As Doenças Tropicais Negligenciadas (DTNs) anualmente causam a morte de milhões de indivíduos de coletivos multiespécies marginalizados, além de discapacidades de diversas gravidades. Essa negligência se reflete e é reforçada pela subnotificação de casos, que diminui a sensibilidade dos sistemas de vigilância. A pressuposição de que em áreas silenciosas (sem notificações) não há casos, uma prática comum na análise da distribuição espacial das DTNs, contribui à desconsideração dessas áreas como sendo prioritárias pela vigilância epidemiológica. Ao assumir que a quantidade de casos é desconhecida nas áreas silenciosas, modelos preditivos podem considerá-las sem classificá-las como livres de doença. Para exemplificar esta abordagem, que tem o potencial de aumentar a eficiência das ações de prevenção e controle, neste estudo pressupomos que o número de casos de esporotricose felina em setores censitários (SC) silenciosos do município de Guarulhos era desconhecido, e o predizemos a partir da quantidade de casos notificados nos SCs vizinhos e da situação de vulnerabilidade social dos próprios SCs silenciosos e de sua vizinhança. Para isso, utilizamos modelos Bayesianos com componentes espaciais estruturados e não-estruturados. Com base nas predições, atribuímos um índice de prioridade a todos os SCs, o qual resultou em um cenário epidemiológico mais problemático, com alguns SCs silenciosos mais prioritários do que outros não-silenciosos. A fim de validar iterativamente as predições do índice e calibrar o grau de confiança que se atribui à abordagem proposta, pode-se comparar a distribuição dos índices de prioridade dos SCs silenciosos com a distribuição de casos identificados mediante busca nesses SCs.

Neglected Tropical Diseases (NTDs) annually cause the death of millions of individuals from marginalized multi-species collectives, in addition to disabilities of various severities. This negligence is reflected and reinforced by the underreporting of cases, which involves the sensitivity of surveillance systems. The assumption that in silent areas (without notifications) there are no cases, a common practice in the analysis of the spatial distribution of NTDs, contributes to the disregard of these areas as being priorities for epidemiological surveillance. By assuming that the number of cases is unknown in silent areas, predictive models can consider them without classifying them as disease free. To exemplify this approach, which has the potential to increase the efficiency of prevention and control actions, in this study we assume that the number of cases of feline sporotrichosis in silent census tracts (CT) in the city of Guarulhos was unknown, and we predicted it from the number of cases reported in neighboring CTs and the social vulnerability situation of the silent CTs themselves and their neighborhood. For this, we use Bayesian models with structured and unstructured spatial components. Based on the predictions, we assigned a priority index to all CTs, which resulted in a more problematic epidemiological scenario, with some silent CTs taking priority over non-silent ones. In order to iteratively validate the index predictions and calibrate the degree of confidence that is attributed to the proposed approach, one can compare the distribution of priority indexes of silent CTs with the distribution of cases identified by search in these CTs.