Browsing by Subject "Dengue"

Now showing 1 - 3 of 3
  • Thumbnail Image
    Item
    Modelo predictivo para la identificación de zonas de riesgo de dengue grave: un enfoque integral de condiciones sociodemográficas y calidad de servicios de salud
    (Pontificia Universidad Javeriana Cali, 2024) Rueda González, Sergio Andrés; Ortega Lenis, Delia
    El presente proyecto aplicado desarrolla un modelo predictivo para identificar zonas de riesgo de dengue grave en el municipio de Girón (Santander, Colombia), integrando variables epidemiológicas, climáticas, sociodemográficas y relacionadas con la calidad de los servicios de salud. El dengue grave constituye una amenaza creciente para la salud pública, y su manejo inadecuado en contextos de alta vulnerabilidad social aumenta la letalidad. La investigación partió de la recolección y unificación de múltiples fuentes de datos: reportes del sistema SIVIGILA (2018–2024), registros de visitas entomológicas (ETV) a 9.885 viviendas, y series de precipitaciones diarias del IDEAM mediante CHIRPS. Tras un riguroso proceso de limpieza, normalización y estandarización de nombres de barrios, se consolidó una matriz multifuente de predictores a nivel territorial. Entre las variables clave se incluyeron número de criaderos por vivienda, precipitaciones acumuladas, proporción de síntomas (fiebre, vómito, dolor abdominal), indicadores de riesgo clínico por manejo inadecuado, estrato socioeconómico, edad promedio y proporción de mujeres. El modelo objetivo se definió como la clasificación binaria de barrios en zonas de riesgo alto cuando se reportó al menos un caso de dengue grave. Se entrenaron modelos de regresión logística, Random Forest y XGBoost, aplicando estrategias para enfrentar el desbalance de clases (79,7% barrios sin riesgo vs. 20,3% con riesgo), como imputación diferenciada, escalamiento estandarizado, técnica SMOTE y ajuste de umbral a 0.4. Los resultados de la validación cruzada estratificada (k=5) evidenciaron desempeños óptimos. El modelo Random Forest alcanzó la mayor sensibilidad (0,95) y un AUC-ROC de 0,95, destacándose por minimizar falsos negativos, mientras que XGBoost logró el mejor F1-score promedio (0,86), mostrando un balance superior entre precisión y recall. La regresión logística, aunque menos precisa, aportó interpretabilidad estadística y validez metodológica. El análisis de importancia de variables reveló que los principales predictores fueron: número de viviendas con criaderos, indicadores de riesgo por conducta médica inadecuada, tipos de criaderos (floreros, tanques, llantas), síntomas clínicos y precipitaciones promedio en los siete días previos. Adicionalmente, la inclusión de indicadores de calidad de atención en salud (demora en la notificación, severidad clínica promedio y fuga asistencial) mejoró la capacidad explicativa del modelo, visibilizando debilidades institucionales que aumentan la vulnerabilidad territorial. La representación geoespacial en mapas tipo choropleth permitió identificar barrios críticos como Rincón de Girón, Villas de San Juan y Nuevo Girón, donde confluyen alta carga entomológica, reconsultas frecuentes y deficiencias en la atención clínica. Estas visualizaciones constituyen herramientas estratégicas para planificación territorial, priorización de recursos y focalización de intervenciones preventivas en escenarios de restricción presupuestal. En conclusión, el estudio confirma que el riesgo de dengue grave es producto de una interacción compleja entre determinantes ambientales, sociales e institucionales. El modelo predictivo propuesto constituye una herramienta innovadora para fortalecer la vigilancia epidemiológica activa y la gestión local en salud pública. Se recomienda su validación en otros municipios endémicos y la incorporación de datos en tiempo real para consolidarlo como un sistema escalable de alerta temprana frente al dengue y otras enfermedades transmitidas por vectores.
  • No Thumbnail Available
    Item
    Pathophysiology involved in liver complications in the critical phase in patients with dengue virus infection
    (Pontificia Universidad Javeriana Cali) Álvarez Lombana, Andrea; González Apráez, Juan Felipe; Moreno Correa, Sandra
  • Thumbnail Image
    Item
    Predicción de la tasa de dengue a través de métodos de machine learning en el Valle del Cauca
    (Pontificia Universidad Javariana Cali, 2024) Cifuentes Rodríguez, Víctor Hugo; Ibarra Calvache, María Alejandra; Díaz Barrios, Gregory David; Ortega Lenis, Delia
    El dengue es una enfermedad viral transmitida por la picadura de un mosquito de la especie Aedes infectado, lo que tiene implicaciones directas en la salud pública en distintas poblaciones a nivel mundial. Esta enfermedad, ha tenido impacto negativo en el Valle del Cauca, reportando 8.074 casos y 23 muertes probables por dengue en el año 2021, según la Gobernación Departamental. No obstante, el proceso actual para el monitoreo de esta enfermedad tiene un alto nivel de manualidad, lo que prolonga los tiempos de respuesta y prevención efectiva. Estudios previos demostraron que la enfermedad está influenciada por condiciones climáticas y sociales, lo que ha permitido acercarse a modelos basados en estadística clásica para relacionar el riesgo de propagación del virus con estas variables, pero con limitaciones teórico-prácticas. El objetivo del proyecto aplicado es predecir la tasa de dengue de dengue en los 42 municipios del Valle del Cauca, utilizando Machine Learning. Los resultados muestran que el comportamiento de la enfermedad es diferencial en cuatro municipios del Departamento, incluyendo su capital, Cali.