Una revisión sistemática de Modelos de clasificación de dengue utilizando machine learning

Vista previa del material en texto

5RISTI, N.º 50, 06/2023
Revista lbérica de Sistemas e Tecnologias de Informação
Revista lbérica de Sistemas y Tecnologías de Información
 Recebido/Submission: 14/03/2023
 Aceitação/Acceptance: 26/05/2023
5
Una revisión sistemática de Modelos de clasificación 
de dengue utilizando machine learning
Gisella Luisa Elena Maquen-Niño1, Jessie Bravo2, Roger Alarcón3, 
Ivan Adrianzén-Olano4, Hugo Vega-Huerta5
gmaquenn@unprg.edu.pe; jbravo@unprg.edu.pe; ralarcong@unprg.edu.pe; 
ivan.adrianzen@untrm.edu.pe; hvegah@unmsm.edu.pe
1,2,3 Grupo de Investigación en transformación digital, Universidad Nacional Pedro Ruiz Gallo, Calle Juan 
XXIII 391, C.P. 14001, Lambayeque, Perú
4 Universidad Nacional Toribio Rodriguez de Mendoza, Calle Higos Urco N° 342, C.P. 01000, 
Chachapoyas, Perú
5 Universidad Nacional Mayor de San Marcos UNMSM, Lima, Perú
DOI: 10.17013/risti.50.5–27
Resumen: El dengue es una enfermedad arboviral que anualmente reporta un gran 
número de infectados en la costa norte y la selva peruana. Según las estadísticas, está 
aumentando cada año. Este artículo tiene como objetivo desarrollar una revisión 
sistemática de la literatura científica sobre las variables de estudio y los métodos 
de aprendizaje automático utilizados actualmente para detectar la infección por 
dengue. La metodología utilizada fue PRISMA, mapeando inicialmente la literatura 
de 274 artículos científicos, quedando seleccionados 33 artículos para la revisión 
sistemática. Los resultados obtenidos son que los algoritmos de aprendizaje 
automático más utilizados son las redes neuronales (NN) y support vector 
machine (SVM). Asimismo, se ha encontrado que los científicos tienden a realizar 
investigaciones con variables climáticas o demográficas para obtener mejores 
resultados. Se concluye que los métodos de aprendizaje automático que más se han 
utilizado son las redes neuronales de diferentes tipos: convolucional, recurrente, 
profunda y multicapa, y para la predicción de brotes de dengue predominaron 
los métodos de series de tiempo con LSTM y ARIMA, también se estableció que 
la tendencia es hacia la inclusión de variables climáticas y demográficas en los 
modelos de predicción.
Palabras-clave: Dengue, detección, machine learning, métodos de clasificación, 
algoritmos de clasificación, random forest, support vector machine, artificial neural 
networks
A systematic review of dengue classification models using machine 
learning
Abstract: Dengue is an arboviral disease that annually reports a large number 
of infected on the north coast and the Peruvian jungle. According to statistics, it is 
increasing yearly. This article aims to develop a systematic review of the scientific 
mailto:email_autor_dois@xpto.pt
6 RISTI, N.º 50, 06/2023
Una revisión sistemática de Modelos de clasificación de dengue utilizando machine learning
literature on the study variables and the machine learning methods currently used for 
detecting dengue infection. The methodology used was PRISMA, initially mapping 
the literature of 274 scientific articles, leaving 33 articles selected for the systematic 
review. The results obtained are that the most used machine learning algorithms 
are neural networks (NN) and support vector machine (SVM). Likewise, it has 
been found that scientists tend to carry out research with climatic or demographic 
variables to obtain better results. It is concluded that the machine learning methods 
that have been used the most are neural networks of different types: convolutional, 
recurrent, deep, and multilayer, and for the prediction of dengue outbreaks the 
time series methods with LSTM and ARIMA were the predominant ones, it was 
also established that the trend is towards the inclusion of climatic and demographic 
variables in the prediction models.
Keywords: Dengue, detection, machine learning, classification methods, 
classification algorithms, random forest, support vector machine, artificial neural 
networks
1. Introducción
La inteligencia artificial ha brindado la generación de modelos y algoritmos que permiten 
predecir el resultado de una variable de estudio, de acuerdo a patrones encontrados en 
un conjunto de datos, en diferentes sectores de la actividad humana (Bravo et al., 2023; 
Cubas & Maquen-Niño, 2022; Maquen-Niño et al., 2022).
Recientemente, machine learning ha permitido mejorar la predicción de que un 
individuo tenga una enfermedad o padecimiento, en menor tiempo y con niveles cada 
vez más aceptables de acierto (Maquen-Niño et al., 2023). Es en este nuevo contexto, que 
cada vez son más los experimentos que se hacen en cuanto a detección de enfermedades 
arbovirósicas como es el dengue, ya que, al ser una enfermedad propagada por el 
mosquito Aedes aegypti y, en menor medida, Aedes Albopictus, de clima tropical, afecta 
a diferentes países en el mundo, y es declarada una enfermedad endémica en ciertas 
regiones que cíclicamente aparecen con fuertes rebrotes especialmente en épocas de 
lluvia intensa. Ecuador al igual que Perú por tener regiones de clima tropical sufren de 
rebrotes de dengue en ciertas épocas del año, así como en épocas del fenómeno del niño, 
lo que hace indispensable que haya un control epidemiológico de las regiones afectadas 
por el dengue (Pérez et al., 2022).
 En este aspecto, la Organización mundial de la salud (OMS) expresa que la cantidad 
de contagios de dengue, o también conocido como Dengue Fever (DF) o Dengue 
hemorrhagic fever (DHF), en el mundo ha aumentado, y actualmente se estima que 
hay entre 100 y 400 millones de infecciones cada año, aunque solo el 80% de ellas son 
generalmente leves y asintomáticas, hay un porcentaje que pone la vida en riesgo (OMS, 
2022). La inteligencia artificial y el internet de las cosas se han convertido en grandes 
aliados en el sistema de salud, como lo demuestra (Kamesh & Sivakumar, 2020), a través 
de una aplicación móvil que utiliza el algoritmo SVM, también para (Ho et al., 2020), 
utilizaron los datos médicos de pacientes confirmados con dengue y aplicaron modelos 
de predicción de la red neuronal profunda (DNN) de última generación, además árbol de 
decisión de convocatoria (DT ) y los modelos de regresión logística (LR).
7RISTI, N.º 50, 06/2023
RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação
En otro trabajo de investigación de (Khan Dourjoy et al., 2021) se han utilizado support 
vector machine (SVM) y el algoritmo de clasificador de bosques aleatorios para la 
predicción del dengue, en cambio en (Siddiq et al., 2021), se desarrollaron y se comparó 
modelos lineales (regresión lineal) y tres modelos no lineales (regresión de vectores 
de soporte, regresión de árboles de decisión y regresión del bosque aleatorio) para 
determinar el modelo con la mayor precisión en la predicción de la transmisión de DF.
Cabe indicar que hay trabajos de investigación que se centran en los datos sintomatológicos 
de los casos de dengue, pero hay varios trabajos actualmente que se están centrando en 
los datos climatológicos como tenemos los trabajos de (Bokonda et al., 2021; McGough 
et al., 2021; Nguyen et al., 2022; Rahman et al., 2021; Xu et al., 2020; Yavari Nejad & 
Varathan, 2021), quienes han utilizado dichos datos para definir modelos de predicción 
mucho más precisos utilizando diversos algoritmos de machine learning. Se han aplicado 
estudios en diferentes lugares, como en Bangladesh donde el dengue ha aumentado, 
el trabajo de investigación de (Sarma et al., 2020), trabaja con los datos del paciente, 
que contiene información sobre el informe de diagnóstico del paciente, el historial 
médico y los síntomas, aplicaron algoritmos de aprendizaje automático, como: árbol de 
decisión (DT) y Random Forest (RF) en el modelo de clasificación propuesto, a esto se 
suma el trabajo de (Sukama et al., 2020), en esta investigación, aplican la red neuronal 
recurrente (RNN), para predecir incidentes de DHF en DKI Yakarta mediante el uso de 
datos históricos de casos DHF de 2009 a 2017. Además la investigaciónde (Sukama et 
al., 2020), quienes aplicaron la red neuronal recurrente (RNN), para predecir incidentes 
de DHF en DKI Yakarta mediante el uso de datos históricos de casos DHF de 2009 a 
2017, otro caso fue el realizado por (Huang et al., 2020), quienes trabajaron con los 
datos de casos de dengue de un Hospital en Taiwan, entre julio a noviembre del 2015.
A nivel Latinoamérica, tenemos algunos trabajos en Brasil, como el de McGough et al. 
(2021), quienes tomaron información de los casos de dengue ocurridos en Brasil entre los 
años 2001 a 2007 y los datos climatológicos en los años 2000 a 2016 para predecir con 
mayor precisión esta enfermedad, se suma el trabajo de (Bauxell et al., 2021), quienes 
presentan un algoritmo para la predicción del riesgo de dengue en Brasil, se basan en 
técnicas de aprendizaje automático y utilizan variables ambientales y socioeconómicas 
para predecir el riesgo de propagación del dengue en todo Brasil. Otros estudios en Brasil 
son los realizados por (Aleixo et al., 2022; Koplewitz et al., 2022; Souza et al., 2022).
En este sentido, los hallazgos anteriores llevaron a la elaboración de las preguntas de 
investigación: ¿Cuáles son las variables de estudio en la detección del contagio por 
dengue?, ¿Cuáles son los modelos y algoritmos de machine learning usados? y ¿Cuáles 
son los rangos de precisión encontrados?
2. Métodos y materiales 
La revisión sistemática fue desarrollada siguiendo la metodología PRISMA. Se utilizó 
las bases de datos indexadas: Scopus, Web of Science, IEEE Xplore y Google académico 
porque albergan artículos científicos que siguen criterios rigurosos aceptados por 
la comunidad científica, así como publicaciones de diferentes países que están a la 
8 RISTI, N.º 50, 06/2023
Una revisión sistemática de Modelos de clasificación de dengue utilizando machine learning
vanguardia en temas de machine learning orientados a la detección del dengue. Para 
realizar está investigación, se contó como materia prima artículos científicos en inglés 
que fueron encontrados aplicando ecuaciones de búsqueda específica y sus sinónimos, 
con el uso de operadores booleanos AND y OR. Para el concepto: “Classification” se 
tomaron en cuenta los sinónimos: Classification models, prediction y para el concepto 
“Dengue” se tomaron en cuenta los sinónimos: Dengue fever, DENV. Por tanto, la 
ecuación de búsqueda quedo planteada en idioma inglés conforme se visualiza en la 
Tabla 1.
Idioma Ecuación de búsqueda
English (classification OR prediction OR “Classification models”) AND “machine learning” AND 
(dengue OR “dengue fever” OR DENV)
Tabla 1 – Ecuación de búsqueda
Se aplicó como filtro de búsqueda que los años de publicación de los artículos sean 
entre el año 2014 hasta el año 2022. De 274 publicaciones encontradas en ese rango de 
años, 184 pasaron la etapa de cribado, 96 cumplieron los criterios de elegibilidad y en la 
etapa final 33 cumplieron con los criterios de inclusión, como se observa en la Tabla 2. 
Los criterios de cribado corresponden a dos aspectos: la pertinencia y la accesibilidad. 
Por pertinencia se entiende que, en base a la lectura del resumen y conclusiones, los 
investigadores determinaron la pertinencia o no del artículo dentro de la presente 
investigación. Por accesibilidad se entiende que los archivos son de acceso abierto y 
descargables. 
Los principales criterios de elegibilidad son los siguientes:
1. Los objetivos de la investigación están claramente especificados y se relacionan 
con la clasificación del dengue usando Machine Learning.
2. La investigación contiene aportes teóricos sobre las tendencias de la clasificación 
del dengue usando Machine Learning
3. La investigación define y explican claramente las variables de estudio para la 
detección del dengue.
4. Los modelos y algoritmos de clasificación de dengue obtenidos en la investigación 
son pertinentes para conseguir sus objetivos
5. El score obtenido en cada modelo de machine learning es mayor a 0.7 
Database Step 1: 
Identificación
Step 1: 
Cribado
Step 2: 
Eligibilidad
Step 3: 
Inclusión
Scopus 151 129 75 27
Web of science 76 35 10 1
IEEE Xplore 43 16 10 4
Google Scholar 4 4 1 1
Total 274 184 96 33
Tabla 2 – Bases de datos y fases desarrolladas para obtener información
9RISTI, N.º 50, 06/2023
RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação
La aplicación de criterios identificación, cribado, elegibilidad e inclusión puede verse en 
el diagrama de flujo PRISMA, detallado en la Figura 1.
 
