Ciencia de Datos para la Salud Pública
Anticipando riesgos epidemiológicos para construir ciudades más fuertes.
Gestión Proactiva: De la Predicción a la Acción
La plataforma permite un cambio fundamental de un enfoque reactivo a uno proactivo en la salud pública. En lugar de simplemente responder a los casos de enfermedad confirmados, nuestro sistema utiliza inteligencia predictiva para actuar como un centinela, identificando y cuantificando el riesgo mucho antes de que un brote alcance una etapa crítica. Esto se logra a través de:
Cuantificación del Riesgo: Los modelos de la plataforma no solo predicen el número de casos; generan un índice de riesgo normalizado que sirve como un sistema de alerta temprana para las autoridades sanitarias. Este índice permite la asignación focalizada de recursos a los municipios más vulnerables.
Perspectivas Accionables (Actionable Insights): El sistema revela el "porqué" detrás del riesgo. Al integrar una amplia gama de variables, identifica los factores socioecológicos críticos, como la densidad de población y la disponibilidad de agua entubada, que modulan la gravedad de un brote. Esta inteligencia permite que las intervenciones se planifiquen y ejecuten con precisión.
Al proporcionar una visión integral del panorama de riesgos, nuestra plataforma empodera a los funcionarios de salud pública para anticiparse a los acontecimientos, permitiendo una estrategia preventiva que es tanto más eficiente como más efectiva en la salvaguarda de las comunidades urbanas.
Hallazgos
Un resumen de nuestro análisis de datos, destacando los patrones y relaciones clave que informan nuestro modelo predictivo.
Desglose Estadístico de la Estacionalidad del Dengue
Un vistazo detallado a las estadísticas descriptivas refuerza la tendencia estacional. Los valores 'promedio' (mean) y 'máximo' (max) para los casos de dengue escalan dramáticamente en los últimos meses, particularly de septiembre a noviembre. Esta visión cuantifica el riesgo, yendo más allá de los patrones visuales hacia cifras concretas que muestran un aumento significativo en la gravedad de los brotes pico.
La Insuficiencia de los Modelos Climáticos Simples
Aunque existe una relación entre el clima y el dengue, nuestro análisis de correlación muestra que un modelo basado en una única variable climática es insuficiente para predecir brotes. Las correlaciones directas mes a mes son débiles y no logran capturar la complejidad del fenómeno. Esto justifica la necesidad de nuestro enfoque de Machine Learning (Aprendizaje Automático).
Patrones de Dengue
Nuestros resultados muestran que la transmisión del dengue es impulsada por interacciones complejas no lineales entre variables climáticas, destacando la temperatura mínima y sus retardos temporales (lags). Este análisis técnico, que utiliza datos de la NASA, cuantifica el impacto de cada factor y demuestra por qué los modelos avanzados son esenciales para una predicción precisa.
Identificación de Variables Críticas con XGBoost
Nuestro modelo XGBoost identifica y clasifica las variables con mayor poder predictivo. La temperatura mínima (T2M_MIN) y sus retardos temporales emergen como los predictores más influyentes. Este hallazgo, obtenido a partir de datos de la NASA, es crucial para comprender qué condiciones ambientales específicas contribuyen más a la proliferación del vector.
Deconstruyendo el Complejo Rol de la Humedad
Esta gráfica de dependencia SHAP aísla el efecto de la humedad con un retardo de 3 meses (T2MDEW_lag3). Revela una relación no lineal significativa donde los niveles altos de humedad, inesperadamente, se correlacionan con un menor riesgo predicho. Además, el color, que representa la humedad con un retardo de 2 meses (T2MDEW_lag2), muestra una clara interacción entre efectos. Esto demuestra la capacidad del modelo para aprender dinámicas ambientales matizadas que serían invisibles para métodos analíticos más simples.
