Predicción de Casos de Dengue con Base en Variables Climáticas por Aprendizaje Automático

Anna Beatriz Pereira Lima; Brayan Dias Dauria

DOI: 10.22167/2675-6528-202602684

Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.

Resumen

El dengue se ha caracterizado como un importante problema de salud pública en Brasil, con una ocurrencia influenciada por factores climáticos, ambientales y temporales. El estudio tuvo como objetivo desarrollar y evaluar modelos predictivos para estimar el número de casos de dengue en el estado de São Paulo a partir de la integración entre datos epidemiológicos del Sistema de Información de Agravios de Notificación (SINAN) y variables meteorológicas del Instituto Nacional de Meteorología (INMET). La investigación se llevó a cabo como un estudio de caso, basándose en una estructura temporal a nivel municipio-mes, construida a partir del tratamiento, estandarización e integración de las bases de datos. El proceso metodológico incluyó la selección y agregación de las notificaciones confirmadas, la asociación espacial entre municipios y estaciones meteorológicas, la creación de variables rezagadas y medias móviles, además de la división temporal de los datos en entrenamiento, validación y prueba. Se aplicaron los modelos Random Forest, Support Vector Regression, XGBoost y Long Short-Term Memory, evaluados mediante las métricas MAE, RMSE y coeficiente de determinación (R²). Los resultados mostraron que los modelos captaron patrones relevantes de la serie histórica, especialmente la estacionalidad de la enfermedad y la influencia del historial reciente de casos y de las variables climáticas. Entre los algoritmos evaluados, el Random Forest presentó el mejor desempeño global, evidenciando potencial para apoyar acciones de vigilancia epidemiológica, monitoreo y anticipación de brotes.

Palabras clave: Dengue; Predicción epidemiológica; Salud pública; Series temporales; Variables climáticas.

1. Introducción

El dengue es una arbovirosis causada por el virus DENV, transmitida a los seres humanos por la picadura del mosquito Aedes aegypti infectado (Organización Mundial de la Salud, 2025). El virus pertenece a la familia Flaviviridae y al género Orthoflavivirus, presentando cuatro serotipos conocidos: DENV-1, DENV-2, DENV-3 y DENV-4, que se diferencian por variaciones genéticas y linajes específicos (Cardoso et al., 2024). Ampliamente diseminada en regiones tropicales y subtropicales, la enfermedad representa un grave problema de salud pública en Brasil, uno de los países con mayor número de casos y recurrencia de epidemias (Felix, 2024).

La propagación del dengue está directamente relacionada con las condiciones ambientales y climáticas que favorecen el ciclo de vida del mosquito y la diseminación del virus. El Aedes aegypti, principal transmisor de la enfermedad, encuentra en las áreas urbanas condiciones ideales para su reproducción, especialmente en lugares con acumulación de agua estancada y saneamiento precario (Carvalho Da Silva et al., 2024). Las variaciones de temperatura, humedad y precipitación influyen directamente en el ciclo de vida del mosquito y en la replicación viral, convirtiendo el clima en un elemento determinante en la dinámica de la enfermedad (Gui et al., 2021). De esta forma, la interacción entre factores biológicos, ambientales y sociales contribuye al mantenimiento e intensificación de los casos de dengue en el país.

Ante una población amplia, densa y heterogénea, Brasil enfrenta desafíos significativos relacionados con el aumento de los casos de dengue, cuya ocurrencia está fuertemente influenciada por factores socioeconómicos y estacionales. La gravedad de este problema se hace aún más evidente, con el registro de más de mil muertes por dengue en 2025, según datos del Ministerio de Salud (Coelho, 2025). La desigualdad social contribuye a la precariedad de las condiciones de vivienda, saneamiento y gestión de residuos, creando ambientes propicios para la proliferación del mosquito (Bezerra, T.; Matos, C. 2023).