 
4. Los modelos y algoritmos de clasificación de dengue obtenidos en la 
investigación son pertinentes para conseguir sus objetivos 
5. El score obtenido en cada modelo de machine learning es mayor a 0.7 
Tabla 2- Bases de datos y fases desarrolladas para obtener información 
Database Step 1: 
Identificación 
Step 1: 
Cribado 
Step 2: 
Eligibilidad 
Step 3: 
Inclusión 
Scopus 151 129 75 27 
Web of science 76 35 10 1 
IEEE Xplore 43 16 10 4 
Google Scholar 4 4 1 1 
Total 274 184 96 33 
La aplicación de criterios identificación, cribado, elegibilidad e inclusión puede 
verse en el diagrama de flujo PRISMA, detallado en la Figura 1. 
 
 
 
 
 Reportes excluidos: 
Criterios: periodo de tiempo, 
área y tipo de artículo 
Scopus: 22 
Web of science: 41 
IEEE Xplore: 27 
Google Scholar: 0 
Filas cribadas: 
Scopus: 129 
Web of science: 35 
IEEE Xplore: 16 
Google Scholar: 4 
(n = 184) 
Reportes excluidos: 
Criterios: Pertinencia, archivos 
de acceso abierto y descargables 
Scopus: 54 
Web of science: 25 
IEEE Xplore: 6 
Google Scholar: 3 
Filas elegibles: 
Scopus: 75 
Web of science: 10 
IEEE Xplore: 10 
Google Scholar: 1 
(n = 96) 
Reportes excluidos: 
Criterios: Capaz de responder a 
los objetivos de la investigación: 
variables, modelos y algoritmos, 
score. 
Scopus: 48 
Web of science: 9 
IEEE Xplore: 6 
Google Scholar: 0 
Filas elegibles: 
Scopus: 27 
Web of science: 1 
IEEE Xplore: 4 
Google Scholar: 1 
(n = 33) 
Filas identificadas: 
Scopus: 151 
Web of science: 76 
IEEE Xplore: 43 
Google Scholar: 4 
(n = 274) 
Figura 1 – Flujo de trabajo de PRISMA para la selección de los estudios relevantes
3. Resultados
Para realizar el análisis bibliométrico se utilizó la herramienta VOS-Viewer de los 33 
artículos elegidos tomando como análisis las co-ocurrencias de todas las palabras claves.
Los resultados obtenidos del análisis bibliométrico realizado de la búsqueda inicial 
nos muestran tres cluster de las co-ocurrencias de todos los keywords de los artículos 
encontrados, como se observa en la Figura 2.
Del análisis de los cuatro clústeres encontrados, el clúster de color verde consta de 
10 ítems y se centra en las técnicas para la predicción del dengue: machine learning, 
Decision Tree, Random Forest, time series analysis, prediction, forecasting. Otros 
conceptos relacionados que tienen gran nivel de ocurrencia son: dengue, aedes aegypti, 
virus infection, tropical countries.
10 RISTI, N.º 50, 06/2023
Una revisión sistemática de Modelos de clasificación de dengue utilizando machine learning
Figura 2 – Análisis de co-ocurrencias de palabras clave
El segundo clúster, es el clúster amarillo que consta de 7 ítems, centrando su atención 
en las medidas de evaluación del modelo como son: accuracy, mean absolute error, 
incidence, data analysis. Otros conceptos relacionados son: environmental factor, public 
health y deep learning.
El tercer clúster, consta de 11 ítems, es el clúster rojo, que hace referencia principalmente 
a modelos: statistical model, support vector machine, artificial neural networks, 
algorithm. Otros conceptos relacionados son: dengue virus, controled study, risk factor, 
receiver operating characterisc, major clinical study, article, sensitivity and especifity.
El cuarto clúster, es el clúster azul que consta de 9 ítems, que hace referencia a los 
atributos de las variables utilizadas para la predicción del dengue: weather, climate, 
season, temperature, epidemic, mosquito vector, diseases.También encontramos otros 
conceptos que tienen gran ocurrencia en los artículos estudiados como son: animal y 
human.
Un total de 33 artículos científicos fueron seleccionados para responder a las preguntas 
de investigación formuladas. Por cada artículo, se detalló la base de datos en la cual 
fue encontrado, el autor y el año de publicación, el país del cual la evidencia científica 
fue recolectada, sus palabras clave, así como las categorías o dimensiones investigadas. 
Los resultados fueron sistematizados en la Tabla 3, siendo las categorías denotadas por 
los siguientes números: Epidemiológica (Categoría 1), Clima (Categoría 2), Síntomas 
(Categoría 3), Demográficas (Categoría 4), Análisis de laboratorio Clínico (Categoría 5), 
socioeconómica (Categoría 6) y geográfica (Categoría 7). 
11RISTI, N.º 50, 06/2023
RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação
DB No. Autor(es) País de los 
datos Título de artículo Cate-goría
S
C
O
P
U
S
1 (Appice et al., 
2020) Mexico
A Multi-Stage Machine Learning 
Approach to Predict Dengue 
Incidence: A Case Study in 
Mexico
1, 2
2 (Srivastava et 
al., 2020) India An online learning approach for 
dengue fever classification 3
3 (Huang et al., 
2020) Taiwan
Assessing the risk of dengue 
severity using demographic 
information and laboratory test 
results with machine learning
4, 5
4 (Sukama et al., 
2020)
DKI 
Jakarta
Comparing activation 
functions in predicting dengue 
hemorrhagic fever cases in DKI 
Jakarta using recurrent neural 
networks
3
5 (Ho et al., 
2020) Taiwan
Comparing machine learning 
with case-control models to 
identify confirmed dengue cases
4, 5, 3
6 (Sarma et al., 
2020) Bangladesh Dengue Prediction using 
Machine Learning Algorithms 4, 5, 3
7 (Xu et al., 
2020) China
Forecast of dengue cases in 20 
Chinese cities based on the deep 
learning method
1, 2
8 (Balamurugan 
et al., 2020) India
Improved prediction of dengue 
outbreak using combinatorial 
feature selector and classifier 
based on the entropy-weighted 
score based optimal ranking
5
9 (Raizada et al., 
2020) India Vector-borne disease outbreak 
prediction by machine learning 1, 2
10 (Benedum et 
al., 2020)
Iquitos, 
Puerto Rico 
y Singapore
Weekly dengue forecasts in 
Iquitos, Peru; San Juan Puerto 
Rico; and Singapore
1, 2
11 (Khan Dourjoy 
et al., 2021)
Bangladesh 
– South Asia
A Comparative Study on 
Prediction of Dengue Fever 
Using Machine Learning 
Algorithm
3
12 (McGough et 
al., 2021) Brazil
A dynamic, ensemble learning 
approach to forecast dengue 
fever epidemic years in Brazil 
using weather and population 
susceptibility cycles
1, 2
13 (Kaur et al., 
2021) India A Machine Learning Approach 
for Predicting Dengue Outbreak 1, 2
14 (Ferdousi et al., 
2021) Brazil
A Windowed Correlation-Based 
Feature Selection Method to 
Improve Time Series Prediction 
of Dengue Fever Cases
1, 2
12 RISTI, N.º 50, 06/2023
Una revisión sistemática de Modelos de clasificación de dengue utilizando machine learning
DB No. Autor(es) País de los 
datos Título de artículo Cate-goría
S
C
O
P
U
S
15
(Yavari Nejad 
& Varathan, 
2021)
Malaysia
Identification of significant 
climatic risk factors and machine 
learning models in dengue 
outbreak prediction
1, 2
16 (Bauxell et al., 
2021) Brazil
Machine learning techniques 
using environmental data from 
remote sensing applied to 
modeling dengue risk in Brazil
1, 6, 2
17 (Rahman et al., 
2021) Thailand
Mapping the spatial distribution 
of the dengue vector Aedes 
aegypti and predicting its 
abundance in northeastern 
Thailand using machine-learning 
approach
6, 2, 3
18 (Choubey et al., 
2021)
San Jose e 
Iquitos
Soft computing techniques for 
dengue prediction 2
19 (Tanawi et al., 
2021) DKI Jakarta
Support Vector Regression 
for Predicting the Number of 
Dengue Incidents in DKI Jakarta
2
20 (Nguyen et al., 
2022) Vietnam
Deep learning models for 
forecasting dengue fever based 
on 2 data in Vietnam
1
21 (Abdualgalil et 
al., 2022) Yemen
Early Diagnosis for Dengue 
Disease Prediction Using 
Efficient Machine Learning 
Techniques Based on Clinical 
Data
4, 3, 5
22 (Ochida et al., 
2022)
New 
Caledonia
Modeling present and future 
climate risks of dengue outbreak, 
a case study in New Caledonia
2
23 (Koplewitz et 
al., 2022) Brazil
Predicting dengue incidence 
leveraging internet-based data 
sources. A case study in 20 cities 
in Brazil
1, 7, 2
24 (Souza et al., 
2022) Brazil 
Predicting dengue outbreaks in 
Brazil with manifold learning on 
2 data
2
25 (Aleixo et al., 
2022) Brazil
Predicting Dengue Outbreaks 
with Explainable Machine 
Learning
1, 4, 2
26 (Kumar et al., 
2022) Bangladesh
Prediction of dengue 
incidents using hospitalized 
patients, meteorological 
and socioeconomic data in 
Bangladesh: A machine learning 
approach
1, 2
27 (Nalini et al., 
2022)
San Juan e 
Iquitos
Prediction of dengue infection 
using Machine Learning 2
13RISTI, N.º 50, 06/2023
RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação
Tabla 3 – Base de datos, lista de autores, país, título y categorías exploradas por artículo.
Del total de 33 artículos seleccionados, algunos fueron de Brasil (6), India (6), 
Bangladesh (3), Malaysia (2), Taiwan (2), DKI Jakarta (2), San Juan e Iquitos (2), San 
José e Iquitos (1), Iquitos, Puerto Rico y Singapore (1), Arabia Saudita (1), Vietnam 
(1), Thailandia (1), Yemen (1), New Caledonia (1), México (1), China (1) y Kaggle 
(1). Por otro lado, en las categorías exploradas por los autores, tenemos clima (21), 
epidemiológica (15), síntomas (11), análisis de laboratorio clínico (5), demográficas 
(5), socioeconómica (2) y geográfica (1) correspondientes a las variables de estudio, 
conforme se visualiza en la Figura 3.
Un análisis más profundo de cada Artículo científico permitió identificar aspectos 
relacionados a las variables/características seleccionadas, fuente de datos, 
algoritmo / método de machine learning y, método de validación en cada artículo 
(ver Tabla 4).
DB No. Autor(es) País de los 
datos Título de artículo Cate-goría
WoS 28 (Salim et al., 
2021) Malaysia
Prediction of dengue outbreak in 
Selangor Malaysia using machine 
learning techniques
1, 2
IEEExplore
29 (Baker et al., 
2021)
San Juan e 
Iquitos
Forecasting Dengue Fever Using 
Machine Learning Regression 
Techniques
3, 2
30 (Singh, 2021) India
Particle Swarm Optimization 
assisted Support Vector Machine 
based Diagnostic System for 
Dengue prediction at the early 
stage
3
31 (Siddiq et al., 
2021) Saudi Arabia
Predicting Dengue Fever 
Transmission Using Machine 
Learning Methods
1, 2
32 (Rana et al., 
2022)
Kaggle 
(internet 
repository)
Dengue Fever Prediction using 
Machine Learning Analytics 3
Google 33
(Chattopadhyay 
& 
Chattopadhyay, 
2022)
India VIRDOC: A VIRTUAL DOCtor to 
predict dengue fatality. 3
14 RISTI, N.º 50, 06/2023
Una revisión sistemática de Modelos de clasificación de dengue utilizando machine learning
 
