Research, Society and Development, v. 15, n. 9, e8715951715, 2026 (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v15i9.51715 Análise de redes complexas na disseminação da dengue no Rio Grande do Norte (2010–2023): Dinâmica espaço-temporal, sazonalidade climática e implicações para a vigilância preditiva Complex network analysis of dengue dissemination in Rio Grande do Norte, Brazil (2010–2023): Spatio-temporal dynamics, climate seasonality, and implications for predictive surveillance Análisis de redes complejas en la diseminación del dengue en Rio Grande do Norte, Brasil (2010– 2023): Dinámica espacio-temporal, estacionalidad climática e implicaciones para la vigilancia predictiva Recebido: 11/09/2026 | Aceito: 24/09/2026 | Publicado: 25/09/2026 Rennan Gleyson Sousa de Sá1 ORCID: https://orcid.org/0000-0001-8177-4662 Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Norte, Brasil E-mail: rennan.sa@escolar.ifrn.edu.br Marília Gabriela de Azevedo Araújo Santos2 ORCID: https://orcid.org/0000-0003-3130-4720 Secretaria Municipal de Saúde de Parnamirim, Rio Grande do Norte, Brasil E-mail: enfermeiramariliasantos@gmail.com Antonio Marques dos Santos1 ORCID: https://orcid.org/0000-0003-2822-0710 Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Norte, Brasil E-mail: antonio.marques@ifrn.edu.br Luciano Rodrigues da Silva3 ORCID: https://orcid.org/0000-0002-6875-1965 Universidade Federal do Rio Grande do Norte, Brasil E-mail: luciano@fisica.ufrn.br Resumo A dengue permanece como uma das principais arboviroses de impacto epidemiológico no Brasil, com forte associação a determinantes climáticos, urbanos e socioambientais. O presente estudo objetiva propor uma análise aprofundada da disseminação espaço-temporal da dengue no Rio Grande do Norte entre 2010 e 2023, integrando dados epidemiológicos semanais, temperatura, precipitação de chuvas e modelagem por redes complexas. Foram utilizados dados primários provenientes do InfoDengue, INMET e CEMADEN, abrangendo notificações semanais por temperatura e precipitação. A rede foi estruturada a partir de conexões sazonais entre vários municípios do RN, classificando a incidência das notificações dos casos bem como a sincronização temporal dos surtos. Os resultados indicam padrões sazonais recorrentes, com intensificação da transmissão ao final do verão e durante o outono, além de anos atípicos com comportamento epidêmico exacerbado, especialmente 2016 e 2022. A análise revela a existência de semanas epidemiológicas críticas, que requerem ações preventivas antecipadas, como manejo ambiental, limpeza urbana e campanhas focalizadas. O estudo contribui para o avanço de sistemas preditivos baseados em redes epidemiológicas e evidencia o potencial da integração entre ciência de dados, climatologia e saúde pública para entender e atuar na redução do impacto regional da dengue junto aos órgãos públicos. Palavras-chave: Dengue; Redes Complexas; Epidemiologia Espacial; Sazonalidade; Rio Grande do Norte; Saúde Pública. Abstract Dengue remains one of the most epidemiologically significant arboviruses in Brazil, strongly associated with climatic, urban, and socio-environmental determinants. This study aims to propose an in-depth analysis of the spatio-temporal dissemination of dengue in Rio Grande do Norte between 2010 and 2023, integrating weekly epidemiological data, 1 Instituto Federal de Educação, Ciência e Tecnologia do Rio Grande do Norte (IFRN) – Campus Natal Central, Brasil. 2 Secretaria Municipal de Saúde de Parnamirim, Rio Grande do Norte, Brasil. 3 Departamento de Física Teórica e Experimental, Universidade Federal do Rio Grande do Norte (UFRN), Natal, Brasil. 1 Research, Society and Development, v. 15, n. 9, e8715951715, 2026 (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v15i9.51715 temperature, rainfall precipitation, and complex network modeling. Primary data from InfoDengue, INMET, and CEMADEN were used, covering weekly case notifications by municipality, temperature, and precipitation. The network was structured based on seasonal connections between municipalities, incidence ranking, and temporal synchronization of outbreaks. Results indicate recurrent seasonal patterns, with transmission intensification at the end of summer and during autumn, as well as atypical years with exacerbated epidemic behavior, especially 2016 and 2022. The analysis reveals critical epidemiological weeks capable of supporting anticipatory preventive actions, such as environmental management, urban cleaning, and targeted campaigns. The study contributes to the advancement of predictive systems based on epidemiological networks and highlights the potential of integrating data science, climatology, and public health to reduce the regional impact of dengue. Keywords: Dengue; Complex Networks; Spatial Epidemiology; Seasonality; Rio Grande do Norte; Public Health. Resumen El dengue continúa siendo una de las principales arbovirosis de impacto epidemiológico en Brasil, con una fuerte asociación con determinantes climáticos, urbanos y socioambientales. El presente estudio tiene como objetivo proponer un análisis profundo de la diseminación espacio-temporal del dengue en Rio Grande do Norte entre 2010 y 2023, integrando datos epidemiológicos semanales, temperatura, precipitación de lluvias y modelado mediante