En este contexto, los modelos híbridos basados en aprendizaje automático y aprendizaje profundo se muestran prometedores en la predicción de casos de dengue, utilizando datos climáticos y epidemiológicos (Lanlan, F., 2024). Estudios en el área han aplicado algoritmos de aprendizaje automático como Random Forest, Extreme Gradient Boosting y Support Vector Machine/Regression, reconocidos por su capacidad de capturar relaciones complejas entre múltiples factores climáticos y la dinámica de variación de los casos de dengue (Ong et al., 2023). En el ámbito del aprendizaje profundo, redes neuronales recurrentes del tipo Long Short-Term Memory también han presentado resultados expresivos en la predicción de dengue basándose en variables climáticas (Xiang, C.; Morgan, P., 2025; Lanlan, F. et al., 2024).

Aunque el enfoque principal de este estudio sea la predicción de casos de dengue, el enfoque metodológico propuesto tiene potencial de extensión a otras enfermedades infecciosas influenciadas por factores ambientales y climáticos, como chikungunya y zika. La utilización integrada de datos epidemiológicos y variables climáticas, aliada a técnicas de aprendizaje automático, permite la construcción de modelos predictivos aplicables a diferentes contextos de salud pública. Esta versatilidad amplía el potencial de aplicación de la solución, posibilitando su utilización en diversas regiones geográficas y contribuyendo al desarrollo de sistemas de monitoreo y alerta a escala nacional. Así, el objetivo de este trabajo fue desarrollar y comparar modelos de aprendizaje automático y aprendizaje profundo aplicados a la predicción de casos de dengue a partir de variables climáticas y datos epidemiológicos históricos, evaluando el desempeño de los diferentes algoritmos en la captura de patrones temporales y relaciones no lineales asociadas a la dinámica de la enfermedad, así como investigando su potencial como herramienta de apoyo a la vigilancia epidemiológica, contribuyendo a la anticipación de brotes y a la toma de decisiones en salud pública.

2. Material y Métodos

La investigación desarrollada se caracterizó como un estudio de naturaleza aplicada y descriptiva. El enfoque aplicado tuvo como objetivo la solución de un problema práctico, centrado en la predicción de casos de dengue a partir de variables climáticas y datos epidemiológicos, con potencial de apoyo a la vigilancia en salud pública. En cuanto a los objetivos, la investigación fue descriptiva, buscando identificar y organizar patrones temporales, además de relaciones entre variables ambientales y la incidencia de la enfermedad, sin establecer relaciones causales directas.

El procedimiento metodológico consistió en un estudio de caso, en el cual diferentes modelos de aprendizaje automático y aprendizaje profundo se aplicaron a un mismo conjunto de datos para comparar sus desempeños. Las etapas del estudio se organizaron en cinco fases principales, que incluyeron la adquisición de los datos, el tratamiento de las bases, la integración de la información, la modelización e implementación de los algoritmos, y el análisis de los resultados obtenidos.

Para el análisis, se utilizaron datos epidemiológicos de casos de dengue ocurridos en Brasil e información meteorológica asociada. Los datos epidemiológicos se obtuvieron del Sistema de Información de Agravios de Notificación (SINAN), proporcionados por el Departamento de Informática del Sistema Único de Salud (DATASUS), abarcando el período de 2014 a 2025. Los datos meteorológicos provinieron del Instituto Nacional de Meteorología (INMET), referentes a los municipios del estado de São Paulo.

La recolección de los datos epidemiológicos del SINAN se realizó mediante conexión vía File Transfer Protocol (FTP), utilizando el software FileZilla. Las bases, originalmente en formato DataBase Compressed (DBC), fueron convertidas a DataBase File (DBF) con el software TabWin y, posteriormente, a Comma-separated values (CSV) vía lenguaje Python. Se seleccionaron las columnas DT_NOTIFIC, ID_MUNICIP, FEBRE, CEFALEIA, VOMITO, RESUL_SORO, RESUL_NS1, RESUL_PCR_, HOSPITALIZ, CLASSI_FIN y CRITERIO, convirtiendo la fecha de notificación a formato temporal y estandarizando los códigos municipales.

Los datos del SINAN fueron filtrados para incluir solo los casos del estado de São Paulo, seleccionando las notificaciones con clasificación final de dengue (códigos 10, 11 o 12). A continuación, los datos se agregaron mensualmente por municipio, utilizando el código IBGE como identificador. Se creó una estructura temporal completa para todas las combinaciones de municipio, año y mes, rellenando con cero los meses sin registros de casos confirmados.

