Aplicación innovadora de una red de convolución de grafos espaciotemporal de predicción de tráfico para el pronóstico de la enfermedad del dengue

Por qué predecir el dengue importa en la vida cotidiana

La fiebre del dengue se está propagando más rápido que nunca, impulsada por climas más cálidos, el crecimiento urbano y los viajes internacionales. Millones de personas viven ahora en lugares donde la picadura de un mosquito puede significar una enfermedad grave, hospitalización o incluso la muerte. Poder anticipar brotes de dengue con unas semanas de antelación podría dar a los equipos de salud un tiempo valioso para fumigar, avisar a las comunidades y preparar los hospitales. Este estudio explora si la inteligencia artificial de última generación, diseñada originalmente para predecir atascos de tráfico, puede adaptarse para pronosticar oleadas de dengue en América Latina.

Siguiendo la huella del dengue entre países

Los investigadores se centraron en nueve países de Centro y Sudamérica, incluyendo Brasil, México, Colombia y varios de sus vecinos, entre 2014 y 2022. En lugar de mirar solo los recuentos históricos de casos de dengue y el clima básico, integraron 29 tipos diferentes de información. Estos incluyeron reportes locales de dengue, condiciones meteorológicas semanales como temperatura, lluvia, humedad y radiación solar, detalles ambientales como cobertura forestal y agrícola, y una amplia gama de indicadores sociales y económicos. Ejemplos de estos son niveles de ingresos, capacidad hospitalaria, cobertura de vacunación, acceso a la electricidad y la distribución de la población por edades y áreas urbanas. Al combinar todas estas capas, el equipo buscó construir una imagen más realista de las condiciones que permiten que los mosquitos y los virus del dengue prosperen y se propaguen.

Tomando prestadas herramientas inteligentes de la predicción del tráfico

Para convertir estos datos ricos en pronósticos, el equipo adaptó un método de aprendizaje profundo llamado Red de Convolución de Grafos Espaciotemporal, o STGCN. En términos sencillos, este modelo observa cómo cambian las cosas a lo largo del tiempo (la parte “temporal”) y cómo diferentes lugares se influyen entre sí (la parte “espacial”). Trata a cada país como un “nodo” en una red y permite que el ordenador aprenda qué países parecen estar vinculados en sus patrones de dengue, en lugar de codificar rígidamente que solo importan los países vecinos. Al mismo tiempo, examina cómo evolucionan las cifras de dengue semana a semana. Los autores compararon este enfoque avanzado con un método de aprendizaje automático más tradicional llamado Random Forest, que ya ha demostrado predecir el dengue mejor que muchas herramientas estadísticas antiguas.

Qué tan bien el nuevo modelo anticipa los brotes

En los nueve países, el modelo STGCN fue especialmente eficaz en pronósticos a corto plazo, mirando de una a cuatro semanas hacia el futuro. En muchos casos capturó con alta precisión el momento y la magnitud de las oleadas de dengue, alcanzando puntuaciones estadísticas muy sólidas (valores de R² a menudo por encima de 0,8 y hasta 0,98) y errores relativamente bajos. Brasil, que dispone de datos extensos y relativamente consistentes, mostró el mejor rendimiento, pero países como Nicaragua, Honduras y México también se beneficiaron. El modelo rindió menos donde los datos eran escasos o más irregulares, como en Bolivia y partes de Perú, y, como la mayoría de las herramientas, se mostró menos preciso cuanto más se intentaba predecir a largo plazo. Aun así, en la comparación directa, el modelo basado en grafos superó al Random Forest en la mayoría de los países y en la mayoría de las ventanas de pronóstico más cortas.

Por qué importan las realidades sociales y económicas

Uno de los hallazgos más llamativos fue el valor añadido de incluir información social y económica. Cuando estos factores se eliminaron del modelo, las predicciones se volvieron más ruidosas y menos fiables, particularmente en países como Honduras, Perú, Colombia y México. Incluir indicadores relacionados con ingresos, atención sanitaria, infraestructura y estructura poblacional ayudó a estabilizar los pronósticos y mejoró su semejanza con los recuentos reales de casos. Esto sugiere que el riesgo de dengue no es solo una cuestión de clima y mosquitos; también está moldeado por cómo vive la gente, cómo se mueve y cómo accede a servicios. El estudio advierte que el modelo revela patrones más que relaciones de causa y efecto estrictas, pero muestra claramente que las condiciones de vida más amplias dejan una huella medible en la dinámica de los brotes.

Qué significa esto para las decisiones de salud pública

Para el público no especializado, la conclusión es que las herramientas avanzadas de IA ya pueden ofrecer a las agencias de salud un “aviso” útil sobre brotes de dengue con unas semanas de antelación, especialmente cuando se alimentan con datos ricos sobre clima y sociedad. El modelo adaptado de predicción de tráfico demostró ser robusto, flexible y generalmente más preciso que un método convencional sólido, lo que lo convierte en un candidato prometedor para sistemas de alerta temprana. Aunque persisten desafíos—como la calidad desigual de los datos, la pérdida de detalle dentro de países extensos y la menor precisión en horizontes temporales más largos—el enfoque apunta hacia un futuro en el que los pronósticos de enfermedad puedan actualizarse con regularidad, ajustarse a realidades locales y extenderse a otras amenazas transmitidas por mosquitos como el Zika o el chikunguña. En ese sentido, este trabajo es un paso para convertir flujos complejos de datos en tiempo de acción para la prevención.

Cita: Siabi, N., Son, R., Thomas, M. et al. Innovative application of a traffic-prediction spatio-temporal graph convolutional network for dengue disease forecasting. Sci Rep 16, 2594 (2026). https://doi.org/10.1038/s41598-026-36225-7

Palabras clave: pronóstico del dengue, redes neuronales de grafos, clima y salud, determinantes socioeconómicos, enfermedad transmitida por vectores