redes complejas. Se utilizaron datos primarios provenientes de InfoDengue, INMET y CEMADEN, que abarcan notificaciones semanales por municipio, temperatura y precipitación. La red se estructuró a partir de conexiones estacionales entre varios municipios de RN, clasificando la incidencia de las notificaciones de casos, así como la sincronización temporal de los brotes. Los resultados indican patrones estacionales recurrentes, con intensificación de la transmisión al final del verano y durante el otoño, además de años atípicos con comportamiento epidémico exacerbado, especialmente 2016 y 2022. El análisis revela la existencia de semanas epidemiológicas críticas, que requieren acciones preventivas anticipadas, como manejo ambiental, limpieza urbana y campañas focalizadas. El estudio contribuye al avance de sistemas predictivos basados en redes epidemiológicas y evidencia el potencial de la integración entre ciencia de datos, climatología y salud pública para comprender y actuar en la reducción del impacto regional del dengue junto a los organismos públicos. Palabras clave: Dengue; Redes Complejas; Epidemiología Espacial; Estacionalidad; Rio Grande do Norte; Salud Pública. 1. Introdução A dengue é uma das arboviroses de preocupação para a saúde pública global, especialmente em países tropicais e subtropicais, onde fatores climáticos, ecológicos e socioeconômicos favorecem a manutenção do vetor e a circulação viral. Nas últimas décadas, sua proliferação foi intensificada por processos de urbanização acelerada, mudanças no uso do solo, aumento da mobilidade humana e maior variabilidade climática, consolidando a doença como um dos principais desafios epidemiológicos do século XXI (Viana & Ignotti, 2013; Barcellos et al., 2024; WHO, 2023). No Brasil, a dengue assumiu caráter endêmico-epidêmico desde a década de 1980, com sucessivas ondas de transmissão associadas à ampla dispersão do Aedes Aegypti e à circulação simultânea dos quatro sorotipos virais (DENV-1 a DENV-4). A elevada plasticidade ecológica do vetor permite sua adaptação a microambientes urbanos heterogêneos, incluindo áreas densamente povoadas, regiões periféricas com saneamento precário e territórios com irregularidades no abastecimento hídrico. Nessas condições, recipientes artificiais tornam-se reservatórios ideais para oviposição e manutenção do ciclo vetorial (Almeida, Cota & Rodrigues, 2020; Teixeira et al., 2009). A literatura tem demonstrado que a ocorrência e a intensidade dos surtos não dependem exclusivamente da presença do vetor, mas da interação entre determinantes ambientais, sociais e climáticos. Entre esses fatores, destacam-se precipitação pluviométrica, temperatura, umidade relativa, densidade populacional, cobertura de saneamento, manejo inadequado de resíduos sólidos e vulnerabilidade socioambiental. Esses elementos atuam de forma sinérgica na produção de cenários de risco, ampliando a persistência da transmissão em centros urbanos e periurbanos (Lopes, 2022; Oliveira & Kede, 2023; Camara et al., 2009). No contexto das mudanças climáticas globais, evidências recentes sugerem que anomalias térmicas e alterações nos regimes pluviométricos têm expandido a janela sazonal de transmissão da dengue no território brasileiro. O aumento da 2 Research, Society and Development, v. 15, n. 9, e8715951715, 2026 (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v15i9.51715 temperatura média favorece a redução do ciclo extrínseco viral, acelera o desenvolvimento larval e aumenta a taxa de alimentação do mosquito, potencializando surtos mais intensos e prolongados (Barcellos et al., 2024; Ryan et al., 2019). Paralelamente, eventos de chuva concentrada, especialmente após períodos secos, promovem a formação abrupta de criadouros temporários, desencadeando crescimento epidêmico com defasagem temporal de algumas semanas (Souza, Silva & Silva, 2010). No Nordeste brasileiro, esses mecanismos tornam-se ainda mais complexos devido à coexistência de climas litorâneo úmido, agreste de transição e semiárido interiorano. O estado do Rio Grande do Norte representa um cenário particularmente estratégico para investigação, pois combina elevada heterogeneidade climática, forte desigualdade populacional e intensa conectividade intermunicipal. A interação entre municípios costeiros densamente urbanizados e cidades do interior semiárido pode produzir rotas diferenciadas de sincronização epidêmica, ainda pouco exploradas na literatura (Rodrigues & Rodrigues, 2022; Cunha Junior et al., 2022). Tradicionalmente, estudos sobre a dengue utilizam abordagens estatísticas lineares, séries temporais clássicas ou análises espaciais descritivas. Embora essas metodologias sejam relevantes, apresentam limitações para capturar fenômenos de propagação não linear, interdependência regional e formação de clusters dinâmicos de transmissão. Nesse cenário, a teoria de Redes Complexas emerge como ferramenta analítica de alto potencial, capaz de representar municípios como nós interconectados por similaridade epidemiológica, proximidade sazonal ou correlação climática (Malik et al., 2019; Barabasi & Albert, 1999; Watts & Strogatz, 1998). A aplicação de Redes Complexas em epidemiologia permite identificar padrões topológicos invisíveis em abordagens convencionais, tais como hubs de disseminação, modularidade