Los datos meteorológicos del INMET se obtuvieron mediante envío automatizado por correo electrónico, generando un archivo individual para cada estación. La información climática, recopilada a escala mensual, incluyó variables como precipitación acumulada, temperatura media del aire y velocidad media del viento. La consolidación de estas bases se realizó mediante un proceso automatizado implementado en Python.

Para asociar los datos climáticos a los municipios, se consideró que el estado de São Paulo tiene 645 municipios y la red del INMET cuenta con 43 estaciones meteorológicas. Cada municipio se asoció a la estación meteorológica más cercana. Se utilizó la malla municipal del IBGE en formato shapefile, representando las estaciones como puntos geográficos y los municipios por sus centroides. La vinculación se realizó con base en la proximidad espacial entre los centroides municipales y los puntos de las estaciones meteorológicas, procedimiento similar al adoptado por Aune et al. (2023) y Gómez-Barroso et al. (2017).

Después del tratamiento de las bases, se realizó la unión de los datos epidemiológicos y meteorológicos por municipio, año y mes. Se crearon variables rezagadas, conocidas como “lags”, para representar la influencia de valores observados en períodos anteriores sobre el número de casos de dengue. Para la variable objetivo casos_confirmados, se utilizaron rezagos de uno, dos, tres, seis y doce meses. También se crearon rezagos para las variables climáticas y se calcularon medias móviles con desplazamiento temporal para evitar fugas de datos.

La base consolidada se dividió en conjuntos de entrenamiento, validación y prueba, de forma temporal, sin aleatorización de los registros, con el fin de preservar el orden cronológico de las observaciones. El período de 2025 se reservó como conjunto de prueba final, mientras que los años anteriores se utilizaron en las etapas de entrenamiento y validación. La variable referente al mes se transformó en componentes cíclicos de seno y coseno para incorporar la naturaleza estacional del calendario.

En la base de entrenamiento, se aplicó validación temporal mediante el método “TimeSeriesSplit”, con cinco divisiones. Este procedimiento particionó los datos en divisiones sucesivas a lo largo del tiempo, manteniendo las observaciones más antiguas para entrenamiento y las posteriores para validación. En cada iteración, el modelo se entrenó con un período histórico y se validó en un período posterior, simulando un escenario de predicción realista.

Para la definición de los hiperparámetros de los modelos, se utilizó la técnica de búsqueda en cuadrícula por medio del método “GridSearchCV”. Este procedimiento evaluó diferentes combinaciones de hiperparámetros de forma sistemática, utilizando las divisiones temporales definidas por el “TimeSeriesSplit”. La selección de las mejores configuraciones se realizó exclusivamente sobre los datos de entrenamiento y validación, considerando el rendimiento en las métricas R², MAE y RMSE.

En la etapa de modelado predictivo, se aplicaron los modelos Random Forest (RF), Support Vector Regression (SVR), XGBoost y Long Short-Term Memory (LSTM). Random Forest, un método de aprendizaje supervisado, combinó múltiples árboles de decisión para estimar valores continuos, utilizando la técnica de bagging (Rahman et al., 2025). XGBoost, basado en boosting, entrenó árboles de decisión secuencialmente para corregir errores anteriores (Ribeiro et al., 2021).

El Support Vector Regression (SVR), implementado a través del algoritmo LinearSVR, buscó estimar una función continua con un error limitado por un margen de tolerancia (Leão, 2025). La red neuronal Long Short-Term Memory (LSTM) se utilizó como arquitectura de red neuronal recurrente, diseñada para capturar dependencias temporales a corto y largo plazo en series temporales (Chen et al., 2025). Para los modelos XGBoost y LSTM, se aplicó la transformación log1p a la variable objetivo para reducir la asimetría de la distribución y atenuar la influencia de valores extremos.

