Sistema basado en inteligencia artificial para la predicción espacio-temporal del dengue en municipios del Valle del Cauca
De los casos a la decisión: anticipar dónde y cuándo actuar, con datos epidemiológicos, entomológicos, climáticos, satelitales y sociodemográficos.
- 6 módulosde datos
- Datasetterritorio × semana
- Grafoterritorial
- Red neuronalespacio-temporal
- DecisiónSecretaría de Salud
Germán Ávila Rodríguez
Doctorado en Ingeniería, énfasis en Ciencias de la Computación · Universidad del Valle
La vigilancia registra bien, pero mira hacia atrás
El problema que se quiere resolver.
Las fuentes están separadas
Casos, entomología, clima, satélite, entorno urbano y sociodemografía viven en sistemas distintos y a escalas distintas.
La vigilancia mira hacia atrás
Los casos probables se confirman con retraso. Hay poca capacidad de anticipar un brote o de decir dónde actuar primero.
El riesgo no depende solo de los casos
Influyen la temperatura, la lluvia, la vegetación, el crecimiento urbano y la población. El satélite aporta parte de esa información.
El campo va hacia modelos híbridos y explicables
Revisión de 52 estudios en cinco ejes. Elige un paso de la evolución metodológica.
Vacíos que aborda la tesis
- Los modelos de IA se entrenan con datos sin corregir el retraso de notificación.
- Hay desajuste de escala entre el clima satelital y el microclima urbano.
- Falta explicabilidad y validación en campo, lo que reduce la confianza de las autoridades.
- La literatura se concentra en grandes ciudades: el dengue rural está poco estudiado.
- Hay una brecha entre el modelo y la respuesta institucional.
- La evidencia colombiana es escasa y no hay estudios del Valle del Cauca.
Ejes de la revisión
| Eje | Métodos frecuentes | Estudios |
|---|---|---|
| Distribución del vector | MaxEnt, BRT, índice pupal | 12 |
| Aprendizaje automático, profundo y grafos | LSTM, ConvLSTM, ST-GCN, SHAP | 18 |
| Bayesianos y corrección de retrasos | INLA, BYM2, nowcasting | 7 |
| Hotspots y gradiente urbano-rural | LISA, Gi*, DLNM | 8 |
| Marcos de vigilancia y alerta | Revisiones, observatorios | 7 |
Pregunta, hipótesis y objetivos
Pregunta de investigación
¿Puede un sistema de IA que integre seis módulos de datos sobre un grafo territorial anticipar el dengue en los municipios del Valle del Cauca mejor que las líneas base actuales, y producir salidas útiles para decidir?
Un modelo que represente explícitamente la vecindad entre territorios e integre variables satelitales y entomológicas supera a los modelos solo temporales, con incertidumbre calibrada y factores explicables.
Objetivo general · Desarrollar un sistema basado en IA para la predicción espacio-temporal del dengue en municipios del Valle del Cauca
Integración de datos
ETL, calidad, anonimización, armonización por semana epidemiológica, geocodificación y variables raster.
Caracterización espacio-temporal
Series semanales, análisis exploratorio espacial, autocorrelación, conglomerados y factores asociados.
Creación de modelos
Ingeniería de variables, aprendizaje supervisado, integración multimodal, comparación e interpretabilidad.
Validación en entorno real
Piloto en Palmira, Tuluá y Jamundí: consistencia, pertinencia de las alertas y utilidad para decidir.
La tesis parte de trabajo que ya funciona
Insumos propios ya construidos que alimentan la propuesta. El resultado de la tesis vuelve a ellos mediante una API.
- 42 municipios del Valle
- Canal endémico e incidencia
- AEDE y análisis por hexágonos
- Pronóstico temporal (NeuralProphet)
- Asistente conversacional con agentes
- Territorios, fuentes y variables como nodos
- Relaciones explícitas y trazables
- Base del grafo de conocimiento
- Seis etapas, de las fuentes a la visualización
- Socializado con la Secretaría
- Visores 3D con datos sintéticos
- Red neuronal sobre grafo territorial
- Integración multimodal de seis módulos
- Incertidumbre calibrada y explicación
Hoja de ruta
Cuatro fases que salen de la metodología: integración de datos, caracterización espacio-temporal, creación de modelos y validación en entorno real.
Unidad de análisis
hexágono × semana donde hay dato fino, y municipio para los 42 del Valle. Cali se desagrega además por comuna.
Datos protegidos
Identificadores pseudonimizados y solo agregados anónimos por territorio.