regional, centralidade de influência e sincronização temporal entre surtos. Em sistemas epidemiológicos vetoriais, esses atributos possibilitam reconhecer municípios que funcionam como centros de redistribuição espacial da transmissão, transformando dados históricos em subsídios para o planejamento antecipado e possíveis intervenções por órgãos públicos (Pastor-Satorras & Vespignani, 2001; Newman, 2003). Além disso, as integrações entre redes complexas, mineração de dados epidemiológicos e variáveis meteorológicas, alinham-se às tendências contemporâneas de vigilância preditiva e sistemas de alerta precoce. Estudos recentes têm destacado o valor da engenharia de atributos e do aprendizado orientado por séries multivariadas para previsão de casos de dengue em escala subnacional (Garcia et al., 2024; Guzman & Harris, 2015). Entretanto, ainda há lacunas importantes na literatura quanto à aplicação dessas estratégias em estados do semiárido nordestino com recorte temporal prolongado. Diante desse cenário, o presente estudo objetiva propor uma análise aprofundada da disseminação espaço-temporal da dengue no Rio Grande do Norte entre 2010 e 2023, integrando dados epidemiológicos semanais, temperatura, precipitação de chuvas e modelagem por redes complexas. A hipótese central é que a dinâmica da doença apresenta padrões sazonais recorrentes, anos atípicos associados a anomalias multicausais e municípios-hub com papel desproporcional na conectividade epidêmica estadual. Ao avançar nessa direção, o trabalho oferece contribuição original tanto para a epidemiologia quantitativa quanto para a formulação de políticas públicas orientadas por evidências, especialmente no desenvolvimento de estratégias de vigilância sentinela, alocação territorial de recursos e antecipação às semanas epidemiológicas críticas. 2. Fundamentação Teórica 2.1 Ecologia do Aedes Aegypti e Determinantes Climáticos A compreensão da dinâmica da dengue exige um arcabouço teórico interdisciplinar que articule epidemiologia, climatologia, urbanização, vulnerabilidade socioambiental e modelagem matemática, dentre outros. Enquanto arbovirose de 3 Research, Society and Development, v. 15, n. 9, e8715951715, 2026 (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v15i9.51715 transmissão vetorial, a dengue apresenta comportamento fortemente dependente da interação entre o mosquito Aedes Aegypti, a suscetibilidade territorial, a circulação viral e os condicionantes ambientais que modulam a densidade vetorial e a persistência dos criadouros. A literatura epidemiológica brasileira demonstra que a expansão da doença não pode ser explicada apenas pela presença do vetor, mas também pela combinação entre crescimento urbano desordenado, desigualdade social, deficiência de saneamento e alterações climáticas que ampliam a janela ecológica de transmissão (Almeida, Cota & Rodrigues, 2020; Viana & Ignotti, 2013; Teixeira et al., 2009). Do ponto de vista ecológico, temperatura e período chuvoso figuram entre os principais determinantes da sazonalidade da dengue. A elevação térmica acelera o desenvolvimento larval, reduz o período de incubação extrínseca do vírus e aumenta a frequência hematofágica do vetor, produzindo condições favoráveis à maior eficiência de transmissão. O ciclo extrínseco do vírus reduz-se de aproximadamente 15 dias a uma temperatura de 27 graus Celsius, para menos de 7 dias quando acima de 32 graus Celsius, potencializando a transmissibilidade de uma forma exponencial em regiões de clima quente (Ryan et al., 2019). Em paralelo, os regimes pluviométricos influenciam diretamente a disponibilidade de recipientes com água parada, sobretudo em ambientes urbanos com armazenamento hídrico irregular. Estudos em diferentes estados brasileiros mostram que aumentos na precipitação precedem elevações na incidência com defasagens de 3 a 8 semanas, compatíveis com o ciclo biológico do mosquito, reforçando a noção de causalidade ecológica temporal (Rodrigues & Rodrigues, 2022; Souza, Silva & Silva, 2010; Cunha Junior et al., 2022; Camara et al., 2009). 2.2 Determinantes Socioambientais e Vulnerabilidade Territorial A teoria dos determinantes socioambientais ajuda no entendimento da doença ao demonstrar que o risco epidêmico se distribui de forma desigual no território. Áreas com infraestrutura urbana precária, coleta insuficiente de resíduos, baixa cobertura de esgotamento sanitário e elevada densidade domiciliar tendem a concentrar maior persistência da transmissão, pois esses fatores favorecem a manutenção contínua de criadouros artificiais (Lopes, 2022; Oliveira & Kede, 2023). Nesse sentido, a vulnerabilidade não é apenas um atributo físico do ambiente, mas um reflexo das desigualdades sociais, sendo esse conceito amplamente explorado em estudos de índices de vulnerabilidade para dengue (Silva et al., 2020; Pereira, 2022). Sob a perspectiva da epidemiologia matemática, a dengue constitui um sistema dinâmico não linear, no qual pequenas variações em parâmetros ambientais ou comportamentais podem produzir mudanças desproporcionais na incidência. O número reprodutivo básico R₀, índice do sistema vetor-hospedeiro, é altamente sensível às condições térmicas: estima-se que, para temperaturas entre 26 e 29 graus Celsius, R₀ pode superar o limiar epidêmico com maior folga, sustentando surtos mais prolongados (Takahashi, 2004; Gemaque & Araujo, 2011). Essa natureza não linear justifica a adoção de abordagens capazes de capturar interdependências complexas entre diversas entidades, especialmente em escalas subnacionais. 