 
 
Figura 3 - Número de artículos por categoría 
Un análisis más profundo de cada Artículo científico permitió identificar aspectos 
relacionados a las variables/características seleccionadas, fuente de datos, 
algoritmo / método de machine learning y, método de validación en cada artículo 
(ver Tabla 4). 
Figura 3 – Número de artículos por categoría
4. Discusión de resultados
La revisión sistemática permitió seleccionar un total de 33 artículos, muchos de los cuales 
son de Brasil, India, Bangladesh e Iquitos. La categoría más estudiada por los autores 
es la de Clima (21), seguido por la categoría epidemiológica (15) y la categoría síntomas 
(11), demostrando que existe una gran tendencia a los estudios con variables de factores 
climáticos que ayudan a mejorar la predicción de brotes de dengue y la detección de la 
enfermedad de acuerdo con la ubicación geográfica del paciente.
 Esto debido a que el vector mosquito que produce la enfermedad, es de clima tropical 
y subtropical, locual está asociado con variables climatológicas como la temperatura 
ambiental, la humedad y sobre todo el nivel de precipitación. De esa forma, si es que 
hay temporadas de lluvias, el agua muchas veces se queda empozada y es criadero de 
zancudos propagadores del dengue.
Otra de las categorías que también es predominante en los estudios y ocupa el segundo 
lugar, es la de factores epidemiológicos, que está ligado altamente al control sanitario 
de cada país en las provincias donde el dengue es una enfermedad endémica, que tiene 
que ver con el registro de contagiados, hospitalizados y muertos que reportan cada 
cierto tiempo los hospitales y centros de salud, y que para ayudar a los modelos de 
machine learning deberían tener la misma distribución temporal, sea diaria, semanal 
o mensual, pero que no haya periodos en los que no hubo reporte de datos, ya que esto 
afecta la continuidad de los datos y para reemplazar esos faltantes se tienen que realizar 
estimaciones a través de métodos predictivos.
La categoría Síntomas que es la que ocupa el tercer lugar, se caracteriza por tener 
investigaciones que han utilizado datos descargados de repositorios oficiales de un 
determinado país y en su minoría base de datos construidas por los investigadores de 
datos obtenidos de clínicas y hospitales. Entre los síntomas que tienen mayor incidencia 
15RISTI, N.º 50, 06/2023
RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação
N
°
V
ar
ia
bl
es
/ 
ca
ra
ct
er
ís
ti
ca
s
C
at
eg
or
ía
F
u
en
te
 d
e 
d
at
os
A
lg
or
it
m
o/
 m
ét
od
o
M
ét
od
o 
d
e 
va
li
d
ac
ió
n
1
D
os
 v
ar
ia
bl
es
: N
úm
er
o 
de
 c
as
os
 d
e 
de
ng
ue
 y
 
de
ng
ue
 h
em
or
rá
gi
co
. 
Te
m
pe
ra
tu
ra
 m
ed
ia
 
de
l a
ir
e 
(e
n 
◦C
) a
 n
iv
el
 
m
en
su
al
 p
or
 c
ad
a 
un
o 
de
 
lo
s 
32
 e
st
ad
os
 
1,
 2
Se
ri
e 
de
 T
ie
m
po
 d
e 
am
ba
s 
va
ri
ab
le
s 
re
co
le
ct
ad
os
 
du
ra
nt
e 
el
 p
er
ío
do
 
19
85
–
20
10
 e
n 
32
 e
st
ad
os
 
fe
de
ra
le
s 
de
 M
éx
ic
o.
 
Tr
ai
ni
ng
 (1
98
5-
20
09
) y
 te
st
 
(2
01
0)
Ti
m
e 
Se
ri
es
 F
or
ec
as
ti
ng
: A
ut
oR
eg
re
ss
iv
e 
In
te
gr
at
ed
 M
ov
in
g 
A
ve
ra
ge
 (a
ut
o.
ar
im
a)
 y
 
V
ec
to
r 
A
ut
or
eg
re
ss
io
n 
(V
A
R
).
 R
eg
re
ss
io
n 
M
ét
ho
ds
 (M
5’
),
 S
up
po
rt
 V
ec
to
r 
R
eg
re
ss
io
n 
(S
V
R
),
 k
-N
ea
re
st
 N
ei
gh
bo
r 
(k
N
N
) y
 la
 
es
tr
at
eg
ia
 d
e 
ap
re
nd
iz
aj
e 
pr
op
ue
st
a 
de
 
m
úl
ti
pl
es
 e
ta
pa
s 
lla
m
ad
a 
A
ut
oT
iC
-N
N
. 
A
ut
oT
iC
-N
N
 d
em
os
tr
ó 
el
 m
en
or
 R
M
SE
 e
n 
la
 
m
ay
or
 c
an
ti
da
d 
de
 e
st
ad
os
 e
va
lu
ad
os
.
R
oo
t M
ea
n 
Sq
ua
re
 
E
rr
or
 (R
M
SE
).
 
2
14
 v
ar
ia
bl
es
 
co
rr
es
po
nd
ie
nt
es
 a
 
Sí
nt
om
as
 d
e 
pa
ci
en
te
s 
e 
in
ve
st
ig
ac
io
ne
s 
de
 
la
bo
ra
to
ri
o 
de
 lo
s 
pa
ci
en
te
s
3
18
2 
m
ue
st
ra
s 
de
 p
ac
ie
nt
es
, 
14
8 
po
si
ti
vo
s 
y 
34
 
ne
ga
ti
vo
s.
 (t
ra
in
in
g 
80
%
 y
 
te
st
 2
0%
)
Su
pp
or
t V
ec
to
r 
M
ac
hi
ne
 (S
V
M
),
 R
an
do
m
 
Fo
re
st
 (R
F)
, a
sí
 c
om
o 
m
úl
ti
pl
es
 c
la
si
fic
ad
or
es
 
de
 W
ek
a:
 L
og
is
ti
c,
 S
G
D
, S
G
D
 te
xt
, S
im
pl
e 
Lo
gi
st
ic
, S
M
O
, V
ot
ed
 p
er
ce
pt
ro
n,
 A
da
bo
os
t, 
R
an
do
m
 s
ub
sp
ac
e,
 B
ay
es
 N
et
, N
ai
ve
 B
ay
es
 
(N
B
) y
 L
W
L.
 C
la
si
fic
ad
or
es
 e
n 
Lí
ne
a:
 a
R
O
W
, 
PA
2,
 A
LM
A
, a
 I
E
LL
IP
, C
W
, P
O
E
, a
R
O
M
A
, 
R
O
M
A
. (
R
F 
ob
tu
vo
 8
2.
41
%
)
F 
- M
E
A
SU
R
E
3
V
ar
ia
bl
es
 d
em
og
rá
fic
as
 
y 
an
ál
is
is
 d
e 
la
bo
ra
to
ri
o 
cl
ín
ic
os
 
4,
 5
79
8 
ca
so
s 
(t
ra
in
in
g 
se
t 
90
%
, t
es
t s
et
 1
0%
)
Lo
gi
st
ic
 R
eg
re
ss
io
n,
 S
V
M
, R
F,
 g
ra
di
en
t 
bo
os
ti
ng
 m
ac
hi
ne
 (G
B
M
),
 A
rt
ifi
ci
al
 N
eu
ra
l 
N
et
w
or
k 
(A
N
N
) (
A
N
N
: R
O
C
: 0
.8
32
4 
±
 0
.0
26
8,
 
A
cc
ur
ac
y:
 (0
.7
52
3 
±
 0
.0
27
3)
) 
10
 - 
fo
ld
 c
ro
ss
 
va
lid
at
io
n 
ap
pr
oa
ch
,
R
O
C
 a
nd
 A
cc
ur
ac
y
4
In
ci
de
nc
ia
s 
de
 D
en
gu
e 
he
m
or
rá
gi
co
 
3
D
at
a 
de
 D
en
gu
e 
he
m
or
rá
gi
co
 (D
H
F)
 
de
 4
18
 s
em
an
as
 d
e 
5 
m
un
ic
ip
al
id
ad
es
 d
e 
Ja
ka
rt
a 
en
tr
e 
el
 2
00
9 
y 
20
17
 
(T
ra
in
in
g 
70
%
 y
 te
st
 3
0%
)
R
ec
ur
re
nt
 N
eu
ra
l N
et
w
or
k 
(R
N
N
) y
 
B
ac
kp
ro
pa
ga
ti
on
 T
hr
ou
gh
 T
im
e 
(B
PT
T)
. L
os
 
re
su
lt
ad
os
 d
e 
la
 p
re
di
cc
ió
n 
de
 D
H
F 
en
 la
s 
ci
nc
o 
m
un
ic
ip
al
id
ad
es
 d
e 
Ja
ka
rt
a 
ob
tu
vo
 m
ej
or
es
 
re
su
lt
ad
os
 e
n 
el
 R
M
SE
 y
 R
M
E
 c
on
 la
 fu
nc
ió
n 
de
 a
ct
iv
ac
ió
n 
Si
gm
oi
d.
R
M
SE
 a
nd
 M
SE
 
(T
he
 M
ea
n 
Sq
ua
re
d 
E
rr
or
).
5
18
 v
ar
ia
bl
es
, s
ie
nd
o:
 
de
m
og
rá
fic
as
, c
lín
ic
as
 
(s
ig
no
s 
vi
ta
le
s 
y 
co
m
or
bi
lid
ad
es
),
 d
e 
an
ál
is
is
 d
e 
la
bo
ra
to
ri
o.
4,
 5
, 3
48
94
 c
as
os
 d
e 
at
en
ci
ón
 p
or
 
em
er
ge
nc
ia
 e
n 
un
 H
os
pi
ta
l 
Lo
gi
st
ic
 R
eg
re
ss
io
n,
 D
ee
p 
N
eu
ra
l N
et
w
or
k,
 