El desarrollo de la investigación se realizó en un entorno computacional configurado para el tratamiento, integración, análisis y modelado de los datos. El lenguaje de programación utilizado fue Python, debido a su versatilidad y a la amplia disponibilidad de bibliotecas. Se emplearon bibliotecas como Pandas para la manipulación de datos, NumPy para operaciones numéricas, Scikit-learn para preprocesamiento y evaluación, XGBoost y TensorFlow/Keras para la implementación de los modelos, Matplotlib para visualización y GeoPandas para la manipulación de datos espaciales.

La evaluación de los modelos constituyó una etapa fundamental, realizada con base en el desempeño predictivo obtenido en el conjunto de prueba final, correspondiente al año 2025. Para esta comparación, se utilizaron las métricas Error Medio Absoluto (MAE), Raíz del Error Cuadrático Medio (RMSE) y Coeficiente de Determinación (R²). El MAE midió la media de las diferencias absolutas entre los valores reales y previstos, mientras que el RMSE cuantificó la precisión del modelo en relación con los valores reales, calculando la raíz cuadrada de la media de los errores cuadráticos. El R² representó el porcentaje de la varianza de los datos explicada por el modelo.

3. Resultados y Discusión

La presente sección detalla los resultados obtenidos a partir de la aplicación de las etapas metodológicas previamente descritas, abarcando la recolección, tratamiento, análisis y unión de las bases de datos, así como la modelización predictiva y la evaluación de los algoritmos. El objetivo principal fue demostrar los avances alcanzados en la predicción de casos de dengue en el estado de São Paulo, identificar las particularidades observadas durante el proceso y discutir las implicaciones de estos hallazgos para la vigilancia epidemiológica. El enfoque sistemático permitió una comprensión profunda de la dinámica de la enfermedad y de la capacidad de los modelos para capturar patrones complejos.

Base de datos y preprocesamiento

La construcción de la base de datos para este estudio implicó la integración de información epidemiológica y meteorológica, fundamentales para la modelización predictiva del dengue. Los datos de casos de dengue se extrajeron del Sistema de Información de Agravios de Notificación (SINAN), abarcando el período de 2014 a 2025. Inicialmente, estos datos, disponibles en formato DBC, se convirtieron a DBF y, posteriormente, a CSV, utilizando herramientas como FileZilla, TabWin y el lenguaje Python, garantizando la compatibilidad para el análisis. Esta etapa de conversión fue crucial para estandarizar la información y posibilitar su manipulación en el entorno computacional.

Para el tratamiento de los datos epidemiológicos, se realizó un filtrado riguroso para incluir solo los casos confirmados de dengue en el estado de São Paulo, identificados por los códigos de clasificación final (CLASSI_FIN) 10, 11 o 12. Las notificaciones, originalmente diarias, se agregaron mensualmente por municipio, utilizando el código IBGE como identificador. Variables clínicas y de laboratorio, como fiebre, cefalea, vómito y resultados de exámenes (NS1, RT-PCR, serología), también se agregaron, proporcionando un panorama detallado de los casos. La estandarización de los códigos municipales y el llenado de meses sin registros con cero casos fueron esenciales para crear una serie temporal balanceada y completa, lista para la integración.

Los datos meteorológicos se obtuvieron del Instituto Nacional de Meteorología (INMET), correspondientes a las estaciones ubicadas en el estado de São Paulo. Las variables incluyeron precipitación acumulada, temperatura media del aire y velocidad media del viento, recopiladas a escala mensual. Un desafío significativo fue la disparidad entre el número de municipios (645) y el de estaciones meteorológicas (43) en el estado. Para resolver esta cuestión, cada municipio se asoció a la estación meteorológica más cercana, utilizando la malla municipal del IBGE en formato “shapefile” y calculando la proximidad espacial entre los centroides municipales y los puntos de las estaciones, conforme a los enfoques de Aune et al. (2023) y Gómez-Barroso et al. (2017).

La asociación espacial resultó en una tabla de correspondencia que vinculó los 645 municipios a las 43 estaciones del INMET, con una distancia media de 33,01 km y una distancia máxima de 152,75 km entre los centroides municipales y las estaciones. Este paso fue fundamental para incorporar las variables climáticas a la base epidemiológica, permitiendo un análisis conjunto. La base final consolidada totalizó 92.880 registros, cubriendo 645 municipios a lo largo de 12 años, de 2014 a 2025. La variable mes se transformó en componentes cíclicos de seno y coseno para capturar la estacionalidad anual de forma más precisa, reconociendo la naturaleza circular del calendario.