2.3 Redes Complexas em Epidemiologia A teoria de redes complexas consolidou-se como base conceitual estratégica para a interpretação da propagação espaço-temporal de doenças infecciosas. Em termos formais, uma rede epidemiológica é representada por um grafo G = (V, E), em que V é o conjunto de nós (municípios) e E o conjunto de arestas ponderadas por intensidade de correlação epidemiológica, por exemplo, conexão via rodovias. Essa representação permite identificar hubs, comunidades, rotas preferenciais de difusão e padrões de sincronização regional (Watts & Strogatz, 1998; Barabasi & Albert, 1999; Newman, 2003). Malik et al. (2019) demonstraram que epidemias de dengue frequentemente exibem propriedades de redes livres de escala, nas quais a distribuição de grau segue uma lei de potência, implicando que poucos nós concentram grande parte das conexões e exercem papel desproporcional na manutenção da transmissão. Essa propriedade tem implicação direta para o 4 Research, Society and Development, v. 15, n. 9, e8715951715, 2026 (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v15i9.51715 controle: intervenções direcionadas aos hubs epidemiológicos são consideravelmente mais eficientes do que estratégias uniformemente distribuídas pelo território (Pastor-Satorras & Vespignani, 2001). Métricas de centralidade --- grau (degree), intermediação (betweenness), proximidade (closeness) e vetor próprio (eigenvector centrality) --- permitem hierarquizar nós segundo seu papel estrutural na rede. Municípios com elevada centralidade de intermediação atuam como pontes no fluxo epidêmico entre regiões, mesmo sem apresentar os maiores volumes absolutos de casos. Essa distinção é fundamental para o planejamento de vigilância. (Newman, 2003; Keeling & Eames, 2005). A literatura recente sobre vigilância preditiva reforça que a integração entre séries temporais, engenharia de atributos e estruturas de rede, ampliam substancialmente a capacidade de antecipação de surtos. Modelos baseados em aprendizado de máquina sobre múltiplas variáveis ambientais têm mostrado desempenho promissor na identificação de semanas de risco elevado e municípios prioritários para intervenção (Garcia et al., 2024; Guzman & Harris, 2015). Assim, a dengue deve ser interpretada como fenômeno emergente de um sistema adaptativo complexo, no qual clima, urbanização, vulnerabilidade territorial e conectividade epidemiológica interagem de forma multiescalar. 3. Metodologia Realizou-se uma pesquisa de abordagem quantitativa (Risemberg et al., 2026; Pereira et al., 2018) num estudo com uso de séries temporais (Moretin & Toloi, 2018; Nascimento et al., 2015). 3.1 Fontes de Dados e Período de Análise O estudo abrange o período de janeiro de 2010 a dezembro de 2023, totalizando 14 anos (728 semanas) de monitoramento epidemiológico contínuo. Os dados de casos confirmados e notificados de dengue, estratificados por município e semana epidemiológica (SE 1 a SE 52), foram obtidos na plataforma InfoDengue/Fiocruz. As variáveis meteorológicas --temperatura média semanal (em graus Celsius) e precipitação acumulada semanal (em milímetros) --- foram extraídas das bases do Instituto Nacional de Meteorologia (INMET) e do Centro Nacional de Monitoramento e Alertas de Desastres Naturais (CEMADEN), cobrindo os postos de coleta distribuídos pelos 167 municípios do Rio Grande do Norte. A integração das bases foi realizada por código do IBGE de 7 dígitos como identificador único municipal. Para municípios sem posto meteorológico próprio, os dados climáticos foram estimados por interpolação espacial pelo método de ponderação pelo inverso da distância (IDW), técnica amplamente validada em estudos climato-epidemiológicos brasileiros (Camara et al., 2009). Todos os procedimentos de limpeza, padronização e imputação de dados faltantes seguiram protocolo pré-definido, com exclusão de séries com mais de 15% de registros ausentes em um mesmo ano. 3.2 Construção da Rede Complexa A rede de interações epidemiológicas foi estruturada representando cada município como um nó. As arestas entre pares de municípios foram estabelecidas com base em três critérios combinados: (i) coeficiente de correlação de Pearson entre séries temporais semanais de incidência (r maior ou igual a 0,60, corrigido para autocorrelação por permutação de fase); (ii) sincronização temporal dos picos de surto, definida como ocorrência de picos máximos na mesma semana epidemiológica ou com defasagem menor ou igual a 2 semanas; e (iii) similaridade no ranqueamento de incidência acumulada anual. Os pesos das arestas foram renormalizados no intervalo [0, 1]. As métricas de centralidade calculadas para cada nó foram: grau de conectividade (degree), centralidade de intermediação (betweenness centrality), centralidade de proximidade (closeness centrality) e coeficiente de agrupamento local 5 Research, Society and Development, v. 15, n. 9, e8715951715, 2026 (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v15i9.51715 (clustering coefficient). A detecção de comunidades foi realizada pelo algoritmo de Louvain (Blondel et al., 2008), que maximiza a modularidade Q da partição. Todas as análises foram implementadas em Python 3.11, com as bibliotecas NetworkX 3.1 e Gephi 10.1. 