Ponentes
Descripción
Las enfermedades transmitidas por vectores, como el Dengue y la Chikungunya, representan un desafío constante para la salud pública en Paraguay. La predicción a corto plazo de su incidencia espacial y temporal es fundamental para la planificación y la asignación de recursos sanitarios (Bamana, A. B. et al., Informatics in Medicine Unlocked 50, 101571, 2024). Este estudio evalúa y compara múltiples modelos predictivos aplicados a series temporales de casos de ambas enfermedades, y analiza su desempeño en diferentes escalas de regionalización.La metodología incluyó la implementación de modelos estadísticos clásicos (ARIMA), algoritmos de aprendizaje automático (Random Forest, Vectores de Soporte de Regresión - SVR) y arquitecturas de aprendizaje profundo (Redes Neuronales Artificiales y redes LSTM). Para resolver el problema de la alta dimensionalidad en la calibración de estos métodos, se utilizaron algoritmos genéticos orientados a la búsqueda de la configuración óptima de hiperparámetros (Wang, Q. J., Environ. Model. Softw. 12, 27-34, 1997). El proceso estocastico de optimizacion se diseño utilizando como funcion objetivo la minimizacion del Error Absoluto Medio (MAE):\begin{equation}\min_{\theta \in \Theta} MAE(\theta) = \frac{1}{n} \sum_{i=1}^{n} |y_i - \hat{y}_i(\theta)|\end{equation}Donde $\theta$ representa un cromosoma especifico (conjunto de hiperparametros) dentro del espacio de busqueda $\Theta$, $n$ es la ventana de proyeccion de la serie temporal, $y_i$ es la incidencia real observada, y $\hat{y}_i(\theta)$ es la proyeccion generada por el modelo evaluado.Para comparar estadísticamente el rendimiento de los modelos, se aplicó un análisis de varianza (ANOVA). Los resultados demuestran que las redes LSTM y los enfoques de modelado híbrido alcanzan la mayor precisión en escenarios con fuerte estacionalidad epidémica. Además, el diseño anova multifactorial confirmó que el nivel de regionalización y el tipo de enfermedad inciden significativamente en el error del modelo. Esto sugiere que no existe un algoritmo universalmente superior; por el contrario, la topología predictiva debe adaptarse a la heterogeneidad espacial de cada arbovirosis. Esta integración de biología matemática, redes neuronales y optimización evolutiva provee una base sólida para la creación de sistemas regionales de alerta epidemiológica temprana.