Medina Daza, Ruben JavierSilva Avila, Daniel Fernando2025-04-082025-04-082024-11-13http://hdl.handle.net/11349/94746El dengue es una enfermedad vírica endémica (confinada a zonas tropicales y subtropicales) transmitida por el mosquito Aedes aegypti y es una preocupación sanitaria mundial debido a su rápida propagación y a la creciente gravedad de los brotes. En este estudio se aprovecha la capacidad de los algoritmos de aprendizaje automático para construir un modelo de regresión robusto a partir de una red neuronal recurrente, incorporando datos históricos del dengue en Colombia y variables medioambientales derivadas de medidas obtenidas por sensores remotos. Con ello se pretende mejorar la precisión de las previsiones de casos de dicha enfermedad, así como complementar el estado del arte para este tipo de modelos epidemiológicos. En total se crearon 4 modelos usando datos provenientes de diferentes departamentos de Colombia históricamente afectados (Antioquia, Norte de Santander, Santander y Valle del Cauca), los modelos presentaron un RMSE de 12, 46, 20 y 15 unidades y un r2 de 0.89, 0.97, 0.97 y 0.88 respectivamente. Al comparar el RMSE con el rango central más representativo de los datos (entre los percentiles 25 y 75), se encontró que, para el modelo con mejor desempeño, las predicciones se alejan entre un 11% y un 30% de los valores reales, lo que es relativamente poco en el contexto de los datos. Este es un resultado prometedor ya que las predicciones precisas son cruciales para la planificación y respuesta de la salud pública permitiendo intervenciones específicas en zonas de alto riesgo, lo que puede reducir la propagación de la enfermedad y prevenir brotes, salvando vidas y reduciendo la carga de los sistemas sanitarios.Dengue is an endemic viral disease (confined to tropical and subtropical areas) transmitted by the Aedes aegypti mosquito and is a global health concern due to its rapid spread and the increasing severity of outbreaks. This study exploits the power of machine learning algorithms to build a robust regression model from a recurrent neural network, incorporating historical data on dengue in Colombia and environmental variables derived from remotely sensed measurements. This is intended to improve the accuracy of forecasts of dengue cases, as well as to complement the state of the art for this type of epidemiological models. A total of 4 models were created using data from different historically affected departments of Colombia (Antioquia, Norte de Santander, Santander and Valle del Cauca). The models presented an RMSE of 12, 46, 20 and 15 units and an r2 of 0.89, 0.97, 0.97 and 0.88 respectively. Comparing the RMSE with the most representative central range of the data (between the 25th and 75th percentiles), it was found that, for the best performing model, the predictions are between 11% and 30% away from the real values, which is relatively small in the context of the data. This is a promising result as accurate predictions are crucial for public health planning and response allowing targeted interventions in high-risk areas, which can reduce the spread of disease and prevent outbreaks, saving lives and reducing the burden on health systems.pdfTeledetecciónInteligencia artificialEpidemiologíaDengueAlgoritmomasterThesisMaestría en Ciencias de la Información y las Comunicaciones -- Tesis y disertaciones académicasEpidemiología -- Procesamiento electrónico de datosDengue -- Prevención y controlRedes neurales (Computadores)Ciencia y tecnologíaOpenAccessRemote sensingArtificial intelligenceEpidemiologyDengue feverAlgorithmAbierto (Texto Completo)