El análisis exploratorio de la serie temporal agregada de casos de dengue en el estado de São Paulo reveló oscilaciones significativas y picos epidémicos recurrentes. Entre los años evaluados, destacó 2024 como el período de mayor volumen de casos, configurando el principal pico de la serie histórica. En contraste, años como 2017 y 2018 presentaron totales bastante reducidos, caracterizando períodos de menor circulación de la enfermedad. Ya 2025, aunque se mantuvo en un nivel elevado, presentó un total inferior al observado en 2024. La estacionalidad de la enfermedad se observó claramente, con la mayor concentración de casos en los primeros meses del año, especialmente en marzo, abril y mayo, un patrón que se alinea con el ciclo de vida del vector y las condiciones climáticas favorables.

Las variables climáticas también exhibieron un comportamiento estacional pronunciado, compatible con la dinámica del dengue. La precipitación media mensual fue más elevada en los primeros y últimos meses del año, con una reducción notable entre junio y agosto. La temperatura media, por su parte, se mantuvo más alta entre octubre y marzo, disminuyendo en los meses centrales. Esta correlación estacional entre los patrones climáticos y la incidencia de la enfermedad reforzó la importancia de estas variables para la modelización predictiva, según lo discutido por Gui et al. (2021) sobre la influencia del clima en la propagación del dengue.

Sin embargo, el análisis de los datos meteorológicos del INMET también reveló la presencia de valores ausentes, con mayor incompletitud entre 2020 y 2022. La precipitación fue la variable con los mayores porcentajes de ausencia, mientras que la temperatura media presentó una menor proporción de datos faltantes. Estas limitaciones en la cobertura temporal de la base climática fueron consideradas en las etapas subsecuentes del estudio, influyendo en la robustez de los modelos. La gestión de estos datos faltantes fue un aspecto crítico para mantener la integridad de la serie temporal y la validez de las predicciones.

Para capturar la dependencia temporal de las series, se crearon variables rezagadas, o “lags”, tanto para el número de casos confirmados como para las variables climáticas. Para la variable objetivo, se utilizaron rezagos de 1, 2, 3, 6 y 12 meses, reflejando la influencia de períodos anteriores. Para las variables climáticas, además de los rezagos, se calcularon medias móviles con desplazamiento temporal, garantizando que solo se utilizaran informaciones pasadas en la predicción, evitando la fuga de datos y preservando el orden cronológico de los registros, un procedimiento esencial en series temporales (Sacay et al., 2025; Chen et al., 2025).

El análisis de autocorrelación de la serie de casos confirmados demostró una fuerte dependencia temporal, con el rezago de 1 mes presentando la mayor correlación (0,822), seguido por una caída gradual. Los rezagos de 11, 12 y 24 meses también mostraron valores relevantes (0,363, 0,349 y 0,349, respectivamente), confirmando la estacionalidad anual de la enfermedad. Las variables climáticas desfasadas también presentaron correlaciones significativas, con la temperatura media en los rezagos de 3 (0,615) y 2 (0,571), y la precipitación en los rezagos de 3 (0,514) y 2 (0,488), indicando que la relación entre clima y dengue no es inmediata, sino desfasada en el tiempo.

La base de datos se organizó entonces para la etapa de modelado predictivo, reservando el año 2025 como conjunto de prueba final, y los años anteriores para entrenamiento y validación. La validación temporal se realizó utilizando el método “TimeSeriesSplit”, con cinco divisiones, asegurando que se mantuviera la secuencia cronológica de los datos. Este método simula una situación más cercana al uso real del modelo, en la que solo la información pasada está disponible en el momento de la predicción. La selección de hiperparámetros se realizó mediante “GridSearchCV”, optimizando el rendimiento basándose en las métricas R², MAE y RMSE.