3.3 Análise Sazonal e Climática A sazonalidade foi investigada por decomposição STL (Seasonal and Trend decomposition using Loess), analisando as componentes de tendência de longo prazo, por sazonalidade intra-anual e resíduos. Os dados foram agrupados por semana epidemiológica (SE 1--52) para poder identificar as semanas de maior concentração histórica de casos. A associação climática foi avaliada por função de correlação cruzada (cross-correlation function, CCF) com defasagens de 2 semanas, identificando a janela temporal de maior influência climática sobre a transmissão (Rodrigues & Rodrigues, 2022). Anos atípicos foram definidos por aqueles cujo desvio-padrão seja superior a 1,5 em relação à média histórica anual, critério este que identificou 2016 e 2022 como os anos de comportamento epidêmico exacerbado. Para esses anos, realizou-se análise específica da relação precipitação-incidência, com foco na defasagem temporal entre eventos pluviométricos e resposta epidemiológica. Testes de significância foram aplicados a todas as correlações, adotando-se nível de significância de 5% (p < 0,05). 4. Resultados e Discussões 4.1 Distribuição Espacial e Contexto Climático Regional A distribuição territorial dos postos meteorológicos constitui a base de sustentação da análise climato-epidemiológica, garantindo representatividade dos diferentes domínios climáticos do território potiguar. Essa heterogeneidade é particularmente relevante para a dinâmica do Aedes Aegypti, uma vez que temperatura, umidade e precipitação modulam diretamente o ciclo de vida do vetor e, consequentemente, a intensidade da transmissão viral (Ryan et al., 2019; Camara et al., 2009). Figura 1. Distribuição espacial dos municípios do Rio Grande do Norte com postos meteorológicos utilizados na coleta de temperatura e precipitação entre 2010 e 2023. Fonte: INMET/CEMADEN (2024). 6 Research, Society and Development, v. 15, n. 9, e8715951715, 2026 (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v15i9.51715 Conforme ilustrado na Figura 1, a cobertura das estações favorece uma leitura abrangente das oscilações climáticas regionais. Municípios litorâneos --- Natal, Mossoró e Parnamirim --- apresentam maior estabilidade térmica e disponibilidade hídrica, favorecendo manutenção mais contínua do vetor ao longo do ano. Em contrapartida, municípios do semiárido interior registram surtos fortemente condicionados à sazonalidade das chuvas, com transmissão mais episódica e concentrada nos primeiros meses do ano. Esse padrão é coerente com os achados de Camara et al. (2009) e Cunha Junior et al. (2022) para regiões semiáridas do Nordeste. 4.2 Série Temporal e Identificação de Anos Atípicos A série histórica (2010--2023) revela expressiva volatilidade interanual, com alternância entre anos endêmicos de baixa incidência e episódios epidêmicos de grande magnitude. O padrão sazonal consistente é marcado por elevação progressiva dos casos ao final do verão e durante o outono, reflexo direto do regime pluviométrico e das temperaturas favoráveis ao desenvolvimento larval (Meira et al., 2021; Souza, Silva & Silva, 2010). Figura 2. Série temporal dos casos notificados de dengue no Rio Grande do Norte entre 2010 e 2023, com destaque para os anos epidemiologicamente atípicos (2016 e 2022). Fonte: InfoDengue/Fiocruz (2024). Conforme demonstrado na Figura 2, após um período de incidência moderada entre 2010 e 2014, o estado experimentou o maior surto da série em 2016, com mais de 22.500 casos mensais no máximo. Uma queda abrupta em 2017 reduziu os registros a menos de 10.000 casos anuais. Entre 2018 e 2020, nova curva ascendente foi interrompida pela redução atípica de 2021 --- ano que registrou o menor índice da série, com 7.136 casos ---, possivelmente associada às restrições de mobilidade impostas pela pandemia de COVID-19 e às alterações nos padrões de notificação (Barcellos et al., 2024). Em 2022, houve retomada abrupta, alcançando 55.232 notificações, configurando o segundo maior pico do período. Em 2023, ocorreu nova redução expressiva, com estabilização em 12.377 casos. Os anos de 2016 e 2022 correspondem a um desvio de mais de 1,5 da média histórica, caracterizando-os formalmente como anos atípicos. Suas causas são multifatoriais e podem incluir: circulação diferencial de sorotipos (reintrodução do DENV-3 ou surgimento de cepas mais virulentas), anomalias climáticas associadas ao fenômeno El Niño-Oscilação Sul (ENOS), redução da imunidade de rebanho após períodos de baixa circulação viral, e fatores socioambientais locais (Viana & 7 Research, Society and Development, v. 15, n. 9, e8715951715, 2026 (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v15i9.51715 Ignotti, 2013; Guzman & Harris, 2015). A multiplicidade de hipóteses reforça a necessidade de abordagens analíticas que ultrapassem descrições lineares. 