Acceso usuarios
Daniel Silva, Javier Medina
El dengue es una enfermedad vírica endémica (confinada a zonas tropicales y subtropicales) transmitida por el mosquito Aedes aegypti y es una preocupación sanitaria mundial debido a su rápida propagación y a la creciente gravedad de los brotes. En este estudio se aprovecha la capacidad de los algoritmos de aprendizaje automático para construir un modelo de regresión robusto a partir de una red neuronal recurrente, incorporando datos históricos del dengue en Colombia y variables medioambientales derivadas de medidas obtenidas por sensores remotos. Con ello se pretende mejorar la precisión de las previsiones de casos de dicha enfermedad, así como complementar el estado del arte para este tipo de modelos epidemiológicos. Los resultados obtenidos por el modelo propuesto mostraron una capacidad predictiva sobresaliente, replicando el comportamiento real de la variable objetivo, obteniendo un un RMSE de 19 unidades al ser evaluado contra un conjunto de datos nunca antes visto.
Dengue is an endemic viral disease (confined to tropical and subtropical areas) transmitted by the Aedes aegypti mosquito and is a global health concern due to its rapid spread and the increasing severity of outbreaks. This study takes advantage of the capability of machine learning algorithms to build a robust regression model from a recurrent neural network, incorporating historical data on dengue in Colombia and environmental variables derived from remotely sensed measurements. The aim is to improve the accuracy of the forecasts of dengue cases, as well as to improve/complement the state of the art for this type of epidemiological models. The results obtained by the proposed model showed an outstanding predictive capacity, replicating the real behavior of the target variable, obtaining an RMSE of 19 units when evaluated with a data set never seen before.
