Desarrollo y evaluación de modelos de machine learning para la predicción del número de casos de dengue en Perú

• Autor: Chu Peramás, Sebastian Alejandro
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad de Ingeniería y tecnología
• Repositorio: UTEC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utec.edu.pe:20.500.12815/441
• Enlace del recurso: https://hdl.handle.net/20.500.12815/441
• Nivel de acceso: acceso abierto
• Materia: Dengue; Machine Learning; Prediction; Aedes aegypti; Peru; Mosquitoes; https://purl.org/pe-repo/ocde/ford#1.06.02

El dengue es una amenaza creciente en Perú, mostrando un patrón de incidencia en aumento. Este trabajo de investigación busca desarrollar modelos avanzados de Machine Learning que puedan predecir el número de casos de dengue en distintas ubicaciones. Se adoptó un enfoque cuantitativo, empleando diversos modelos de Machine Learning. Los modelos se alimentaron con datos históricos obtenidos de bases nacionales. El estudio evalúa la eficacia de estos modelos para predecir el número de casos del virus para localizar zonas de alto riesgo. Los modelos de Machine Learning, incluyendo Random Forest y Support Vector Machine demuestran una mejora significativa en la precisión de las predicciones del número de casos de dengue comparados con los métodos estadísticos tradicionales. Además, la integración de datos históricos diversos en los modelos proporciona predicciones más detalladas y adaptadas a las especificidades regionales de Perú. Los resultados indican que el uso de modelos de Machine Learning integrando variables climáticas y epidemiológicas es prometedor para mejorar la predicción del número de casos de dengue en Perú. Estos hallazgos sugieren que la implementación de tales modelos podría optimizar la distribución de recursos y fortalecer las estrategias de prevención y respuesta. Se recomienda una mayor investigación para validar y expandir estos modelos en la práctica de salud pública.