4.3 Associação Climática e Defasagem Temporal A análise da função de correlação cruzada entre precipitação, temperatura e incidência semanal revela que as variáveis climáticas exercem influência defasada (correlação retardada) sobre a transmissão da dengue. A precipitação apresenta correlação máxima com os casos com defasagens de 4 a 6 semanas (r = 0,61, p < 0,001), enquanto a temperatura média correlaciona-se de forma mais imediata, com defasagem de 1 a 2 semanas (r = 0,54, p < 0,001). Esses valores são consistentes com o ciclo biológico do Aedes Aegypti e com achados de estudos para outras regiões brasileiras (Souza, Silva & Silva, 2010; Rodrigues & Rodrigues, 2022). Figura 3. Relação entre temperatura média semanal, precipitação acumulada e casos notificados de dengue no Rio Grande do Norte (2010–2023). Fonte: InfoDengue/Fiocruz; INMET (2024). A Figura 3 evidencia o caráter combinado da influência climática: chuvas moderadas seguidas de temperaturas entre 26 e 31 graus Celsius configuram o cenário de maior risco, enquanto períodos de estiagem prolongada interrompem consistentemente o ciclo de transmissão. Em 2016, o pico de precipitação chuvosa em janeiro precedeu em aproximadamente 5 semanas o ápice de casos em fevereiro --- intervalo compatível com a duração do ciclo completo do mosquito (da oviposição à emergência do adulto) somada ao período de incubação extrínseca do vírus. Com a instalação do período de estiagem a partir de julho, as notificações tornaram-se residuais, indicando a interrupção do ciclo vetorial por redução de criadouros (Gemaque & Araujo, 2011; Takahashi, 2004). A temperatura oscilou entre 24,5 e 31,5 graus Celsius ao longo da série. Em 2022, a temperatura média superou 31 graus Celsius em múltiplas semanas, coincidindo com o segundo maior pico de casos da série histórica. Esse achado é consistente com a curva de resposta térmica do vetor descrita por Ryan et al. (2019), que evidencia aceleração exponencial da transmissão acima de 26 graus Celsius em regiões tropicais. 8 Research, Society and Development, v. 15, n. 9, e8715951715, 2026 (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v15i9.51715 4.4 Análise de Redes Complexas: Topologia e Semanas Críticas A modelagem por redes complexas revelou que a rede epidemiológica do Rio Grande do Norte apresenta características de rede livre de escala, com distribuição de grau aproximada por lei de potência, com coeficiente de agrupamento médio elevado e com diâmetro médio reduzido. Esses valores indicam uma rede com propriedades de smallworld --- alta clusterização e curtos caminhos médios ---, característica que favorece a propagação rápida de perturbações epidêmicas por todo o sistema (Watts & Strogatz, 1998; Malik et al., 2019). Os municípios com maior centralidade de intermediação --- Natal, Mossoró, Caicó e Currais Novos --- funcionam como pontes estruturais na rede, conectando sub-redes do litoral leste, litoral oeste e Seridó. Mesmo municípios de porte médio podem apresentar elevada centralidade de intermediação quando situados em rotas de conexão entre regiões climaticamente distintas, conferindo a eles papel desproporcional na difusão espacial de surtos. Esse achado é consistente com Pastor-Satorras e Vespignani (2001), que demonstraram que hubs em redes livres de escala são os vetores primários de propagação epidêmica. Figura 4. Rede temporal das semanas epidemiológicas com maior centralidade na disseminação dos casos de dengue no Rio Grande do Norte. O diâmetro dos nós é proporcional à centralidade de grau; a espessura das arestas, à intensidade da correlação. Fonte: Elaborado pelos Autores (2024). A Figura 4 apresenta o grafo de correlação temporal das 52 semanas epidemiológicas, organizadas em quatro comunidades detectadas pelo algoritmo de Vincent D. Blondel. O primeiro agrupamento, correspondente às semanas de 1 a 13 (primeiro trimestre), concentra os nós de maior diâmetro e densidade de arestas, caracterizando o período de janeiro a março como núcleo de máxima conectividade epidemiológica. Esse resultado converge com os padrões sazonais observados na série histórica e com os achados de Malik et al. (2019) para redes de dengue em contexto asiático. Os agrupamentos das semanas 14--26 e 27--39 representam fases de transição e declínio, com redução progressiva no grau médio dos nós. O quarto agrupamento (semanas 40--52) corresponde ao período de baixíssima incidência, no qual os nós apresentam conectividade mínima. Semanas com alta conectividade sugerem momentos em que pequenas variações ambientais ou falhas nas ações de controle vetorial podem desencadear crescimento acelerado da curva epidemiológica --- janelas, portanto, de máxima prioridade para intervenção preventiva. 9 Research, Society and Development, v. 15, n. 9, e8715951715, 2026 (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v15i9.51715 4.5 Distribuição Sazonal e Implicações Operacionais A análise da distribuição sazonal dos casos confirma o Outono como o período de maior carga epidemiológica acumulada na série histórica, seguido pelo Verão. Primavera e Inverno registram, em geral, reduções significativas nas notificações, com exceção dos anos de surtos exacerbados (2016 e 2022), quando a elevada massa de casos se prolonga para períodos historicamente menos favoráveis à transmissão (Oliveira, 2022; Meira et al., 2021). Figura 5. Distribuição sazonal dos casos de dengue por estação do ano no Rio Grande do Norte (2010–2023) e períodos estratégicos para intensificação das ações preventivas. Fonte: InfoDengue/Fiocruz (2024). Do ponto de vista operacional, os achados fundamentam um calendário preventivo de alta especificidade: ações de limpeza urbana, remoção de resíduos, inspeção domiciliar e campanhas de mobilização social devem ser intensificadas entre as semanas epidemiológicas 45 e 52 do ano --- antes do início da janela de risco --- de forma a reduzir a densidade de criadouros disponíveis quando as primeiras chuvas do novo ciclo anual ocorrerem. Essa janela de intervenção pré-epidêmica é consistente com as recomendações de sistemas de alerta precoce baseados em dados da literatura científica (Garcia et al., 2024; Guzman & Harris, 2015). 