Seis módulos alimentan un dataset por territorio y semana
Estado de acceso de cada módulo, y cómo varias imágenes satelitales se convierten en una fila del dataset.
| Módulo | Fuentes y variables | Resolución · frecuencia | Acceso |
|---|---|---|---|
| 1 · Epidemiología | SIVIGILA, eventos 210220580; laboratorio; inicio de síntomas frente a notificación | Barrio geocodificado · semanal | En trámite |
| 2 · Entomología | Índices de vivienda, de depósito y de Breteau; pupas por persona | Vivienda a hexágono · por visita | En trámite |
| 3 · Clima | Precipitación, temperatura, humedad, ONI | 5 a 10 km · diaria a semanal | Público |
| 4 · Imágenes satelitales | NDVI, EVI, temperatura superficial, agua, edificado | 10 m a 1 km · cada 5 a 16 días | Público |
| 5 · Entorno urbano | Criaderos, servicios, uso del suelo | Manzana a hexágono · anual | Por solicitar |
| 6 · Sociodemográfico | Población, NBI, IPM, estrato | Municipio y manzana · censal | Público |
| Experimental · Movilidad | Origen-destino entre municipios; entra solo si pasa la puerta de calidad | Pares de municipios | Por solicitar |
De varias imágenes a una fila del dataset
Primero se valida cada dataset, después se modela
Seis etapas con compuertas de calidad. Elige una para ver qué se hace y su estado.
Estado actual
Etapa 2 · Dependencia espacial en 3D
Etapa 3 · El dataset combinado en 3D
Modelos espacio-temporales: de la línea base al ensamble
Se parte del baseline del concurso IMDC 2026 y se agregan familias en orden de complejidad. Todos se comparan con la misma validación.
| Modelo | Qué aporta | Vecinos | Cuándo entra |
|---|---|---|---|
| Climatológico · AutoARIMA + Fourier · XGBoost cuantílico · Ensamble | Referencia que cuesta superar en periodos estables | No | Ya existe (IMDC) |
| NeuralProphet | Tendencia, ciclo y efecto del clima por piezas | No | Ya en el geovisor |
| ARIMAX-ARNN | Parte lineal con clima rezagado y red que aprende los residuos | No | Comparador temporal |
| hhh4 (endémico-epidémico) | Contagio entre vecinos escrito de forma explícita | Sí | Etapa 1, municipio |
| BYM2 + DLNM (INLA) | Incertidumbre honesta y efecto del clima interpretable | Sí | Etapa 1, municipio |
| XGBoost con rezagos espaciales · Random Forest / LightGBM | Muchas variables y faltantes; un modelo para todo el departamento | Sí | Etapa 1, operativo |
| LSTM / GRU | Dinámica no lineal en ventanas de 12 a 26 semanas | Parcial | Etapa 2 |
| STGCN · red en grafo para epidemias | Aprende cuánto pesa cada vecino, incluso sin frontera común | Sí | Etapa 3 · aporte |
Qué incorpora cada uno
Lectura cualitativa de la propuesta, no resultados de evaluación.
Validación
Origen móvil: entrenar hasta la semana s, predecir s+1…s+4 y avanzar.
Sin fuga
Cada rezago usa solo lo que se conocía en esa fecha, incluidas las versiones del dato.
Métricas
WIS como principal, MAE y cobertura de intervalos al 50 % y 90 %.
Cortes
Por municipio, tamaño de brote y semana del ciclo.
Modelo completo: red neuronal sobre un grafo territorial
El grafo conecta módulos, fuentes, variables, estaciones, municipios y hexágonos. La red aprende sobre él.
Grafo de conocimiento
Guarda qué existe y cómo se relaciona. Da trazabilidad y responde consultas.
Grafo que usa la red
Se deriva del anterior: los nodos son territorios y las aristas llevan un peso por tipo.
Tres tipos de modelo, uno sobre el otro
Propuesta para la Secretaría Departamental de Salud: primero se entiende lo que pasa, luego se anticipa y al final se decide.
1 · Descriptivo
¿Qué pasó y dónde?
Técnicas
EDAAEDEMoranLISAGi*k-means
Qué recibe la Secretaría
Mapas de focos y zonas frías, canal endémico y estacionalidad, perfil de cada territorio.
2 · Predictivo
¿Qué va a pasar y con qué certeza?
Técnicas
XGBoost cuantílicoLSTM / GRUSTGCNDLNMBYM2Conformal
Qué recibe la Secretaría
Alerta temprana por territorio, pronóstico con intervalo y factores que explican el aumento.
3 · Prescriptivo
¿Qué hacemos y dónde primero?
Técnicas
SHAPRanking multicriterioAsignación de recursosEscenarios
Qué recibe la Secretaría
Prioridad de intervención, asignación de equipos de control y justificación de cada decisión.
Sala de situación: cómo se vería el modelo en uso
Panel para discutir con Epidemiología y Entomología
La maqueta sirve para acordar qué pantallas necesita cada equipo, los umbrales de alerta y si el mapa muestra casos esperados o probabilidad de superar el canal endémico.
Por acordar con la Secretaría
Qué decisiones apoya el nivel prescriptivo y con qué capacidad real; horizontes de alerta; quién recibe cada salida.
Red en grafo multimodal, explicable y con nowcasting para el dengue.
Alertas anticipadas y priorización del control vectorial.
Sistema integrado al geovisor y replicable a otras enfermedades transmitidas por vectores.