

    Objetivo: estimar novos casos de sífilis adquirida no Brasil, utilizando os modelos Autorregressivo Integrado de Médias Móveis Sazonal (SARIMA), de Memória em Curto-Longo Prazo (LSTM) e a média aritmética entre eles. Métodos: foram analisados dados do Sistema de Informação de Agravos de Notificação referentes às notificações mensais entre 2014 e 2023. A validação utilizou o Erro Percentual Absoluto Médio (MAPE), a Raiz do Erro Quadrático Médio (RMSE) e o Erro Absoluto Médio (MAE). Resultados: a série apresentou tendência crescente e sazonalidade anual. Foi não estacionária (ADF p = 0,659) e exibiu autocorrelação (Ljung-Box p < 0,001). O modelo SARIMA (0,1,2)(0,0,1)[12] e LSTM foram comparados. Ambos apresentaram resíduos aleatórios (Ljung-Box: SARIMA p = 0,068; LSTM p = 0,321). As métricas foram próximas, com leve vantagem do SARIMA (RMSE 2.232 vs 2.422; MAE 1.891 vs 1.922; MAPE 10%). A média aritmética obteve melhores resultados em todos os índices de erro e independência do ruído. As previsões do SARIMA estabilizam em 19,8 mil casos a partir de março de 2025, enquanto as do LSTM declinam até 18,96 mil no mesmo período. Observaram-se tendência deaumento em todos os recortes populacionais e só existiu presença de autocorrelação dos dados no recorte de região, indicando necessidade de ver o todo para compreensão das partes. Conclusões: ambos os modelos foram adequados para estimar casos de sífilis adquirida, sem diferença marcante de precisão, com a média aritmética aumentando ainda mais a confiabilidade das previsões.