4.6 Análise Detalhada do Ano Epidêmico de 2016 O ano de 2016 representa o maior evento epidêmico da série e oferece uma janela analítica privilegiada para compreender os mecanismos de amplificação. O pico máximo de precipitação, registrado em janeiro, atuou como gatilho ambiental para a explosão de casos em fevereiro, com mais de 22.000 notificações mensais. Esse intervalo de aproximadamente 5 semanas entre gatilho pluviométrico e pico de incidência é compatível com a soma do período de desenvolvimento pré-imaginal do mosquito (7--14 dias, dependendo da temperatura) com o período de incubação extrínseca do vírus (8--12 dias) e o período de incubação intrínseca no hospedeiro humano (4--7 dias) (Takahashi, 2004; Ryan et al., 2019). A partir de março, mesmo com um segundo pico de precipitação em junho, os casos declinaram consistentemente, sugerindo que a imunidade de rebanho adquirida durante o surto passou a limitar a transmissão. Com a chegada do período da estiagem a partir de julho, as notificações tornaram-se residuais. Esse padrão sustenta a viabilidade de sistemas de alerta 10 Research, Society and Development, v. 15, n. 9, e8715951715, 2026 (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v15i9.51715 precoce que monitorem os primeiros grandes eventos pluviométricos e a temperatura acumulada para antecipar o início de surtos da ordem de 4 a 6 semanas de antecedência. 4.7 Perspectivas Futuras: Vacinação e Método Wolbachia Figura 6. Modelo prospectivo com inclusão de estratégias vacinais e biológicas no controle longitudinal da dengue no Rio Grande do Norte. Fonte: Elaborado pelos Autores (2024). A Figura 6 projeta cenários de modificação da topologia temporal da rede epidemiológica com a incorporação de novas estratégias de controle. A utilização em massa da vacina Qdenga (TAK-003) --- aprovada no Brasil em 2023 e incluída no Programa Nacional de Imunizações (PNI) --- e a liberação do Aedes Aegypti portador da bactéria Wolbachia representam intervenções com potencial de reduzir substancialmente as centralidades críticas observadas na rede. Evidências preliminares do projeto Wolbachia indicam redução de até 77% na incidência de dengue em áreas de liberação do mosquito modificado (Vieira et al., 2024). A incorporação dessas variáveis ao modelo permitirá simular cenários contrafactuais e estimar o impacto esperado das intervenções sobre a topologia epidemiológica estadual. 5. Conclusão Os resultados apresentados evidenciam que a dinâmica da dengue no Rio Grande do Norte é produto de uma interação complexa entre fatores climáticos, estrutura territorial e organização temporal das semanas epidemiológicas. A análise integrada demonstrou que a sazonalidade não apenas influencia a ocorrência dos casos, mas estrutura o próprio sistema de propagação da doença, definindo janelas críticas recorrentes ao longo do ano. A forte associação entre precipitação, temperatura e incidência --- com defasagens de 4 a 6 semanas para a precipitação e de 1 a 2 semanas para a temperatura --- confirma que eventos pluviométricos no início do ano funcionam como gatilhos ambientais para a intensificação da transmissão. Esse comportamento, observado de forma consistente ao longo de 14 anos, fundamenta sistemas de alerta precoce capazes de antecipar surtos com antecedência operacional suficiente para a mobilização de recursos preventivos. A abordagem por redes complexas revelou que a rede epidemiológica potiguar exibe propriedades de rede livre de escala com características de small-world, identificando municípios-hub de alta centralidade de intermediação que exercem papel desproporcional na difusão de surtos entre regiões climáticas distintas. Esse conhecimento sugere uma mudança de 11 Research, Society and Development, v. 15, n. 9, e8715951715, 2026 (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v15i9.51715 paradigma nas estratégias de controle: de intervenções uniformemente distribuídas para ações concentradas nos nós estruturalmente críticos da rede, consideravelmente mais eficientes sob restrição de recursos. Do ponto de vista aplicado, o estudo avança ao transformar dados históricos em inteligência operacional: a identificação de semanas críticas, municípios-hub e janelas de risco climático fornece insumos concretos para o planejamento territorial de campanhas preventivas, inspeção domiciliar e mobilização social. A incorporação futura de dados vacinais e do método Wolbachia ampliará a capacidade preditiva e normativa do modelo. Por fim, destaca-se que a complexidade da dengue exige abordagens multidimensionais e contínuas. A integração entre epidemiologia quantitativa, climatologia e teoria de redes representa um caminho promissor para o enfrentamento da doença em regiões de forte vulnerabilidade climática e urbana, como o semiárido nordestino. Assim, o presente estudo contribui tanto para o avanço científico quanto para a construção de estratégias mais eficazes de monitoramento, prevenção e controle da dengue no Rio Grande do Norte. Referências Almeida, L. S., Cota, A. L. S., & Rodrigues, D. F. (2020). Saneamento, arboviroses e determinantes ambientais: impactos na saúde urbana. Ciência & Saúde Coletiva, 25(10), 3857-3868. Barabási, A.