D
ec
is
io
n 
Tr
ee
 (D
T)
 (D
N
N
 fu
e 
el
 m
ej
or
 c
on
 
86
.9
5%
±
0.
45
%
)
10
-f
ol
d 
cr
os
s 
va
lid
at
io
n 
pr
oc
es
s
16 RISTI, N.º 50, 06/2023
Una revisión sistemática de Modelos de clasificación de dengue utilizando machine learning
N
°
V
ar
ia
bl
es
/ 
ca
ra
ct
er
ís
ti
ca
s
C
at
eg
or
ía
F
u
en
te
 d
e 
d
at
os
A
lg
or
it
m
o/
 m
ét
od
o
M
ét
od
o 
d
e 
va
li
d
ac
ió
n
6
23
 a
tr
ib
ut
os
: 
de
m
og
rá
fic
os
, s
ín
to
m
as
 y
 
an
ál
is
is
 d
e 
la
bo
ra
to
ri
o
4,
 5
, 3
10
1 
00
0 
ca
so
s 
de
 
B
an
gl
ad
es
h 
de
 d
os
 c
iu
da
de
s 
pr
in
ci
pa
le
s 
de
ns
am
en
te
 
po
bl
ad
as
 (D
ha
ka
 y
 
C
hi
tt
ag
on
g)
Si
st
em
a 
cl
as
ifi
ca
do
r 
bi
na
ri
o 
(0
,8
4)
R
O
C
 c
ur
ve
7
N
úm
er
o 
de
 c
as
os
 
de
 d
en
gu
e 
hu
m
an
o 
po
r 
m
es
 (v
ar
ia
bl
e 
ep
id
em
io
ló
gi
ca
) y
 9
 
va
ri
ab
le
s 
m
et
eo
ro
ló
gi
ca
s 
m
en
su
al
es
.
1,
 2
D
at
os
 m
et
eo
ro
ló
gi
co
s 
y 
D
at
o 
ep
id
em
io
ló
gi
co
 
m
en
su
al
 d
el
 a
ño
 2
00
5 
al
 2
01
8 
de
 2
0 
ci
ud
ad
es
 
de
 C
hi
na
 (T
ra
in
in
g 
da
ta
 
20
05
- a
l 2
01
6,
 T
es
ti
ng
 D
at
a 
20
17
-2
01
8)
 
R
ed
es
 n
eu
ro
na
le
s 
re
cu
rr
en
te
s 
de
 m
em
or
ia
 
a 
co
rt
o 
pl
az
o 
(L
ST
M
) y
 R
ed
es
 n
eu
ro
na
le
s 
re
cu
rr
en
te
s 
de
 m
em
or
ia
 a
 c
or
to
 p
la
zo
 c
on
 
ap
re
nd
iz
aj
e 
de
 tr
an
sf
er
en
ci
a 
(L
ST
M
 - 
TL
) y
 
su
 c
om
pa
ra
ci
ón
 c
on
 o
tr
os
 m
od
el
os
: B
PN
N
: 
B
ac
kp
ag
at
io
n 
N
eu
ra
l N
et
w
or
k;
 G
A
M
: 
G
en
er
al
iz
ed
 A
dd
it
iv
e 
M
od
el
; S
V
R
: S
up
po
rt
 
V
ec
to
r 
R
eg
re
ss
io
n;
 G
B
M
: G
ra
di
en
t B
oo
st
in
g 
M
ac
hi
ne
 (L
ST
M
 0
.9
08
7 
/1
.1
60
0)
R
M
SE
 (T
he
 R
oo
t 
M
ea
n 
Sq
ua
re
d 
E
rr
or
),
 R
R
SE
 (T
he
 
R
oo
t R
el
at
iv
e 
Sq
ua
re
d 
E
rr
or
)
8
20
 v
ar
ia
bl
es
 
co
rr
es
po
nd
ie
nt
es
 a
 lo
s 
at
ri
bu
to
s 
de
 u
n 
an
ál
is
is
 
de
 la
bo
ra
to
ri
o 
de
 s
an
gr
e 
5
48
0 
m
ue
st
ra
s 
de
 p
ac
ie
nt
es
 
co
n 
de
ng
ue
 
E
W
SO
R
A
 A
lg
or
it
m
o 
de
 c
la
si
fic
ac
ió
n 
op
ti
m
a 
ba
sa
do
 e
n 
pu
nt
aj
e 
po
nd
er
ad
o 
de
 e
nt
ro
pí
a.
 
G
en
et
ic
 A
lg
or
it
hm
 (G
A
),
 P
ar
ti
cl
e 
Sw
ar
m
 
A
lg
or
it
hm
 (P
SO
),
 C
or
re
la
ti
on
 b
as
ed
 F
ea
tu
re
 
Se
le
ct
or
 (C
FS
)
M
od
el
os
 de 
M
L:
 J
48
, N
B
, S
V
M
 y
 M
ul
ti
la
ye
r 
pe
rc
ep
tr
on
 (M
LP
),
 r
eg
re
si
ón
 y
 s
er
ie
s 
de
 ti
em
po
(E
W
SO
R
A
 c
on
 M
LP
 c
on
 9
8.
72
)
cr
os
s 
va
lid
at
io
n
9
C
as
os
 p
os
it
iv
os
 
de
l 2
01
3 
al
 2
01
7 
pa
ra
 C
hi
ku
ng
un
ya
, 
m
al
ar
ia
 y
 d
en
gu
e.
 
Ta
m
bi
én
 V
ar
ia
bl
es
 
m
et
eo
ro
ló
gi
ca
s:
 
te
m
pe
ra
tu
ra
, h
um
ed
ad
 y
 
pr
ec
ip
it
ac
ió
n.
1,
 2
54
15
95
8 
da
to
s 
de
 
ca
so
s 
po
si
ti
vo
s 
y 
da
to
s 
m
et
eo
ro
ló
gi
co
s 
de
 3
6 
es
ta
do
s 
de
l 2
01
3 
al
 
20
17
 fu
si
on
ad
os
. T
re
s 
po
si
bl
es
 s
al
id
as
: r
ie
sg
o 
al
to
, m
od
er
ad
o 
o 
ba
jo
. 
(T
ra
in
in
g:
 6
0%
y 
Te
st
 4
0%
).
 
C
on
vo
lu
ti
on
al
 N
eu
ra
l N
et
w
or
k 
m
ul
ti
m
od
al
 
di
se
as
e 
ou
tb
re
ak
 p
re
di
ct
io
n 
C
N
N
- M
D
O
P 
y 
A
rt
ifi
ci
al
 N
eu
ra
l N
et
w
or
k 
m
ul
ti
m
od
al
 d
is
ea
se
 
ou
tb
re
ak
 p
re
di
ct
io
n 
A
N
N
 - 
M
D
O
P 
(C
N
N
 
ac
cu
ra
cy
: 0
.8
8)
Pr
ed
ic
ti
on
 a
cc
ur
ac
y
10
R
ec
ue
nt
os
 d
e 
ca
so
s 
y 
br
ot
es
 s
em
an
al
es
 d
e 
de
ng
ue
 e
n 
Iq
ui
to
s,
 P
er
ú;
 
Sa
n 
Ju
an
, P
ue
rt
o 
R
ic
o;
 y
 
Si
ng
ap
ur
 d
e 
19
90
 a
 2
01
6.
 
V
ar
ia
bl
es
 m
et
eo
ro
ló
gi
ca
s 
de
 e
so
s 
tr
es
 lu
ga
re
s 
(1
6 
va
ri
ab
le
s)
1,
 2
Se
 c
re
ar
on
 5
00
 c
on
ju
nt
os
 
de
 e
nt
re
na
m
ie
nt
o 
qu
e 
se
 
us
ó 
pa
ra
 e
nt
re
na
r 
ca
da
 
m
od
el
o 
y 
se
 p
ro
m
ed
ia
ro
n 
la
s 
pr
ed
ic
ci
on
es
A
lg
or
it
m
o 
M
L 
pr
ed
ic
ti
vo
: R
F,
 R
F 
co
n 
A
lg
or
it
m
o 
de
 s
eñ
al
iz
ac
ió
n 
un
iv
ar
ia
nt
e 
(R
F-
U
FA
) R
eg
re
si
ón
 d
e 
Po
is
so
n 
y 
re
gr
es
ió
n 
lo
gí
st
ic
a.
 M
od
el
o 
de
 p
ro
m
ed
io
 m
óv
il 
in
te
gr
ad
o 
au
to
rr
eg
re
si
vo
 (A
R
IM
A
) y
 m
od
el
o 
es
ta
ci
on
al
 
A
R
IM
A
 (S
A
R
IM
A
)
(M
od
el
os
 d
e 
M
L 
- R
F 
te
ní
an
 u
n 
21
 %
 y
 u
n 
33
 %
 
m
en
os
 d
e 
er
ro
r)
C
ro
ss
 V
al
id
at
io
n 
w
it
h 
fo
ld
 =
10
M
A
E
17RISTI, N.º 50, 06/2023
RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação
N
°
V
ar
ia
bl
es
/ 
ca
ra
ct
er
ís
ti
ca
s
C
at
eg
or
ía
F
u
en
te
 d
e 
d
at
os
A
lg
or
it
m
o/
 m
ét
od
o
M
ét
od
o 
d
e 
va
li
d
ac
ió
n
11
15
 v
ar
ia
bl
es
 d
e 
si
nt
om
at
ol
og
ía
 d
e 
D
en
gu
e,
 b
us
cá
nd
os
e 
pr
ed
ic
ci
ón
 p
ar
a 
el
 
pr
óx
im
o 
añ
o 
3
E
nc
ue
st
as
 o
nl
in
e 
a 
m
ás
 
de
 6
00
 p
ac
ie
nt
es
 d
e 
B
an
gl
ad
es
h 
y 
el
 m
ét
od
o 
de
 to
po
gr
af
ía
. S
e 
ha
n 
re
co
pi
la
do
 c
as
i 1
04
7 
da
to
s.
 
Tr
ai
ni
ng
 8
0 
%
 y
 te
st
 2
0%
SV
M
 y
 e
l a
lg
or
it
m
o 
cl
as
ifi
ca
do
r 
de
 R
an
do
m
 
Fo
re
st
 (R
FC
).
 (S
V
M
 0
.6
95
)
cr
os
s 
va
lid
at
io
n
12
V
ar
ia
bl
es
 d
e 
pa
ci
en
te
s 
co
n 
de
ng
ue
 y
 
va
ri
ab
le
s 
cl
im
át
ic
as
 
co
m
o:
 te
m
pe
ra
tu
ra
 y
 
pr
ec
ip
it
ac
ió
n 
di
ar
ia
1,
 2
D
at
os
 s
ob
re
 c
as
os
 a
nu
al
es
 
de
 d
en
gu
e 
(M
in
is
te
ri
o 
de
 S
al
ud
 d
e 
B
ra
si
l)
 p
ar
a 
20
01
–
20
17
 y
 s
ob
re
 
te
m
pe
ra
tu
ra
 y
 p
re
ci
pi
ta
ci
ón
 
di
ar
ia
 (G
M
A
O
-N
A
SA
) 
pa
ra
 2
00
0–
20
16
, p
ar
a 
20
 
m
un
ic
ip
io
s 
en
dé
m
ic
os
 d
e 
de
ng
ue
 e
n 
B
ra
si
l
C
on
te
m
pl
a 
11
 m
od
el
os
 d
e 
ap
re
nd
iz
aj
e 
en
sa
m
bl
ad
o 
qu
e 
us
an
 S
V
M
.
E
n 
fu
nc
ió
n 
de
 s
i e
s 
un
 a
ño
 e
pi
dé
m
ic
o 
o 
no
, e
l 
‘s
tr
en
gt
h’
 d
e 
su
 m
od
el
o 
es
 d
el
 6
3%
 o
 e
l 7
1%
 
re
sp
ec
ti
va
m
en
te
.
A
cc
ur
ac
y,
 T
im
e-
se
ri
es
13
V
ar
ia
bl
es
 m
et
eo
ro
ló
gi
ca
s 
y 
el
 c
on
te
o 
de
 c
as
os
 d
e 
D
en
gu
e 
co
m
o 
va
ri
ab
le
 
