Propuesta de un sistema predictivo con algoritmos machine learning para detección temprana de la enfermedad del dengue en Castilla, 2024

• Autores: Alvarado Chero, Mary Mar, Chulles Lopez, Carlos Alejandro
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Cesar Vallejo
• Repositorio: UCV-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucv.edu.pe:20.500.12692/179810
• Enlace del recurso: https://hdl.handle.net/20.500.12692/179810
• Nivel de acceso: acceso abierto
• Materia: Predicción; Inteligencia artificial; Learning; Epidemiología; https://purl.org/pe-repo/ocde/ford#2.02.04

Castilla enfrentó una crisis de dengue en 2023 con 79,643 casos, revelando la falta de herramientas predictivas en el centro de salud local. Este estudio implementó un sistema de Machine Learning analizando 2,519 historias clínicas (2018-2023) mediante RNA, SVM y Random Forest. Los resultados mostraron que el 59.6% de casos fueron adultos, con mayor incidencia en 2023. Prophet identificó patrones estacionales (febrero-marzo) pero con precisión limitada. LSTM alcanzó 85.42% de precisión predictiva, aunque requirió mayor capacidad computacional. Random Forest fue más rápido pero menos preciso, especialmente en clasificar casos sintomáticos. El principal obstáculo fue la calidad de los datos: menos del 3% de registros incluían síntomas, limitando significativamente la eficacia predictiva. Esta carencia en los datos clínicos afectó particularmente la capacidad de los modelos para diferenciar entre casos sintomáticos y asintomáticos. El estudio concluye que LSTM es el modelo más adecuado para predecir brotes en este contexto, pero su implementación efectiva requiere mejorar sustancialmente los protocolos de registro clínico. Se recomienda implementar un sistema estandarizado de recolección de datos que garantice la calidad y completitud de la información, particularmente en la documentación de síntomas, para optimizar el rendimiento de los algoritmos predictivos. La combinación de modelos avanzados con datos robustos podría transformar la capacidad de respuesta ante futuras epidemias.