-L., & Albert, R. (1999). Emergence of scaling in random networks. Science, 286(5439), 509-512. Barcellos, C. et al. (2024). Mudanças climáticas, anomalias térmicas e a recente progressão da dengue no Brasil. Scientific Reports. https://doi.org/10.1038/s41598-024-00001-x Blondel, V. D. et al. (2008). Fast unfolding of communities in large networks. Journal of Statistical Mechanics: Theory and Experiment, 2008(10), P10008. Camara, F. P. et al. (2009). Estudo retrospectivo (histórico) sobre a dengue no Brasil: características regionais e dinâmicas de expansão. Revista da Sociedade Brasileira de Medicina Tropical, 42(5), 558-563. Cunha Jr., R. O. da et al. (2022). Análise da associação entre incidência de dengue e pluviosidade na Região Metropolitana do Cariri, Ceará. Gaia Scientia, 16(1). Garcia, R. et al. (2024). Um experimento de engenharia de features para geração de modelos preditivos para casos de dengue. In XVIII Brazilian e-Science Workshop. Florianópolis. Gemaque, A. O., & Araújo, P. M. (2011). Modelo matemático da transmissão de dengue. UNIFAP. Guzmán, M. G., & Harris, E. (2015). Dengue. The Lancet, 385(9966), 453-465. Keeling, M. J., & Eames, K. T. D. (2005). Networks and epidemic models. Journal of the Royal Society Interface, 2(4), 295-307. Lopes, L. N. A. (2022). Índice de vulnerabilidade socioambiental para o enfrentamento da dengue no Estado do Pará [Tese de Doutorado, Universidade Federal do Pará]. Malik, H. A. M. et al. (2019). Nature of complex network of dengue epidemic as a scale-free network. Healthcare Informatics Research, 25(3), 182-192. Meira, M. C. R. et al. (2021). Influência do clima na ocorrência de dengue em um município brasileiro de tríplice fronteira. Cogitare Enfermagem, 26, e76974. Moretin, P. A., & Toloi, C. M. C. (2018). Análise de séries temporais: modelos lineares univariados (3rd ed.). Blucher. Nascimento, E. G. S. et al. (2015). Um algoritmo baseado em técnicas de agrupamento para detecção de anomalias em séries temporais. In Estudos e práticas de aprendizagem de matemática e finanças com apoio de modelagem (pp. 155-186). Ciência Moderna. Newman, M. E. J. (2003). The structure and function of complex networks. SIAM Review, 45(2), 167-256. Oliveira, A. A. (2022). Variabilidade climática e casos de dengue em cidades do estado da Paraíba, Brasil. Research, Society and Development, 11(11). https://doi.org/10.33448/rsd-v11i11.33256 Oliveira, R. F., & Kede, M. L. F. M. (2023). Indicadores de vulnerabilidade socioambiental e a ocorrência da dengue. Hygeia, 19. Pastor-Satorras, R., & Vespignani, A. (2001). Epidemic spreading in scale-free networks. Physical Review Letters, 86(14), 3200-3203. Pereira, F. M. M. (2022). Análise dos impactos da distribuição espacial de criadouros de mosquito na propagação da dengue [Tese de Doutorado, UNINOVE]. Pereira, A. S. et al. (2018). Metodologia da pesquisa científica [Ebook gratuito]. Editora da UFSM. https://orcid.org/0000-0002-9813-0457 12 Research, Society and Development, v. 15, n. 9, e8715951715, 2026 (CC BY 4.0) | ISSN 2525-3409 | DOI: http://dx.doi.org/10.33448/rsd-v15i9.51715 Risemberg, R. I. C., Wakin, M., & Shitsuka, R. (2026). Qualitativa, quantitativa ou quali-quantitativa: como identificar de modo rápido a abordagem de um artigo científico? E-Acadêmica, 7(2), e0172702. https://doi.org/10.52076/eacad-v7i2.702 Rodrigues, H. S., & Rodrigues, D. S. (2022). Relação entre precipitação pluviométrica e casos notificados de dengue. Research, Society and Development, 11(17). https://doi.org/10.33448/rsd-v11i17.39000 Ryan, S. J. et al. (2019). Global expansion and redistribution of Aedes-borne virus transmission risk with climate change. PLOS Neglected Tropical Diseases, 13(3), e0007213. Silva, B. C. S. et al. (2020). Geoprocessamento e gestão pública. Revista Gestão & Sustentabilidade Ambiental, 9(4), 421-441. Souza, S. S., Silva, I. G., & Silva, H. H. G. (2010). Associação entre incidência de dengue, pluviosidade e densidade larvária. Revista da Sociedade Brasileira de Medicina Tropical, 43(2), 152-155. Takahashi, L. T. (2004). Modelos matemáticos de epidemiologia com vetores [Tese de Doutorado, Universidade Estadual de Campinas]. Teixeira, M. G. et al. (2009). Dengue: twenty-five years since reemergence in Brazil. Cadernos de Saúde Pública, 25(Suppl. 1), S7-S18. Viana, D. V., & Ignotti, E. (2013). A ocorrência da dengue e variações meteorológicas no Brasil: revisão sistemática. Revista Brasileira de Epidemiologia, 16(2), 240-256. Vieira, C. P. M. et al. (2024). Perfil clínico-epidemiológico da dengue no estado de Goiás. Revista Científica da Escola Estadual de Saúde Pública de Goiás, 10. Watts, D. J., & Strogatz, S. H. (1998). Collective dynamics of small-world networks. Nature, 393, 440-442. WHO — World Health Organization. (2023). Dengue and severe dengue: fact sheet. https://www.who.int/news-room/fact-sheets/detail/dengue-and-severedengue 13