ep
id
em
io
ló
gi
ca
.
1,
 2
D
at
os
 o
bt
en
id
os
 
de
l D
ep
ar
ta
m
en
to
 
M
et
eo
ro
ló
gi
co
 d
e 
la
 I
nd
ia
, 
Pu
ne
 e
nt
re
 2
00
6-
20
15
.
H
id
de
n 
M
ar
ko
v 
M
od
el
 (H
M
M
) p
ar
a 
da
to
s 
de
 
se
ri
es
 d
e 
ti
em
po
.
La
 p
re
ci
si
ón
 o
bt
en
id
a 
pa
ra
 lo
s 
cu
at
ro
 d
is
tr
it
os
 
es
 9
7%
 p
ar
a 
B
at
hi
nd
a,
 9
2%
 p
ar
a 
Pa
ti
al
a,
 9
7%
 
pa
ra
 L
ud
hi
an
a 
y 
86
%
 p
ar
a 
A
m
ri
ts
ar
.
A
cc
ur
ac
y
14
C
as
os
 d
e 
de
ng
ue
 y
 
va
ri
ab
le
s 
cl
im
át
ic
as
1,
 2
78
 m
un
ic
ip
io
s 
en
 B
ra
si
l c
on
 
ca
so
s 
71
34
8,
 5
84
24
, 4
53
19
, 
36
74
3,
 2
71
03
Tr
ai
ni
ng
 5
0%
, v
al
id
at
io
n 
30
%
 y
 te
st
 2
0%
R
ec
ur
re
nt
 n
eu
ra
l n
et
w
or
ks
 (R
N
N
),
 L
ST
M
, 
G
R
U
 y
 e
l m
od
el
o 
Li
ne
al
. 
(G
R
U
: 
to
ta
l d
e 
ca
so
s 
M
A
E
 0
.1
3 
y 
pa
ra
 p
ru
eb
a 
de
 v
ar
ia
s 
ub
ic
ac
io
ne
s 
M
A
E
 r
an
go
 d
e 
0.
24
35
 a
 
0.
25
69
)
M
ea
n 
ab
so
lu
te
 
er
ro
r 
(M
A
E
)
15
V
ar
ia
bl
es
 s
ob
re
 c
as
os
 
de
 D
en
gu
e 
(i
nc
id
en
ci
as
 
y 
ca
so
s 
co
nfi
rm
ad
os
) 
y 
va
ri
ab
le
s 
cl
im
át
ic
as
 
co
m
o 
so
n 
Te
m
pe
ra
tu
ra
. 
hu
m
ed
ad
 r
el
at
iv
a 
y 
ca
nt
id
ad
 d
e 
llu
vi
a.
1,
 2
D
at
os
 o
bt
en
id
os
 d
e 
do
s 
fu
en
te
s 
ofi
ci
al
es
. E
l 
in
ci
de
nt
e 
de
 d
en
gu
e 
y 
lo
s 
ca
so
s 
co
nfi
rm
ad
os
 
se
m
an
al
es
 d
el
 p
or
ta
l 
de
l M
in
is
te
ri
o 
de
 S
al
ud
 
de
 M
al
as
ia
 (M
O
H
) y
, 
lo
s 
da
to
s 
cl
im
át
ic
os
 s
e 
ob
ti
en
en
 d
el
 D
ep
ar
ta
m
en
to
 
M
et
eo
ro
ló
gi
co
 d
e 
M
al
as
ia
 
(M
M
D
) e
n 
el
 p
er
io
do
 2
01
0 
al
 2
01
3
B
ay
es
 N
et
w
or
k 
m
od
el
s 
(B
N
),
 S
V
M
, R
ad
ia
l 
B
as
is
 F
un
ct
io
n 
(R
B
F 
Tr
ee
),
 d
ec
is
io
n 
ta
bl
e 
(D
T)
 y
 N
B
. (
B
ay
es
 N
et
w
or
ks
 c
on
 9
2.
35
%
 d
e 
ac
cu
ra
cy
)
cr
os
s 
va
lid
at
io
n 
(t
en
 ti
m
es
) w
it
h 
Te
m
pe
R
ai
n 
fa
ct
or
 
(T
R
F)
 
18 RISTI, N.º 50, 06/2023
Una revisión sistemática de Modelos de clasificación de dengue utilizando machine learning
N
°
V
ar
ia
bl
es
/ 
ca
ra
ct
er
ís
ti
ca
s
C
at
eg
or
ía
F
u
en
te
 d
e 
d
at
os
A
lg
or
it
m
o/
 m
ét
od
o
M
ét
od
o 
d
e 
va
li
d
ac
ió
n
16
V
ar
ia
bl
es
 c
lín
ic
as
 
de
 p
ac
ie
nt
es
 c
on
 
de
ng
ue
 e
n 
B
ra
si
l. 
V
ar
ia
bl
es
 a
m
bi
en
ta
le
s 
y 
so
ci
oe
co
nó
m
ic
as
1,
 6
, 2
D
at
os
 d
e 
20
10
 a
 2
01
3 
de
 
la
 d
is
tr
ib
uc
ió
n 
m
en
su
al
 d
e 
ep
is
od
io
s 
de
 d
en
gu
e 
de
l 
Si
st
em
a 
de
 I
nf
or
m
ac
ió
n 
de
 
E
nf
er
m
ed
ad
es
 N
ot
ifi
ca
bl
es
 
(S
IN
A
N
),
 d
es
ar
ro
lla
do
 p
or
 
el
 M
in
is
te
ri
o 
de
 S
al
ud
 d
e 
B
ra
si
l. 
D
at
os
 a
m
bi
en
ta
le
s 
de
 la
s 
m
is
io
ne
s 
sa
te
lit
al
es
 
de
 o
bs
er
va
ci
ón
 d
e 
la
 T
ie
rr
a 
(T
ra
in
in
g 
80
%
, t
es
t 2
0%
)
D
T,
 R
F 
(R
2:
 0
.7
63
5 
y 
ac
cu
ra
cy
: 8
9,
49
%
 u
sa
nd
o 
In
de
x 
B
) y
 n
eu
ra
l n
et
w
or
ks
 (R
2:
 0
,5
04
1 
an
d 
ac
cu
ra
cy
: 9
2,
40
%
 u
sa
nd
o 
in
de
x 
B
 y
 u
n 
ac
cu
ra
cy
: 7
9.
21
%
 u
sa
nd
o 
el
 in
de
x 
A
).
 R
F 
es
 e
l 
de
 m
ej
or
 r
es
ul
ta
do
.
R
-s
qu
ar
ed
 (R
2)
 
an
d 
ac
cu
ra
cy
17
V
ar
ia
bl
es
 
so
ci
oe
co
nó
m
ic
as
, 
va
ri
ab
le
s 
cl
im
át
ic
os
 y
 
sí
nt
om
as
 d
e 
de
ng
ue
6,
 2
, 3
Ta
ila
nd
ia
 d
e 
en
er
o 
a 
di
ci
em
br
e 
de
l 2
01
9
M
od
el
os
 d
e 
ap
re
nd
iz
aj
e 
su
pe
rv
is
ad
os
, 
re
gr
es
ió
n 
lo
gí
st
ic
a 
(L
R
),
 S
V
M
, v
ec
in
o 
K
-N
ea
re
st
 (K
N
N
),
 r
ed
 n
eu
ro
na
l a
rt
ifi
ci
al
 
(A
N
N
) y
 R
F.R
F,
 q
ue
 u
só
 fa
ct
or
es
 s
oc
io
ec
on
óm
ic
os
, K
A
P 
y 
de
 p
ai
sa
je
 c
om
o 
en
tr
ad
as
, t
uv
o 
la
 m
ay
or
 
pr
ec
is
ió
n 
de
l m
od
el
o 
de
 p
re
di
cc
ió
n,
 s
eg
ui
da
 
po
r 
A
N
N
, k
N
N
, L
R
 y
 S
V
M
 (s
oc
io
ec
on
óm
ic
o:
 
C
A
 =
 0
,8
6 
y 
F1
 =
 0
,8
5;
 K
A
P:
 C
A
 =
 0
,9
2 
y 
F1
 =
 
0,
90
 y
 p
ai
sa
je
: C
A
 =
 0
,8
9 
y 
F1
 =
 0
,8
7)
A
U
C
 (á
re
a 
ba
jo
 
la
 c
ur
va
 R
O
C
),
 
C
A
 (p
re
ci
si
ón
 d
e 
cl
as
ifi
ca
ci
ón
) y
 
pu
nt
aj
e 
F1
18
V
ar
ia
bl
es
 c
lim
át
ic
as
 
cu
al
it
at
iv
as
 y
 
cu
an
ti
ta
ti
va
s
2
D
at
os
 d
e 
D
en
gA
I 
D
at
a 
se
t y
 
lo
s 
da
to
s 
cl
im
át
ic
os
 d
e 
do
s 
ci
ud
ad
es
 S
an
 J
os
é 
e 
Iq
ui
to
s
X
G
B
oo
st
 R
eg
re
ss
or
 M
od
el
, N
eg
at
iv
e 
B
in
om
ia
l 
R
eg
re
ss
or
 M
od
el
, D
T 
R
eg
re
ss
or
 M
od
el
, A
R
IM
A
 
M
od
el
.
E
n 
ba
se
 a
 lo
s 
va
lo
re
s 
M
A
E
 y
 la
s 
co
m
pe
ns
ac
io
ne
s,
 e
l r
eg
re
so
r 
bi
no
m
ia
l n
eg
at
iv
o 
(N
B
R
) e
s 
el
 m
od
el
o 
co
n 
m
ej
or
 r
en
di
m
ie
nt
o.
 
M
A
E
, R
M
SE
19
La
s 
va
ri
ab
le
s 
m
et
eo
ro
ló
gi
ca
s,
 in
cl
ui
do
s 
la
s 
va
ri
ab
le
s 
so
br
e 
la
 
llu
vi
a,
 la
 h
um
ed
ad
 y
 la
 
te
m
pe
ra
tu
ra
2
D
at
os
 d
e 
C
in
co
 r
eg
io
ne
s 
en
 D
K
I 
Ya
ka
rt
a 
de
sd
e 
el
 6
 
de
 e
ne
ro
 d
e 
20
09
 h
as
ta
 e
l 
25
 d
e 
se
pt
ie
m
br
e 
de
 2
01
7,
 
pr
op
or
ci
on
ad
os
 p
or
 la
 
A
ge
nc
ia
 d
e 
M
et
eo
ro
lo
gí
a,
 
C
lim
at
ol
og
ía
 y
 A
ge
nc
ia
 
G
eo
fís
ic
a 
(B
M
K
G
)
Su
pp
or
t V
ec
to
r 
R
eg
re
ss
io
n 
(C
ro
ss
-c
or
re
la
ti
on
, 
A
ug
m
en
te
d 
D
ic
ke
y-
Fu
lle
r 
te
st
 p
ar
a 
ca
lc
ul
ar
 e
l 
la
ps
o 
en
tr
e 
do
s 
se
ri
es
 d
e 
ti
em
po
 e
st
ac
io
na
ri
as
).
 