Modelado Predictivo y Configuración de los Algoritmos

En la etapa de modelado predictivo, se aplicaron cuatro algoritmos distintos: Random Forest (RF), Support Vector Regression (SVR), Extreme Gradient Boosting (XGBoost) y Long Short-Term Memory (LSTM). Cada modelo se configuró con hiperparámetros optimizados mediante la técnica “GridSearchCV”, que buscó las mejores combinaciones para maximizar el rendimiento predictivo en el contexto de la serie temporal de casos de dengue. La elección de estos algoritmos refleja la diversidad de enfoques en el aprendizaje automático y el aprendizaje profundo para problemas de regresión en series temporales.

El modelo Random Forest, según lo descrito por Rahman et al. (2025), se configuró con 200 árboles, un tamaño mínimo de 3 muestras por hoja terminal y 10 muestras mínimas para la división de nodos, utilizando todas las variables disponibles en cada partición. Esta arquitectura, basada en la técnica de “bagging”, es conocida por su capacidad para reducir la varianza y el riesgo de sobreajuste, combinando múltiples árboles de decisión para generar predicciones robustas. La configuración optimizada tuvo como objetivo mejorar la generalización del modelo para datos no vistos.

Para la Regresión de Vectores de Soporte (SVR), implementada a través del algoritmo “LinearSVR”, los hiperparámetros seleccionados fueron C=3.0, epsilon=0.05, random_state=42, max_iter=30000 y dual=auto. Según Leão (2025), el SVR busca estimar una función continua con error limitado, siendo eficaz en la modelización de relaciones lineales y no lineales, incluso en escenarios de alta dimensionalidad. La optimización de estos parámetros fue fundamental para que el modelo pudiera encontrar una representación que preservara la capacidad de generalización y se ajustara adecuadamente a los patrones de los datos.

En los modelos XGBoost y LSTM, se aplicó una transformación logarítmica (log1p) a la variable objetivo, el número de casos confirmados de dengue. Este procedimiento tuvo como objetivo principal reducir la asimetría de la distribución de los datos y atenuar la influencia de valores extremos, contribuyendo a una mayor estabilidad en el entrenamiento, especialmente en una serie temporal caracterizada por alta variabilidad y picos epidémicos. Después de la predicción, los valores se reconvirtieron a la escala original, permitiendo una interpretación directa de los resultados en términos de número de casos reales.

El modelo XGBoost, basado en “boosting” y descrito por Ribeiro et al. (2021), se configuró con 800 estimadores, una tasa de aprendizaje de 0,03, una profundidad máxima de 4, un peso mínimo de hijo de 5, subsample de 0,85 y colsample_bytree de 0,85, con reg_lambda de 5,0 y un objetivo de regresión de error cuadrático. Esta configuración tiene como objetivo mejorar progresivamente el rendimiento predictivo, corrigiendo los errores de los árboles anteriores e incorporando términos de regularización para mitigar el sobreajuste, siendo un enfoque robusto para problemas de regresión.

Para la red neuronal Long Short-Term Memory (LSTM), una arquitectura de deep learning adecuada para series temporales, los hiperparámetros definidos incluyeron un tamaño de ventana de 12, 32 unidades, dropout de 0,2, 16 unidades densas, optimizador Adam, función de pérdida MSE, 30 épocas, tamaño de batch de 64, shuffle FALSE y paciencia de early stopping de 5. La LSTM, conforme Chen et al. (2025), está diseñada para capturar dependencias temporales de corto y largo plazo, siendo particularmente eficaz en la modelización de patrones complejos como tendencia y estacionalidad en series epidemiológicas.

Evaluación de Desempeño de los Modelos

La evaluación del rendimiento de los modelos se realizó en el conjunto de prueba final, correspondiente a los datos de 2025, utilizando las métricas Error Medio Absoluto (MAE), Raíz del Error Cuadrático Medio (RMSE) y Coeficiente de Determinación (R²). Los resultados obtenidos por los modelos Random Forest, SVR con LinearSVR, XGBoost y LSTM, considerando la mejor configuración seleccionada, fueron: Random Forest (MAE 63,94, RMSE 324,92, R² 0,77); SVR (MAE 55,64, RMSE 360,02, R² 0,72); XGBoost (MAE 86,63, RMSE 551,45, R² 0,34); y LSTM (MAE 51,75, RMSE 435,26, R² 0,59). Estas métricas permitieron un análisis exhaustivo de la precisión de las predicciones y la capacidad de ajuste de los modelos a los valores observados.

