Browsing by Author "Forero Benavides, Deisy"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Análisis y comparación de modelos de aprendizaje automático, estadístico y matemático para la predicción de brotes en salud pública
    (Pontificia Universidad Javeriana Cali, 2025) Forero Benavides, Deisy; Rodríguez Rodríguez, Jeisson; Romero Pérez, Zujel Enrique; Ortega Lenis, Delia
    El proyecto aplicado abordó la predicción de brotes de enfermedades infecciosas en salud pública, utilizando datos abiertos de COVID19 en la ciudad de Bogotá. Este estudio se realizó a través de la modelación predictiva de tipo matemático, estadístico y de aprendizaje automático realizando comparaciones con el fin de responder a la necesidad crítica de anticipar eventos epidemiológicos que ejercen una alta presión sobre los sistemas sanitarios y generan impactos significativos tanto sociales como económicos. Su importancia radica en que la identificación temprana de tendencias, picos de contagio y zonas de riesgo permite optimizar recursos, mejorar la toma de decisiones y fortalecer las intervenciones preventivas en contextos urbanos densamente poblados. La problemática central consistió en las limitaciones de los sistemas de salud para responder oportunamente a brotes, así como en los desafíos asociados a la calidad, selección y tratamiento de datos relevantes para la modelación predictiva. Como objetivo general, se propuso desarrollar y evaluar dichos modelos predictivos orientados a la preparación y depuración de los datos, la identificación de variables clave, el entrenamiento y ajuste de modelos y la comparación de su desempeño mediante métricas estandarizadas. Como resultado, se diseñaron y evaluaron modelos preliminares que evidenciaron diferencias claras en capacidad predictiva, interpretabilidad y viabilidad operativa, permitiendo identificar fortalezas y limitaciones de cada enfoque y establecer condiciones mínimas para su aplicación en escenarios reales de salud pública. Los hallazgos muestran que la integración de la ciencia de datos con enfoques tradicionales de modelación epidemiológica constituye una herramienta efectiva para la anticipación de brotes. Las posibles aplicaciones incluyen el apoyo a sistemas de alerta temprana, la planificación estratégica de recursos sanitarios y la formulación de políticas públicas basadas en evidencia, con potencial de replicabilidad a nivel nacional y en otros contextos urbanos similares.