SV
M
 c
on
 n
úc
le
o 
lin
ea
l d
io
 e
rr
or
es
 
re
la
ti
va
m
en
te
 p
eq
ue
ño
s 
en
 la
 p
re
di
cc
ió
n 
de
 
in
ci
de
nt
es
 d
e 
de
ng
ue
 (M
A
E
 <
 8
 y
 R
M
SE
 <
10
).
M
A
E
, R
M
SE
19RISTI, N.º 50, 06/2023
RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação
N
°
V
ar
ia
bl
es
/ 
ca
ra
ct
er
ís
ti
ca
s
C
at
eg
or
ía
F
u
en
te
 d
e 
d
at
os
A
lg
or
it
m
o/
 m
ét
od
o
M
ét
od
o 
d
e 
va
li
d
ac
ió
n
20
12
 fa
ct
or
es
 
m
et
eo
ro
ló
gi
co
s 
en
 e
l 
m
is
m
o 
pe
rí
od
o,
 in
cl
ui
da
s 
m
ed
id
as
 d
e 
te
m
pe
ra
tu
ra
, 
llu
vi
a,
 h
um
ed
ad
, 
ev
ap
or
ac
ió
n 
y 
ho
ra
s 
de
 
so
l, 
ca
so
s 
y 
m
ue
rt
es
 p
or
 
ta
sa
 m
en
su
al
 d
el
 d
en
gu
e
1
C
as
os
 d
e 
de
ng
ue
 d
e 
20
 
pr
ov
in
ci
as
/c
iu
da
de
s 
pe
rt
en
ec
ie
nt
es
 a
 tr
es
 
re
gi
on
es
 p
ri
nc
ip
al
es
 
de
 V
ie
tn
am
 e
nt
re
 1
99
7 
y 
20
16
 d
el
 I
ns
ti
tu
to
 
N
ac
io
na
l d
e 
H
ig
ie
ne
 y
 
E
pi
de
m
io
lo
gí
a 
de
 V
ie
tn
am
. 
D
at
os
 m
et
eo
ro
ló
gi
co
s 
de
l 
In
st
it
ut
o 
de
 M
et
eo
ro
lo
gí
a,
 
H
id
ro
lo
gí
a 
y 
C
am
bi
o 
C
lim
át
ic
o 
de
 V
ie
tn
am
. 
Tr
ai
ni
ng
 (1
99
7 
a 
20
13
) y
 
te
st
 (2
01
4 
a 
20
16
) p
ar
a 
pr
ov
in
ci
a
Lo
ng
 s
ho
rt
-t
er
m
 m
em
or
y 
ne
ur
al
 n
et
w
or
k 
ba
se
d 
on
 th
e 
at
te
nt
io
n 
m
ec
ha
ni
sm
 (L
ST
M
-
A
TT
),
 L
on
g 
sh
or
t-
te
rm
 m
em
or
y 
ne
ur
al
 
ne
tw
or
k 
LS
TM
, C
on
vo
lu
ti
on
al
 N
eu
ra
l N
et
w
or
k 
(C
N
N
),
 T
ra
ns
fo
rm
er
 (T
F)
 (L
ST
M
-A
TT
, R
M
SE
: 1
,6
0 
y 
M
A
E
: 1
,9
0)
M
A
E
, R
M
SE
21
21
 a
tr
ib
ut
os
: e
da
d,
 
se
xo
, fi
eb
re
, s
ín
to
m
as
 y
 
va
ri
ab
le
s 
cl
ín
ic
as
.
4,
 3
, 5
Se
 o
bt
uv
o 
de
l C
en
tr
o 
de
 
M
on
it
or
eo
 E
pi
de
m
io
ló
gi
co
 
(E
M
C
) -
 O
fic
in
a 
de
 S
al
ud
 
Pú
bl
ic
a 
y 
Po
bl
ac
ió
n 
(P
H
PO
) -
Ta
iz
 C
it
y,
 Y
em
en
 
de
l 2
01
7 
al
 2
01
9.
Té
cn
ic
as
 e
fic
ie
nt
es
 d
e 
ap
re
nd
iz
aj
e 
au
to
m
át
ic
o 
(E
M
LT
):
 K
-N
ea
re
st
 N
ei
gh
bo
r 
(K
N
N
),
 
cl
as
ifi
ca
do
r 
de
 im
pu
ls
o 
de
 g
ra
di
en
te
 (G
B
C
),
 
cl
as
ifi
ca
do
r 
de
 á
rb
ol
 a
di
ci
on
al
 (E
TC
),
 im
pu
ls
o 
de
 g
ra
di
en
te
 e
xt
re
m
o 
(X
G
B
) y
 m
áq
ui
na
 d
e 
im
pu
ls
o 
de
 g
ra
di
en
te
 d
e 
lu
z 
(L
ig
ht
G
B
M
).
E
l m
ej
or
 m
od
el
o 
fu
e 
E
TC
 c
on
 u
na
 a
cc
ur
ac
y 
de
l 9
9,
03
%
, f
1-
sc
or
e 
de
l 9
9,
04
%
, p
re
ci
si
ón
 d
el
 
98
,9
2%
 y
 r
ec
al
l d
el
 9
9,
17
 %
.
A
cc
ur
ac
y,
 f1
-s
co
re
, 
re
ca
ll,
 p
re
ci
si
on
, 
A
U
C
, a
nd
 r
un
ti
m
e
22
La
 ll
uv
ia
 d
ia
ri
a 
(R
R
) y
 
la
 te
m
pe
ra
tu
ra
 m
áx
im
a 
(T
X
)
2
Lo
s 
da
to
s 
de
m
og
rá
fic
os
 
de
 N
ue
va
 C
al
ed
on
ia
 d
e 
lo
s 
ce
ns
os
 d
e 
19
69
, 1
97
6,
 1
98
3,
 
19
89
, 1
99
6,
 2
00
4,
 2
00
9,
 
20
14
 a
nd
 2
01
9.
 L
os
 d
at
os
 
cl
im
át
ic
os
 d
e 
un
a 
es
ta
ci
ón
 
m
et
eo
ro
ló
gi
ca
 d
e 
M
ét
éo
-
Fr
an
ce
 d
e 
19
70
 a
 2
02
0 
en
 F
au
bo
ur
g 
B
la
nc
ho
t, 
N
ou
m
éa
. 
SV
M
. S
e 
pr
es
en
ta
 u
n 
m
ét
od
o 
pa
ra
 e
va
lu
ar
 la
 
pr
ob
ab
ili
da
d 
se
m
an
al
 d
e 
un
 b
ro
te
 d
e 
de
ng
ue
 
pa
ra
 u
n 
lu
ga
r 
es
pe
cí
fic
o 
y 
pr
oy
ec
ta
r 
es
te
 r
ie
sg
o 
en
 u
n 
es
ce
na
ri
o 
de
 c
am
bi
o 
cl
im
át
ic
o.
Le
av
e 
Ti
m
e 
O
ut
 - 
C
ro
ss
 V
al
id
at
io
n 
(L
TO
 - 
C
V
)
20 RISTI, N.º 50, 06/2023
Una revisión sistemática de Modelos de clasificación de dengue utilizando machine learning
N
°
V
ar
ia
bl
es
/ 
ca
ra
ct
er
ís
ti
ca
s
C
at
eg
or
ía
F
u
en
te
 d
e 
d
at
os
A
lg
or
it
m
o/
 m
ét
od
o
M
ét
od
o 
d
e 
va
li
d
ac
ió
n
23
V
ar
ia
bl
es
 
ep
id
em
io
ló
gi
co
s,
 
ge
og
rá
fic
os
 y
 c
lim
át
ic
os
1,
 7
, 2
In
ci
de
nc
ia
s 
se
m
an
al
es
 d
e 
añ
os
 a
nt
er
io
re
s,
 v
ar
ia
bl
es
 
cl
im
át
ic
as
 s
em
an
al
es
 e
n 
B
ra
si
l y
 d
at
os
 d
e 
bú
sq
ue
da
 
en
 I
nt
er
ne
t e
n 
ti
em
po
 r
ea
l. 
Pe
ri
od
o 
de
 e
ne
ro
 d
el
 2
01
0 
a 
Ju
lio
 d
el
 2
01
6.
R
F 
y 
L1
 –
 b
as
ed
 (L
A
SS
O
 R
eg
re
ss
io
n)
.
Se
 d
et
er
m
in
ó 
qu
e 
R
F 
es
 m
ás
 c
on
si
st
en
te
 y
 
ro
bu
st
o 
qu
e 
LA
SS
O
.
R
M
SE
, r
el
at
iv
e 
R
M
SE
, R
2
24
V
ar
ia
bl
es
 c
lim
át
ic
as
2
Se
is
 c
iu
da
de
s 
de
 B
ra
si
l
SV
M
. 
R
an
do
m
 G
ue
ss
 (R
-G
ue
ss
) a
cc
ur
ac
y 
0.
8
Te
st
 M
ea
n 
A
cc
ur
ac
y
25
V
ar
ia
bl
es
 
ep
id
em
io
ló
gi
ca
s,
 
m
et
eo
ro
ló
gi
ca
s,
 
so
ci
od
em
og
rá
fic
as
1,
 4
, 2
D
at
os
 d
el
 S
is
te
m
a 
N
ac
io
na
l d
e 
In
fo
rm
ac
ió
n 
so
br
e 
E
nf
er
m
ed
ad
es
 
N
ot
ifi
ca
bl
es
 (S
IN
A
N
),
 
da
to
s 
m
et
eo
ro
ló
gi
co
s 
y 
da
to
s 
so
ci
od
em
og
rá
fic
os
 
de
l I
ns
ti
tu
to
 B
ra
si
le
ño
 d
e 
G
eo
gr
af
ía
 y
 E
st
ad
ís
ti
ca
s 
G
ra
di
en
t b
oo
st
in
g 
de
ci
si
on
 tr
ee
 a
lg
or
it
hm
 
(C
at
B
oo
st
),
 a
cc
ur
ac
y 
90
%
M
A
E
, R
M
SE
, a
nd
 
R
2
26
C
as
os
 d
e 
de
ng
ue
 d
el
 
20
12
 a
l 2
01
9 
y 
V
ar
ia
bl
es
 
cl
im
at
ol
óg
ic
os
 d
e 
11
 
ci
ud
ad
es
 d
e 
B
an
gl
ad
es
h
1,
 2
11
 d
is
tr
it
os
 d
ife
re
nt
es
 d
e 
B
an
gl
ad
es
h
M
od
el
o 
de
 a
pr
en
di
za
je
 a
ut
om
át
ic
o,
 r
eg
re
si
ón
 
lin
ea
l m
úl
ti
pl
e 
(M
LR
) y
 r
eg
re
si
ón
 d
e 
ve
ct
or
es
 
de
 s
op
or
te
 (S
V
R
).
 S
up
po
rt
 V
ec
to
r 
R
eg
re
ss
io
n 
(S
V
R
) 7
5%
 d
e 
pr
ec
is
ió
n.
Pr
ec
is
io
n,
 m
ea
n 
ab
so
lu
te
 e
rr
or
 
(M
A
E
) o
f mod
el
s
27
Te
m
pe
ra
tu
ra
 m
áx
im
a 
y 
m
ín
im
a,
 te
m
pe
ra
tu
ra
 
pr
om
ed
io
, p
re
ci
pi
ta
ci
ón
 
to
ta
l d
e 
la
 e
st
ac
ió
n 
m
et
eo
ro
ló
gi
ca
 c
lim
át
ic
a 
G
H
C
N
 d
e 
la
 N
O
A
A
. 
2
D
at
os
 d
e 
la
s 
ci
ud
ad
es
 d
e 
Sa
n 
Ju
an
 e
 I
qu
it
os
 