El modelo Random Forest demostró el mejor rendimiento global, con un RMSE de 324,93 y un R² de 0,77. Aunque no presentó el menor MAE, su equilibrio entre precisión predictiva y capacidad para explicar la variabilidad de los datos fue superior a los demás. Este resultado sugiere que el Random Forest logró capturar de manera efectiva las complejas relaciones entre las variables climáticas, epidemiológicas y la ocurrencia de dengue, ofreciendo predicciones más consistentes y confiables para el período analizado, como se observa en estudios similares (Rahman et al., 2025).

El Support Vector Regression (SVR), utilizando el algoritmo LinearSVR, presentó el segundo mejor rendimiento, con MAE de 55,64, RMSE de 360,03 y R² de 0,72. Estos valores indican resultados consistentes y relativamente cercanos a los del Random Forest, confirmando la capacidad del SVR para modelar relaciones complejas y generalizar bien, incluso con la presencia de ruido en los datos. El rendimiento robusto del SVR lo posiciona como una alternativa viable para la predicción de casos de dengue, corroborando hallazgos de Leão (2025).

La red neuronal Long Short-Term Memory (LSTM) obtuvo el menor Error Medio Absoluto (MAE) de 51,76, lo que indica que, en promedio, sus predicciones estuvieron más cerca de los valores reales en términos de desviación absoluta. Sin embargo, el RMSE de 435,27 y el R² de 0,59 sugieren una menor estabilidad del modelo ante errores más expresivos en determinados períodos, y una capacidad ligeramente inferior para explicar la varianza de los datos en comparación con Random Forest y SVR. Esto puede atribuirse a la sensibilidad de la LSTM a picos y variaciones abruptas en la serie temporal, a pesar de su habilidad para capturar dependencias a largo plazo (Chen et al., 2025).

Por otro lado, el modelo XGBoost presentó el desempeño menos satisfactorio entre los algoritmos evaluados, con MAE de 86,63, RMSE de 551,46 y R² de 0,34. Estos resultados indican una menor capacidad de ajuste a la dinámica observada de la serie temporal en el período de prueba, sugiriendo que el XGBoost tuvo mayor dificultad en lidiar con la complejidad y la variabilidad de los datos de dengue en el estado de São Paulo, especialmente en comparación con los enfoques predictivos basados en Random Forest y SVR, que se mostraron más adecuados para este conjunto de datos.

El análisis visual de la comparación entre los casos reales y las predicciones mensuales para 2025 reveló que todos los modelos fueron capaces de captar la estacionalidad general de la serie, caracterizada por valores más elevados en los primeros meses del año y una reducción expresiva en el segundo semestre. Sin embargo, el Random Forest se destacó por presentar un comportamiento más cercano a la trayectoria observada, acompañando de forma consistente las tendencias de crecimiento y reducción de los casos a lo largo del año. El SVR también reprodujo la forma general de la curva, pero con una subestimación más evidente en los meses de mayor incidencia.

La LSTM, a pesar del bajo MAE, mostró oscilaciones que la alejaron de los valores observados en algunos meses del período epidémico, mientras que el XGBoost tendió a sobreestimar los casos en los meses pico, distanciándose más intensamente de la serie real. Esta observación visual complementa las métricas cuantitativas, reforzando que el Random Forest demostró la mejor capacidad para reproducir el comportamiento temporal de la enfermedad. La comparación mensual entre los casos reales y los valores previstos por el Random Forest para 2025 indicó que las mayores diferencias se concentraron en los primeros meses del año, período de mayor incidencia de la enfermedad, mientras que en los meses siguientes las predicciones se aproximaron más a los valores observados.

