Oropouche, Dengue, and Chikungunya differential diagnosis using Brazilian surveillance data: development and validation of predictive models

Resumo Técnico: Diagnóstico Diferencial de Oropouche, Dengue e Chikungunya Utilizando Dados de Vigilância Brasileiros

Problema
Desde 2024, o Brasil tem enfrentado um surto significativo da Febre de Oropouche (FO), expandindo-se de sua área tradicional na Amazônia para estados do sudeste, como o Espírito Santo. Embora existam modelos preditivos para Dengue e Chikungunya, há uma lacuna crítica em ferramentas capazes de diferenciar Dengue, Chikungunya e a emergente FO dentro de um contexto clínico e de vigilância. Esses arbovírus compartilham apresentações clínicas heterogêneas e sobrepostas (ex: febre, mialgia, artralgia), complicando o diagnóstico diferencial. Além disso, coinfecções ocorrem em aproximadamente 2,1% dos casos globalmente, e a literatura existente oferece dados limitados para distinguir a FO da Dengue, com tentativas anteriores apresentando baixo desempenho. O estudo aborda a necessidade de modelos de predição clínica validados para auxiliar no processo de diagnóstico e no monitoramento epidemiológico desses vírus que co-circulam.

Metodologia
O estudo utilizou dados de vigilância do sistema de saúde do estado do Espírito Santo, Brasil, cobrindo o período de março de 2023 a julho de 2025.

• Fonte de Dados: O conjunto de dados compreendeu 465.280 observações derivadas de formulários de notificação eletrônica. Os casos foram classificados em quatro desfechos: Dengue, Chikungunya, Febre de Oropouche (FO) e "descartados" (casos sem diagnóstico confirmado). Casos de Zika foram incluídos nos dados iniciais, mas excluídos da modelagem final devido ao desempenho inaceitável do modelo.
• Definição de Caso: Os desfechos foram determinados via confirmação clínico-epidemiológica (elo epidemiológico + sintomas compatíveis) ou confirmação laboratorial (RT-qPCR ou IgM específico).
• Preditores: Os modelos incorporaram 28 potenciais preditores extraídos dos formulários de notificação, incluindo dados demográficos (idade, sexo, raça, escolaridade, endereço), sinais clínicos (febre, cefaleia, vômitos, artralgia, exantema, etc.) e comorbidades (diabetes, hipertensão, etc.).
• Abordagem de Modelagem: Os pesquisadores empregaram modelos de regressão Random Forest, desenvolvendo um modelo separado para cada desfecho (Dengue, Chikungunya, OF), em vez de um único modelo multiclasse, devido à complexidade das coinfecções.
  • Divisão de Dados: Os dados foram divididos aleatoriamente em um conjunto de treinamento (dois terços) e um conjunto de validação (um terço).
  • Seleção de Atributos: Os preditores foram selecionados através do método de "atributo sombra" (shadow attribute), comparando a importância da variável contra atributos sombra embaralhados para reter apenas aqueles que superam o ruído aleatório.
  • Tratamento de Desbalanceamento: O desbalanceamento de classes foi gerenciado pelo peso inverso à densidade do desfecho.
  • Calibração: As predições foram calibradas utilizando o método de escala de Platt para melhorar as estimativas de probabilidade.
• Avaliação: O desempenho foi avaliado usando ROC AUC, R², métricas de calibração (intercepto, inclinação, métricas de erro) e trocas de sensibilidade-especificidade (sensitivity-specificity trade-offs).

Principais Resultados

• Composição do Conjunto de Dados: O conjunto de dados final analisado incluiu 261.691 casos de Dengue (56,6%), 18.676 casos de Chikungunya (4,0%), 12.174 casos de OF (2,6%) e 179.115 casos descartados (38,6%).
• Seleção de Preditores:
  • Modelo de Dengue: Ret保留 24 preditores. As características mais discriminatórias incluíram leucopenia, vômitos, febre, cefaleia, dor retro-orbital, petéquias e a semana de início dos sintomas.
  • Modelo de Chikungunya: Ret保留 25 preditores. Os principais discriminadores foram artralgia intensa, artrite, petéquias e dor nas costas.
  • Modelo de OF: Ret保留 16 preditores. Ao contrário dos outros modelos, as características epidemiológicas (semana dos primeiros sintomas, idade, escolaridade, endereço, cor da pele) foram os discriminadores mais relevantes, em vez de sintomas clínicos específicos.
• Desempenho do Modelo:
  • Dengue: ROC AUC de 0,726 no conjunto de validação. Demonstrou as melhores métricas de calibração, mas a menor discriminação entre os três.
  • Chikungunya: ROC AUC de 0,851 no conjunto de validação, mostrando boa discriminação.
  • Oropouche (OF): ROC AUC de 0,896 no conjunto de validação, exibindo a maior discriminação, porém com calibração menos otimizada em faixas de probabilidade mais altas.
• Suporte à Decisão: O estudo definiu limiares de probabilidade específicos para categorizar as predições em intervalos de "incerto", "inconclusivo" e "conclusivo" para auxiliar os usuários na tomada de decisão. Por exemplo, o modelo de Dengue sugeriu um intervalo inconclusivo de 0,47 a 0,67.

Significância e Alegações
Os autores afirmam que esta pesquisa identifica com sucesso os preditores mais discriminatórios para Dengue, Chikungunya e OF, preenchendo uma lacuna na literatura quanto à diferenciação de OF. O estudo valida três modelos preditivos distintos com desempenho de moderado a muito bom, que pretendem servir como ferramentas de suporte à decisão, e não como substitutos do julgamento clínico ou confirmação laboratorial.

A significância do trabalho reside no seu potencial para:

1. Otimizar Processos Diagnósticos: Ao fornecer estimativas probabilísticas baseadas em dados clínicos e epidemiológicos prontamente disponíveis, os modelos podem ajudar a priorizar pacientes para testes laboratoriais confirmatórios, particularmente em ambientes com recursos limitados.
2. Melhorar a Vigilância: Os modelos podem auxiliar na detecção precoce e no monitoramento de surtos de arboviroses, especialmente conforme a OF se expande para novas áreas geográficas.
3. Abordar Ameaças Emergentes: Este é um dos poucos estudos que tenta a modelagem clínica da Febre de Oropouche, reconhecendo sua crescente importância epidemiológica na América Latina.

Os autores enfatizam que os modelos são específicos ao contexto dos dados de vigilância brasileiros e podem exigir atualizações caso a sazonalidade ou a apresentação clínica da OF mude. Eles declaram explicitamente que os modelos não substituem as investigações laboratoriais, mas visam refinar o uso racional de testes complementares e apoiar o raciocínio clínico durante a co-circulação de múltiplos arbovírus. Um aplicativo web (Shiny app) implementando estes modelos é disponibilizado para uso público.