Predicción temprana de brotes de dengue en Bucaramanga mediante un modelo de Machine Learning con integración de variables climáticas, geográficas y sociodemográficas
Cargando...
Fecha
Director
Enlace al recurso
DOI
ORCID
Google Scholar
Cvlac
gruplac
Descripción Dominio:
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Santo Tomás
Compartir
Documentos PDF
Descripción
Problema. El dengue es una arbovirosis endémica en Bucaramanga que entre 2015 y 2022 acumuló 10.259 casos notificados al SIVIGILA, con una tasa de hospitalización del 26,6 % y picos epidémicos recurrentes; sin embargo, el municipio no dispone de herramientas que anticipen sus brotes. Objetivo. Desarrollar un modelo de machine learning para la predicción temprana de brotes de dengue en Bucaramanga, integrando variables epidemiológicas, climáticas, geográficas y sociodemográficas. Método. Investigación cuantitativa, aplicada y longitudinal que, siguiendo el proceso CRISP-DM, integró datos del SIVIGILA, registros climáticos del IDEAM, índices de vegetación (NDVI) de Sentinel-2 e indicadores del DANE, agregados por semana epidemiológica y comuna. Se compararon cinco enfoques —un modelo naïve estacional y ARIMA como líneas base frente a Random Forest, XGBoost y LSTM— mediante una partición temporal estricta y horizontes de predicción de una a cuatro semanas, evaluados con las métricas MAE, RMSE, MAPE, MASE, F1 y AUC, la prueba de Diebold-Mariano y la interpretabilidad SHAP. Resultados. Los modelos de machine learning redujeron el error de predicción a menos de dos tercios del pronóstico ingenuo y discriminaron las semanas de brote de forma estadísticamente significativa (p < 0,001). La temperatura, con un rezago de siete semanas, fue el predictor ambiental más relevante, y el riesgo se concentró en las comunas San Francisco, Centro y Oriental (32,4 % de los casos). Conclusiones. Es factible anticipar los brotes con datos públicos locales; el prototipo DengueAlert-BGA constituye una herramienta interpretable y replicable para fortalecer la vigilancia y la respuesta sanitaria del municipio.
Abstract
Problem. Dengue is an endemic arboviral disease in Bucaramanga that accumulated 10,259 cases reported to the National Public Health Surveillance System (SIVIGILA) between 2015 and 2022, with a hospitalization rate of 26.6% and recurrent epidemic peaks. However, the municipality lacks tools capable of anticipating outbreaks. Objective. To develop a machine learning model for the early prediction of dengue outbreaks in Bucaramanga by integrating epidemiological, climatic, geographic, and sociodemographic variables. Methods. A quantitative, applied, and longitudinal study was conducted following the CRISP-DM methodology. Data from SIVIGILA, climate records from IDEAM, Sentinel-2 vegetation indices (NDVI), and sociodemographic indicators from DANE were integrated and aggregated by epidemiological week and administrative district. Five approaches were compared: a seasonal naïve model and ARIMA as baseline models, versus Random Forest, XGBoost, and LSTM. Models were evaluated using a strict temporal split and prediction horizons ranging from one to four weeks. Performance was assessed using MAE, RMSE, MAPE, MASE, F1-score, and AUC metrics, complemented by the Diebold–Mariano test and SHAP-based interpretability analysis. Results. Machine learning models reduced prediction error to less than two-thirds of the naïve forecast and significantly discriminated outbreak weeks (p < 0.001). Temperature, with a seven-week lag, was identified as the most relevant environmental predictor. Outbreak risk was concentrated in the San Francisco, Centro, and Oriental districts, which accounted for 32.4% of reported cases. Conclusions. Dengue outbreaks can be anticipated using publicly available local data. The DengueAlert-BGA prototype represents an interpretable and replicable tool to strengthen epidemiological surveillance and public health response in the municipality.
Idioma
spa
Palabras clave
Citación
Araque Villamizar, R., y Paipa Bautista, D. A. (2026). Predicción temprana de brotes de dengue en Bucaramanga mediante un modelo de machine learning con integración de variables climáticas, geográficas y sociodemográficas [Tesis de maestría]. Universidad Santo Tomás, Bucaramanga, Colombia.