Investigadores desarrollan modelos de IA que predicen brotes de dengue con anticipación
IA y datos integrados: una nueva estrategia contra el dengue
En un avance significativo en salud pública, investigadores lograron desarrollar modelos de inteligencia artificial capaces de predecir brotes de dengue con alta precisión. Estas herramientas combinan datos clínicos, climáticos y demográficos para generar mapas de riesgo y activar alertas tempranas en zonas con alta incidencia del mosquito Aedes aegypti
Diagnóstico más rápido y preciso
Según The Journal of Infectious Diseases, los modelos —que incluyen redes neuronales y árboles de decisión— alcanzaron una precisión entre 83 % y 86 % para diagnosticar dengue usando solo cuatro variables clínicas: edad, temperatura, plaquetas y leucocitos Además, un estudio en PLOS Neglected Tropical Diseases utilizó fotopletismografía portátil para distinguir estado de hipovolemia con más del 80 % de sensibilidad, lo que es crucial para detectar casos graves y evitar complicaciones como el síndrome de shock por dengue
Biomarcadores y enfoques moleculares
La inteligencia artificial también se ha integrado en la bioinformática para identificar biomarcadores genéticos útiles en el diagnóstico temprano. Genes como STAT1, AURKA y BUB1 fueron señalados como prometedores para desarrollar terapias específicas o diagnósticos personalizados
Modelos predictivos y epidemiología avanzada
Más de 70 modelos matemáticos y de IA apuntan a prever brotes epidémicos. Utilizan variables como clima, movilidad humana y demografía para construir mapas de riesgo dinámicos que anticipan zonas con posible propagación del dengue
Además, otras iniciativas como el sistema bayesiano desarrollado en la Universidad Nacional de San Martín en Argentina demuestran cómo la IA puede analizar datos históricos y climatológicos para anticipar brotes en tiempo real, con enfoque urbano detallado incluso por manzana
Combatiendo el dengue desde el espacio: epidemiología satelital
Innovadores modelos como DengueNet utilizan imágenes satelitales de alta resolución para hacer predicciones epidemiológicas semana a semana. Mediante técnicas como Vision Transformer y modelos LSTM, este sistema se ha probado en municipios de Colombia, logrando un error medio aceptable (MAE promedio aproximadamente de 43.92) También destaca la plataforma Mosqlimate, que centraliza datos climáticos, demográficos y epidemiológicos, permitiendo comparar distintos modelos predictivos y facilitar su integración en políticas públicas en Brasil
Contribuciones regionales y científicas
Estudios científicos han detectado patrones climáticos vinculados a brotes de dengue en América Latina, como la sincronía con episodios de El Niño. Investigadores de Uruguay, Argentina, Brasil, México y EE. UU. analizaron casi 35 años de datos y concluyeron que las epidemias suelen activarse unos cinco meses después de eventos intensos de El Niño
Revisiones sistemáticas indican que los modelos LSTM y ARIMA, combinados con variables climáticas, ofrecen una precisión alta (algunos superiores al 90 %) en predicción de brotes Otros estudios, como el híbrido ARIMA-ARNN, muestran mejoras en predicción aplicables a ciudades como San Juan e Iquitos Adicionalmente, el modelo XEWNet —un ensamble con transformación wavelet— demostró ser más confiable en el 75 % de los casos comparado con otros métodos tradicionales
Qué está en juego y recomendaciones urgentes
| Área clave | Enfoque destacado |
| Diagnóstico clínico | IA mejora rapidez y precisión con variables simples |
| Prevención y vigilancia | Mapas de riesgo y alertas tempranas basadas en múltiples fuentes de datos |
| Innovación tecnológica | Modelos satelitales y plataformas abiertas como Mosqlimate |
| Colaboración internacional | Seguimiento de patrones regionales (como El Niño) |
| Educación y políticas | Urgencia de integrar IA en salud pública con coordinación activa |