R
eg
re
si
ón
 li
ne
al
, S
er
ie
s 
de
 ti
em
po
, H
ea
t 
M
ap
pi
ng
, M
ov
ın
g 
m
ea
n.
 O
bt
uv
o 
m
ej
or
es
 
re
su
lt
ad
os
 e
s 
Li
ne
ar
 R
eg
re
ss
io
n 
co
n 
un
 M
A
E
 
de
 2
0.
77
M
ea
n 
ab
so
lu
te
 
er
ro
r 
(M
A
E
 
28
V
ar
ia
bl
es
 
E
pi
de
m
io
ló
gi
ca
s 
y 
V
ar
ia
bl
es
 c
lim
át
ic
as
 
(t
em
pe
ra
tu
ra
, v
el
oc
id
ad
 
de
l v
ie
nt
o,
 h
um
ed
ad
 y
 
llu
vi
a)
.
1,
 2
Lo
s 
da
to
s 
co
nt
ie
ne
n 
5 
añ
os
 
(2
01
3 
a 
20
17
) d
e 
ca
so
s 
se
m
an
al
es
 p
ar
a 
ci
nc
o 
di
st
ri
to
s 
en
 S
el
an
go
r,
 
M
al
as
ia
: G
om
ba
k,
 H
ul
u 
Se
la
ng
or
, H
ul
u 
La
ng
at
, 
K
la
ng
 y
 P
et
al
in
g.
C
la
ss
ifi
ca
ti
on
 a
nd
 R
eg
re
ss
io
n 
Tr
ee
 (C
A
R
T)
, 
A
rt
ifi
ci
al
 N
eu
ra
l N
et
w
or
k 
(M
LP
),
 S
V
M
 
(L
IN
E
A
R
, P
O
LY
N
O
M
IA
L,
 R
B
F)
, a
nd
 B
ay
es
 
N
et
w
or
k 
(T
A
N
).
 S
V
M
 (n
úc
le
o 
lin
ea
l)
 e
xh
ib
ió
 
el
 m
ej
or
 r
en
di
m
ie
nt
o 
de
 p
re
di
cc
ió
n 
co
n 
un
a 
ex
ac
ti
tu
d 
de
 7
0 
%
.
A
cc
ur
ac
y,
 
se
ns
it
iv
it
y 
, a
nd
 
pr
ec
is
io
n
21RISTI, N.º 50, 06/2023
RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação
N
°
V
ar
ia
bl
es
/ 
ca
ra
ct
er
ís
ti
ca
s
C
at
eg
or
ía
F
u
en
te
 d
e 
d
at
os
A
lg
or
it
m
o/
 m
ét
od
o
M
ét
od
o 
d
e 
va
li
d
ac
ió
n
29
V
ar
ia
bl
es
 
si
nt
om
at
ol
óg
ic
as
 
y 
cl
im
at
ol
óg
ic
as
 
(L
oc
at
io
n,
 T
em
pe
ra
tu
re
, 
Pr
ec
ip
it
at
io
n,
 H
um
id
it
y,
 
an
d 
V
eg
et
at
io
n)
3,
 2
D
ri
ve
nD
at
a 
W
eb
si
te
 d
e 
do
s 
ci
ud
ad
es
 S
an
 J
ua
n 
e 
Iq
ui
to
s
M
ac
hi
ne
 L
ea
rn
in
g 
R
eg
re
ss
io
n,
 r
eg
re
ss
io
n 
ne
ur
al
 n
et
w
or
k,
 R
F,
 N
eg
at
iv
e 
bi
no
m
ia
l 
re
gr
es
si
on
, P
oi
ss
on
 R
eg
re
ss
io
n,
 D
ec
is
io
n 
Tr
ee
 R
eg
re
ss
io
n 
(D
TR
),
 N
B
, S
V
M
, k
-n
ea
re
st
 
ne
ig
hb
or
 (k
-N
N
) R
eg
re
ss
io
n,
 A
da
B
oo
st
, 
B
ag
gi
ng
 w
it
h 
de
ci
si
on
 tr
ee
. O
bt
uv
o 
m
ej
or
es
 
re
su
lt
ad
os
 R
ec
ur
re
nt
 N
eu
ra
l N
et
w
or
k 
(R
N
N
) 
co
n 
m
em
or
ia
 a
 la
rg
o 
pl
az
o 
(L
ST
M
) c
on
 u
na
 
pr
ec
is
ió
n 
de
l 9
4%
M
ea
n 
ab
so
lu
te
 
er
ro
r 
(M
A
E
30
V
ar
ia
bl
es
 
si
nt
om
at
ol
óg
ic
as
3
C
on
ju
nt
os
 d
e 
da
to
s 
de
 
cl
as
ifi
ca
ci
ón
 d
e 
de
ng
ue
 
es
tá
nd
ar
J4
8,
 R
F,
 D
T 
y 
A
lg
or
it
m
o 
pr
op
ue
st
o 
(P
SO
 - 
 
SV
M
).
 O
bt
uv
o 
m
ej
or
es
 r
es
ul
ta
do
s 
el
 a
lg
or
it
m
o 
pr
op
ue
st
o 
co
n 
87
%
 d
e 
ac
cu
ra
cy
M
A
E
31
V
ar
ia
bl
es
 
ep
id
em
io
ló
gi
ca
s 
y 
va
ri
ab
le
s 
cl
im
at
ol
óg
ic
as
: 
Te
m
pe
ra
tu
ra
 y
 h
um
ed
ad
1,
 2
C
as
os
 d
e 
D
F 
re
po
rt
ad
os
 
pa
ra
 J
ed
da
h 
C
it
y,
 A
ra
bi
a 
Sa
ud
it
a.
 L
a 
te
m
pe
ra
tu
ra
 
y 
hu
m
ed
ad
 d
el
 R
es
ea
rc
h 
D
at
a 
A
rc
hi
ve
 a
t t
he
 
N
at
io
na
l C
en
te
r 
fo
r 
A
tm
os
ph
er
ic
 R
es
ea
rc
h
R
eg
re
si
ón
 li
ne
al
 y
 tr
es
 m
od
el
os
 n
o 
lin
ea
le
s 
(r
eg
re
si
ón
 d
e 
ve
ct
or
es
 d
e 
so
po
rt
e,
 r
eg
re
si
ón
 
de
 á
rb
ol
es
 d
e 
de
ci
si
ón
 y
 r
eg
re
si
ón
 d
el
 b
os
qu
e 
al
ea
to
ri
o)
. O
bt
uv
o 
m
ej
or
 r
es
ul
ta
do
s 
Su
pp
or
t 
V
ec
to
r 
C
la
ss
ifi
ca
ti
on
 c
on
 7
6 
%
 d
e 
ac
cu
ra
cy
Pr
ec
is
io
n
32
 V
ar
ia
bl
es
 
si
nt
om
at
ol
óg
ic
as
3
C
on
ju
nt
o 
de
 d
at
os
 c
on
 1
24
 
m
ue
st
ra
s 
y 
8 
ca
ra
ct
er
ís
ti
ca
s 
de
sc
ar
ga
do
 d
e 
K
ag
gl
e
A
ná
lis
is
 d
e 
ap
re
nd
iz
aj
e 
au
to
m
át
ic
o 
(D
FE
S-
M
LA
) u
ti
liz
a 
cl
as
ifi
ca
do
re
s 
de
 á
rb
ol
 d
e 
de
ci
si
ón
 
(D
T)
 y
 b
os
qu
e 
al
ea
to
ri
o 
(R
F)
. 
O
bt
uv
o 
m
ej
or
 
re
su
lt
ad
o 
R
an
do
m
 F
or
es
t c
on
 u
n 
ac
cu
ra
cy
 d
e 
0.
97
.
A
cc
ur
ac
y.
33
V
ar
ia
bl
es
 
si
nt
om
at
ol
óg
ic
as
3
C
on
ju
nt
os
 d
e 
da
to
s 
de
 
cl
as
ifi
ca
ci
ón
 d
e 
de
ng
ue
 
es
tá
nd
ar
R
eg
re
si
ón
 li
ne
al
 m
úl
ti
pl
e 
(M
LR
),
 A
N
O
V
A
. 
O
bt
uv
o 
m
ej
or
es
 r
es
ul
ta
do
s 
M
ul
ti
pl
e 
Li
ne
ar
 
R
eg
re
ss
io
n 
co
n 
75
%
 d
e 
ac
cu
ra
cy
.
ac
cu
ra
cy
 a
nd
 
pe
rf
or
m
an
ce
Ta
bl
a 
4 
–
 V
ar
ia
bl
es
/c
ar
ac
te
rí
st
ic
as
 s
el
ec
ci
on
ad
as
, c
at
eg
or
ía
, f
ue
nt
e 
de
 d
at
os
, a
lg
or
it
m
o 
/ 
m
ét
od
o 
de
 m
ac
hi
ne
 le
ar
ni
ng
 y
 m
ét
od
o 
de
 