El análisis espacial, a través de mapas de calor que comparan los casos reales y los previstos por Random Forest, indicó una correspondencia relevante en la distribución espacial de la enfermedad. Las áreas con mayor intensidad de casos reales también presentaron mayor intensidad en las predicciones del modelo, y las regiones con menor ocurrencia mantuvieron un comportamiento similar. Este hallazgo sugiere que Random Forest logró representar adecuadamente la heterogeneidad espacial de los casos de dengue en el estado de São Paulo, preservando, en términos generales, la distribución observada entre los municipios, lo cual es crucial para la vigilancia epidemiológica.

En síntesis, los resultados demuestran que los modelos de aprendizaje automático y deep learning son herramientas prometedoras para la predicción de casos de dengue, destacándose Random Forest como el algoritmo de mejor desempeño global. La capacidad de los modelos para capturar la estacionalidad de la enfermedad, la influencia del historial reciente de casos y de las variables climáticas, así como la heterogeneidad espacial, valida el enfoque predictivo propuesto. Aunque se han identificado limitaciones relacionadas con la disponibilidad y calidad de los datos, la investigación ofrece un avance significativo en la comprensión de la dinámica del dengue y en el desarrollo de herramientas de apoyo a la salud pública.

4. Conclusión

El presente estudio buscó desarrollar y comparar modelos de aprendizaje automático y aprendizaje profundo para la predicción de casos de dengue en el estado de São Paulo, integrando datos epidemiológicos del SINAN y variables meteorológicas del INMET. Se verificó que los modelos fueron capaces de capturar patrones relevantes de la serie histórica, incluyendo la estacionalidad de la enfermedad y la influencia del historial reciente de casos y de las variables climáticas. Entre los algoritmos evaluados, el Random Forest demostró el mejor desempeño global, con un equilibrio superior entre precisión predictiva y capacidad de explicación de la variabilidad de los datos, seguido por el Support Vector Regression. La red neuronal Long Short-Term Memory presentó el menor error medio absoluto, pero con menor estabilidad en relación a errores más expresivos. Las predicciones del Random Forest reprodujeron de forma satisfactoria el comportamiento temporal y espacial de los casos en el período analizado, evidenciando su capacidad de representar la heterogeneidad de la enfermedad entre los municipios.

Este enfoque representa una contribución significativa a la vigilancia epidemiológica, ofreciendo una herramienta potencial para el monitoreo y la anticipación de brotes de dengue, subsidiando la toma de decisiones en salud pública. Sin embargo, el estudio enfrentó limitaciones relacionadas con la dificultad de acceso y estandarización de las bases de datos epidemiológicos, la presencia de valores ausentes en los datos meteorológicos y la necesidad de asociar municipios a las estaciones climáticas más cercanas. Como perspectivas futuras, se sugiere la incorporación de nuevas variables, la expansión del análisis a otras regiones geográficas y la evaluación de diferentes horizontes de pronóstico, a fin de mejorar la robustez y la aplicabilidad de los modelos predictivos.

Referencias Bibliográficas

Cardoso, R. L.; Corioletti, N. S. D.; Costa, L. F.; Taveira, J. H. da S.; Bueno, C. P.; Corioletti, S.; Giongo, P. R.; Silva, R. T. da. Dengue no Brasil: uma revisão sistemática. Revista Foco, v. 17, n. 3, p. e4640, 2024. DOI: https://doi.org/10.54751/revistafoco.v17n3-079.

Carvalho da Silva, R. et al. Análise dos fatores meteorológicos, socioambientais e socioeconômicos relacionados à incidência de dengue em Joinville – SC nos anos de 2020 e 2021. Hygeia: Revista Brasileira de Geografia Médica e da Saúde, v. 20, p. 1–12, 2024. DOI: 10.14393/Hygeia2071212.

Felix, 2024 [Referência completa não encontrada no documento original]

Gui, H.; Gwee, S.; Koh, J.; Pang, J. Weather factors associated with

Organización Mundial de la Salud, 2025 [Referencia completa no encontrada en el documento original]

Para generar la lista bibliográfica final, realicé el cruce de datos según las reglas establecidas.

Artículo originado del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haz clic aquí y accede a la plataforma MBX Academy