Cruzamos datos climáticos y epidemiológicos mediante Machine Learning para predecir brotes de dengue, ofreciendo a los gestores de salud pública información precisa para dirigir intervenciones y políticas de salud con mayor eficiencia.
Desde 1981, el dengue se ha consolidado como endémico en Brasil. La complejidad de factores hace que el control y la predicción sean extremadamente desafiantes.
Los serotipos DENV-1 a DENV-4 circulan por el territorio nacional. La infección por un tipo no proporciona inmunidad contra los otros, manteniendo a la población susceptible.
En 2019, una nueva variante de DENV-2 causó un aumento de hasta 149% en casos en algunos estados brasileños.
El clima tropical proporciona condiciones ideales para la reproducción del Aedes aegypti, intensificado por el desecho inadecuado de residuos y la falta de saneamiento.
Aplicamos lo más moderno en Machine Learning. Estudios recientes ya demuestran que cruzar datos ambientales puede predecir brotes de dengue.
Incorporamos herramientas como AutoML y TPOT, que utiliza programación genética para explorar miles de posibilidades y encontrar la configuración óptima de predicción.
Además de acelerar la producción de modelos predictivos, nuestro enfoque pretende democratizar el uso de la IA, haciendo el Machine Learning accesible a un público más amplio.
Objetivo central: ofrecer un método más rápido, optimizado y eficiente para predecir brotes de dengue antes de que ocurran.
Nuestro proyecto no trabaja con conjeturas; se basa en una década de datos históricos procesados rigurosamente.
Historial completo de casos de dengue en Presidente Prudente (SP) entre 2014 y 2024, analizados semana a semana mediante semanas epidemiológicas.
Datos meteorológicos horarios del Instituto Nacional de Meteorología para el mismo período de 10 años: temperatura, humedad, precipitación y presión atmosférica.
Los datos climáticos fueron cuidadosamente tratados para llenar lagunas y ajustados a promedios semanales para sincronizar perfectamente con los registros médicos de dengue.
Todos los resultados presentados se obtuvieron exclusivamente a partir de datos públicos de estaciones meteorológicas convencionales del INMET — sin ninguna estación propia instalada en campo. Esto significa que la precisión del 73,5% representa una línea de base conservadora: con sensores locales dedicados, capaces de captar microclimas y variaciones hiperlocales, el rendimiento predictivo del modelo tiende a mejorar significativamente.
Con miles de puntos de datos, utilizamos Análisis de Componentes Principales para reducir la complejidad y revelar las variables de mayor impacto.
La temperatura del punto de rocío y la lluvia acumulada durante varias semanas (4-8 semanas) son los factores más fuertes. El clima de hace semanas dicta el brote de hoy.
Las fluctuaciones marcadas en temperatura y presión atmosférica dictan el ritmo diario y estacional del vector.
Las variaciones abruptas (sequías intensas o lluvias torrenciales repentinas) funcionan como desencadenantes rápidos de la enfermedad.
Los matices en el comportamiento del viento y la humedad relativa completan el rompecabezas de la proliferación del Aedes aegypti.
La velocidad media del viento y las ráfagas máximas revelan cómo la ventilación afecta la dinámica del mosquito.
El verdadero valor de los datos radica en cómo se utilizan. Nuestra herramienta transforma registros brutos en inteligencia estratégica.
Información más precisa y oportuna para las autoridades de salud pública, permitiendo acciones antes de que se propague el brote.
Campañas de conciencia y medidas de control aplicadas en los lugares y momentos correctos, antes de que ocurra el brote.
Integración entre epidemiología, climatología y ciencia de datos para mitigar el impacto de enfermedades transmitidas por vectores.
Cualquier enfermedad cuya incidencia varía con el clima puede predecirse utilizando el mismo enfoque. El motor es genérico; los datos cambian. Para la industria farmacéutica, esto significa anticipar la demanda con semanas de ventaja.
Dengue, zika, chikungunya, fiebre amarilla urbana. Mismo vector, misma lógica climática.
Gripe, bronquitis, asma estacional, neumonía. Picos de invierno predecibles por patrones climáticos.
Rinitis, conjuntivitis, dermatitis atópica. La humedad y la temperatura dictan la demanda de antihistamínicos.
