Esses dados são provenientes do projeto de pesquisa intitulado “Análise da correlação de taxas de morbidade de doenças determinadas socialmente com indicadores socioeconômicos e climáticos para o Estado de São Paulo”, financiado pelo Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) e refere-se ao Processo CNPq: 442318/2024-3. Resumo do Projeto: Condições socioeconômicas diversas em conjunto com eventos ambientais extremos e variabilidade climática impõem desafios cada vez mais impreteríveis aos órgãos públicos responsáveis pela organização e elaboração de planos e políticas públicas para a saúde coletiva. Portanto, considerando a complexidade de avaliações desses diferentes fatores, esse projeto objetiva analisar as relações espaciais dos mesmos com a morbidade de doenças determinadas socialmente (DDS), a fim de compreender as correlações e padrões espaciais do Estado de São Paulo e, em especial, de 23 municípios paulistas onde essas doenças apresentam prevalência. Para isso, foram gerados mapas temáticos e modelos matemáticos preditivos, obtidos por deep learning, desenvolvidos para analisar a correlação entre fatores socioeconômicos, demográficos e ambientais com a taxa de morbidade de DDS. Foram utilizados dados para uma análise histórica de 2000 a 2023. As doenças estudadas foram tuberculose, AIDS, sífilis e hanseníase em conjuntos com fatores ambientais (pluviosidade, temperatura e umidade relativa), condições socioeconômicas (índices de pobreza, de urbanização e densidade demográfica). A análise exploratória revelou um paradoxo socioespacial: embora o Estado apresente crescimento linear no PIB per capita e altas taxas de urbanização, a intensa compactação demográfica e a extrema volatilidade da capacidade real de consumo (Índice de Poder Financeiro) atuam como determinantes críticos na manutenção da cadeia de transmissão. Este cenário de vulnerabilidade é agravado por uma transição climática em curso. Metodologicamente, o estudo promoveu um avanço na aplicação de inteligência artificial na saúde pública. A avaliação demonstrou a inexistência de um modelo preditivo universal; a eficácia estrutural provou-se estritamente doença-dependente. Arquiteturas de Deep Learning baseadas em interpolação hierárquica foram superiores para séries com severa esparsidade, enquanto redes autorregressivas probabilísticas destacaram-se frente à sobredispersão. Em contraste, patologias com ocorrências epidemiológicas densas e sazonais foram melhor modeladas por algoritmos determinísticos e estruturais. Como entregas e produtos tecnológicos aderentes aos princípios da Ciência Aberta, o projeto disponibiliza Dashboards interativos, plataformas WebGIS e repositórios públicos contendo todos os códigos-fonte, convertendo grandes volumes de dados multivariáveis em inteligência analítica aplicável ao planejamento da Atenção Primária em Saúde. O trabalho conclui reforçando a importância de políticas de saúde pública direcionadas, que consideram as particularidades territoriais e sociais, e disponibiliza seus métodos e resultados para garantir a reprodutibilidade e o avanço da pesquisa na área.