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

Abstract

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.Dengue is a growing threat in Peru, showing an increasing incidence pattern. This research work seeks to develop advanced Machine Learning models that can predict the number of dengue cases in different locations. A quantitative approach was adopted, employing several Machine Learning models. The models were fed with historical data obtained from national databases. The study evaluates the effectiveness of these models in predicting the number of cases of the virus to locate high-risk areas. Machine Learning models, including Random Forest and Support Vector Machine demonstrate a significant improvement in the accuracy of predictions of the number of dengue cases compared to traditional statistical methods. In addition, the integration of diverse historical data into the models provides more detailed predictions tailored to the regional specificities of Peru. The results indicate that the use of Machine Learning models integrating climatic and epidemiological variables holds promise for improving the prediction of the number of dengue cases in Peru. These findings suggest that the implementation of such models could optimize resource allocation and strengthen prevention and response strategies. Further research is recommended to validate and expand these models in public health practice.