Modelo predictivo multiclase basado en machine learning para el diagnóstico diferencial del dengue de otros arbovirus transmitidos por mosquitos prevalentes en el departamento de Sucre

La rápida propagación de enfermedades transmitidas por el mosquito Aedes aegypti, como el Dengue, Chikungunya y Zika, plantea un desafío significativo para los sistemas de salud pública, especialmente en regiones tropicales como el departamento de Sucre, Colombia. Estas arbovirosis comparten síntomas similares, lo que dificulta su diagnóstico diferencial y retrasa tratamientos oportunos, incrementando el riesgo de complicaciones graves. En este contexto, esta tesis doctoral presenta el desarrollo de un modelo predictivo multiclase basado en técnicas de machine learning para la predicción diferencial de estas enfermedades. Además, propone una metodología fundamentada en las directrices de la OPS 2022, que transforma recomendaciones cualitativas basadas en evidencia médica en pesos cuantitativos aplicables a variables de signos y síntomas en los datos, mejorando así la precisión diagnóstica. Se emplearon algoritmos como bosques aleatorios y árboles de decisión, que lograron precisiones superiores al 99,0 %, y se desarrolló una plataforma tecnológica para validar el modelo en escenarios clínicos reales. Como conclusiones, el modelo demuestra ser eficaz para optimizar el diagnóstico diferencial y fortalecer los sistemas de salud en regiones endémicas. Aunque se abordaron limitaciones como la escasez de datos para Chikungunya mediante técnicas como bootstrapping, se reconoce que ampliar la base de datos podría mejorar su robustez. Entre los trabajos futuros, se sugiere validar el modelo en diversos contextos geográficos para evaluar su generalización y realizar estudios longitudinales que analicen su sostenibilidad y eficacia a largo plazo.

• Autores: Arrubla Hoyos, Wilson de Jesús
• Tipo de recurso: Doctoral thesis
• Fecha de publicación: 2025
• Institución: Corporación Universidad de la Costa
• Repositorio: REDICUC - Repositorio CUC
• Idioma: spa
• OAI Identifier: oai:repositorio.cuc.edu.co:11323/14217
• Acceso en línea: https://hdl.handle.net/11323/14217; https://repositorio.cuc.edu.co/
• Palabra clave: Dengue; Zika; Chikungunya; Machine learning; Clasificación diferencial; Differential classification
• Rights: openAccess
• License: Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)