va
lid
ac
ió
n 
en
 c
ad
a 
ar
tí
cu
lo
.
22 RISTI, N.º 50, 06/2023
Una revisión sistemática de Modelos de clasificación de dengue utilizando machine learning
en las investigaciones podemos mencionar: Fiebre, dolor de cabeza, dolor corporal, 
artralgias, mialgias, náuseas, mareo, hemorragia, entre otros. 
A nivel mundial existe un consenso para clasificar los tipos de contagios por dengue, 
siendo tres: Dengue sin signos de alerta, Dengue con signos alerta y Dengue hemorrágico 
o grave, y siendo la última la más peligrosa para la salud, y aunque es el que se da en 
muy baja proporción, puede haber riesgo de muerte de no tratarse a tiempo, de las 
33 investigaciones seleccionadas, 2 investigaciones han abordado detalladamente la 
detección del dengue hemorrágico.
Con respecto a las técnicas y algoritmos de machine learning se puede denotar que 
hay una fuerte tendencia al uso de redes neuronales (17 estudios), ya que, debido a su 
variedad de topologías, son muy adaptables en diferentes tipos de investigación tanto 
para clasificación, como para regresión. Dentro de los modelos de redes neuronales 
utilizados podemos citar: ANN (7 estudios), LSTM (3 estudios), MLP (2 estudios), CNN 
(2 estudios), RNN (1 estudio), BPNN (1 estudio) y Perceptrón (1 estudio). Otras de las 
técnicas de machine learning que tuvieron gran incidencia fueron: SVM (12 estudios) 
seguida por RF (8 estudios), DT (6 estudios), Naive Bayes (4 estudios) para la detección 
del contagio de la enfermedad. Otras investigaciones se enfocaron hacia la regresión de 
datos, siendo las de mayor incidencia Logistic regression (5 estudios), Support vector 
regression (5 estudios), Linear regression (4 estudios) y Machine learning regression 
(4 estudios). También se utilizó métodos de series de tiempo con el uso de LSTM (3 
estudios) y ARIMA y sus variantes (4 estudios).
Considerando la precisión de los modelos para la detección del dengue, se encontró que 
9 artículos tuvieron como accuracy un valor mayor o igual que 70% y menor de 80%, 6 
artículos tuvieron un valor mayor o igual a 80% y menor de 90%, 11 artículos tuvieron 
un valor mayor o igual a 90% y menor o igual a 100%, presentándose también que 7 
artículos no especificaban el valor de precisión.
5. Conclusiones
Se llega a la conclusión que los métodos de machine learning que son más utilizados en la 
detección del contagio de dengue son las redes neuronales siendo las más ampliamente 
utilizadas las redes neuronales artificiales convolucionales y perceptrón multicapa. Para 
lo que corresponde a predicción de brotes de dengue se utilizaron preferentemente los 
modelos de serie de tiempo con LSTM y los modelos ARIMA con sus variantes, estos 
últimos más ligados a modelos estadísticos.
Existe una fuerte tendencia hacia la inclusión de variables climáticas en los modelos de 
machine learning que ayuden a mejorar la predicción, debido a que el mosquito que lo 
trasmitetiene un hábitat con variables climáticas establecidas. Así mismo, la segunda 
categoría con mayor incidencia fue la epidemiológica debido a que los países están 
dando mayor importancia al control y monitoreo de enfermedades arbovirósicas como 
lo es el dengue, a través de la publicación de tasas relacionadas con las infecciones en los 
portales web oficiales, siendo esta data de fácil acceso a los investigadores.
Por último, se debe señalar que una gran cantidad de artículos (11) mostraron un 
rango de precisión mayor o igual al 90%, lo que se puede considerar como un rango 
23RISTI, N.º 50, 06/2023
RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação
de precisión aceptable para modelos de machine learning que busquen detectar la 
enfermedad del dengue. 
Referencias
Abdualgalil, B., Abraham, S., & Ismael, W. M. (2022). Early Diagnosis for Dengue 
Disease Prediction Using Efficient Machine Learning Techniques Based on Clinical 
Data. Journal of Robotics and Control, 3(3), 257–268. https://doi.org/10.18196/
jrc.v3i3.14387
Aleixo, R., Kon, F., Rocha, R., Camargo, M. S., & Camargo, R. Y. (2022). Predicting 
Dengue Outbreaks with Explainable Machine Learning. In 2022 22nd International 
Symposium on Cluster, Cloud and Internet Computing (CCGrid) 2022, (940–947). 
https://doi.org/10.1109/CCGrid54584.2022.00114
Appice, A., Gel, Y. R., Iliev, I., Lyubchich, V., & Malerba, D. (2020). A Multi-Stage 
Machine Learning Approach to Predict Dengue Incidence: A Case Study in Mexico. 
IEEE Access, 8, 52713–52725. https://doi.org/10.1109/ACCESS.2020.2980634
Baker, Q. B., Faraj, D., & Alguzo, A. (2021). Forecasting Dengue Fever Using Machine 
Learning Regression Techniques. In 2021 12th International Conference on 
Information and Communication Systems, ICICS 2021, May, 157–163. https://doi.
org/10.1109/ICICS52457.2021.9464619
Balamurugan, S. A., Mallick, M. S. M., & Chinthana, G. (2020). Improved prediction 
of dengue outbreak using combinatorial feature selector and classifier based on 
entropy weighted score based optimal ranking. Informatics in Medicine Unlocked, 
20(March), 100400. https://doi.org/10.1016/j.imu.2020.100400
Bauxell, J., Vall-llossera, M., & Gurgel, H. (2021). Machine learning techniques using 
enviromental data from remote sensing applied to modeling dengue risk in Brazil. In 
International Geoscience and Remote Sensing Symposium, (4608–4611). https://
doi.org/10.1109/IGARSS47720.2021.9554704
Benedum, C. M., Shea, K. M., Jenkins, H. E., Kim, L. Y., & Markuzon, N. (2020). 
Weekly dengue forecasts in Iquitos, Peru; San Juan, Puerto Rico; and Singapore. 
PLoS Neglected Tropical Diseases, 14(10), 1–26. https://doi.org/10.1371/journal.
pntd.0008710
Bokonda, P. L., Ouazzani-Touhami, K., & Souissi, N. (2021). Which Machine Learning 
method for outbreaks predictions? In 2021 IEEE 11th Annual Computing and 
Communication Workshop and Conference, CCWC 2021, Ml, (825–828). https://
doi.org/10.1109/CCWC51732.2021.9376061
Bravo, J., Alarcón, R., Valdivia, C., & Serquén, O. (2023). Application of Machine 
Learning Techniques to Predict Visitors to the Tourist Attractions of the Moche 
Route in Peru. Sustainability, 15(11), 8967. https://doi.org/10.3390/SU15118967
Chattopadhyay, A. K., & Chattopadhyay, S. (2022). VIRDOCD: A VIRtual DOCtor to 
predict dengue fatality. Expert Systems, 39(1), 1–17. https://doi.org/10.1111/
exsy.12796
24 RISTI, N.º 50, 06/2023
Una revisión sistemática de Modelos de clasificación de dengue utilizando machine learning
Choubey, D. K., Mishra, A., Pradhan, S. K., & Anand, N. (2021). Soft computing 
techniques for dengue prediction. In Proceedings - 2021 IEEE 10th International 
Conference on Communication Systems and Network Technologies, CSNT 2021, 
(648–653). https://doi.org/10.1109/CSNT51715.2021.9509706
Cubas, J. V., & Maquen-Niño, G. L. E. (2022). Machine learning model in the detection 
of phishing websites. RISTI - Revista Ibérica de Sistemas e Tecnologias de 
Informação, (E52), 161–173. https://www.scopus.com/record/display.uri?eid=2-
s2.0-85143599912&origin=resultslist&sort=plf-f
Ferdousi, T., Cohnstaedt, L. W., & Scoglio, C. M. (2021). A Windowed Correlation-Based 
Feature Selection Method to Improve Time Series Prediction of Dengue Fever Cases. 
IEEE Access, 9, 141210–141222. https://doi.org/10.1109/ACCESS.2021.3120309
Ho, T. S., Weng, T. C., Wang, J., Der Han, H. C., Cheng, H. C., Yang, C. C., Yu, C. H., 
Liu, Y. J., Hu, C. H., Huang, C. Y., Chen, M. H., King, C. C., Oyang, Y. J., & Liu, 
C. C. (2020). Comparing machine learning with case-control models to identify 
confirmed dengue cases. PLoS Neglected Tropical Diseases, 14(11), 1–21. https://
doi.org/10.1371/journal.pntd.0008843
Huang, S. W., Tsai, H. P., Hung, S. J., Ko, W. C., & Wang, J. R. (2020). Assessing the 
risk of dengue severity using demographic information and laboratory test results 
with machine learning. PLoS Neglected Tropical Diseases, 14(12) 1–19. https://doi.
org/10.1371/journal.pntd.0008960
Kamesh, R., & Sivakumar, N. (2020). Design and implementation of realtime detection 
of dengue using machine learning. Journal of Advanced Research in Dynamical 
and Control Systems, 12(5 Special Issue), 1013–1025. https://doi.org/10.5373/
JARDCS/V12SP5/20201851
Kaur, L., Bhatia, R., & Nagpal, S. (2021). A Machine Learning Approach for Predicting 
Dengue Outbreak. In Proceedings - 2021 3rd International Conference on Advances 
in Computing, Communication Control and Networking, ICAC3N 2021, (60–65). 
https://doi.org/10.1109/ICAC3N53548.2021.9725539
Khan Dourjoy, S., Rabbani Rafi, A., Nasrin Tumpa, Z., & Saifuzzaman, M. (2021). A 
Comparative Study on Prediction of Dengue Fever Using Machine Learning 
Algorithm. In Lecture Notes in Networks and Systems (Vol. 127). https://doi.
org/10.1007/978-981-15-4218-3_15
Koplewitz, G., Lu, F., Clemente, L., Buckee, C., & Santillana, M. (2022). Predicting 
dengue incidence leveraging internet-based data sources. A case study in 20 
cities in Brazil. PLoS Neglected Tropical Diseases, 16(1). https://doi.org/10.1371/
JOURNAL.PNTD.0010071
Kumar, S., Rahman, M., Howlader, A., Siddiqi, U., Mohi, K., Borhan, R., & Rahman, 
E. (2022). Prediction of dengue incidents using hospitalized patients, metrological 
and socio-economic data in Bangladesh_ A machine learning. Plos One. https://
doi.org/https://doi.org/10.1371/journal.pone.0270933
25RISTI, N.º 50, 06/2023
RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação
Maquen-Niño, G. L. E., Sandoval-Juarez, A. A., Veliz La Rosa, R. A., Carrión-Barco, G., 
Adrianzén-Olano, I., Vega-Huerta, H., & De-La-Cruz-VdV, P. (2023). Brain Tumor 
Classification Deep Learning Model Using Neural Networks. International Journal 
of Online and Biomedical Engineering, 19(9), 81–92. https://doi.org/10.3991/
IJOE.V19I09.38819
Maquen-Niño, G. L. E., Villegas-Cubas, J. E., Celis-Bravo, P. J., Carrión-Barco, G., 
& Adrianzen-Olano, I. (2022). Integrative methodology model for the creation 
of pathfinding systems. RISTI - Revista Iberica de Sistemas e Tecnologias de 
Informacao, (E51), 46–57. https://www.researchgate.net/publication/370442097_
Integrative_methodology_model_for_the_creation_of_pathfinding_systems
McGough, S., Clemente, L., Kutz, N., & Santillana, M. (2021). A dinamyc, ensemble 
leanring approach to forecast dengue fever epidemic years in Brazil using weather 
and population susceptibility cycles. RSIF. 18(179). https://doi.org/10.1098/
rsif.2020.1006
Nalini, C., Shanthakumari, R., Prasanna, R. V., Nikilesh, A., & Pranav, S. M. N. (2022). 
Prediction of dengue infection using Machine Learning. In 2022 International 
Conference on Computer Communication and Informatics, ICCCI 2022; https://
doi.org/10.1109/ICCCI54379.2022.9740924
Nguyen, V.-H., Tuyet-Hanh, T. T., Mulhall, J., Minh, H. V., Duong, T. Q., Chien, N. 
V., Nhung, N. T. T., Lan, V. H., Minh, H. B., Cuong, D., Bich, N. N., Quyen, N. H., 
Linh, T. N. Q., Tho, N. T., Nghia, N. D., Anh, L. V. Q., Phan, D. T. M., Hung, N. Q. 
V.,& Son, M. T. (2022). Deep learning models for forecasting dengue fever based 
on climate data in Vietnam. PLOS Neglected Tropical Diseases, 16(6), e0010509. 
https://doi.org/10.1371/journal.pntd.0010509
Ochida, N., Mangeas, M., Dupont-Rouzeyrol, M., Dutheil, C., Forfait, C., Peltier, A., 
Descloux, E., & Menkes, C. (2022). Modeling present and future climate risk of 
dengue outbreak, a case study in New Caledonia. Environmental Health: A Global 
Access Science Source, 21(1), 1–10. https://doi.org/10.1186/s12940-022-00829-z
OMS. (2022). Dengue y dengue grave. https://www.who.int/es/news-room/fact-
sheets/detail/dengue-and-severe-dengue
Pérez, L. G. A., García, M. I. B., Babici, V. R., & Monge, E. J. A. (2022). Dengue fever 
after the covid-19 pandemic: a statistical software analysis of its current situation in 
Ecuador. RISTI - Revista Iberica de Sistemas e Tecnologias de Informacao, (E53), 
362–374.
Rahman, M. S., Pientong, C., Zafar, S., Ekalaksananan, T., Paul, R. E., Haque, U., Rocklöv, 
J., & Overgaard, H. J. (2021). Mapping the spatial distribution of the dengue 
vector Aedes aegypti and predicting its abundance in northeastern Thailand using 
machine-learning approach. One Health, 13(December). https://doi.org/10.1016/j.
onehlt.2021.100358
26 RISTI, N.º 50, 06/2023
Una revisión sistemática de Modelos de clasificación de dengue utilizando machine learning
Raizada, S., Mala, S., & Shankar, A. (2020). Vector borne disease outbreak prediction 
by machine learning. In Proceedings of the International Conference on Smart 
Technologies in Computing, Electrical and Electronics, ICSTCEE 2020, (213–218). 
https://doi.org/10.1109/ICSTCEE49637.2020.9277286
Rana, S. K., Boruah, A. N., Biswas, S. K., Chakraborty, M., & Purkayastha, B. (2022). 
Dengue Fever Prediction using Machine Learning Analytics. In 2022 International 
Conference on Machine Learning, Big Data, Cloud and Parallel Computing. https://
doi.org/10.1109/COM-IT-CON54601.2022.9850923
Salim, N. A. M., Wah, Y. B., Reeves, C., Smith, M., Yaacob, W. F. W., Mudin, R. N., 
Dapari, R., Sapri, N. N. F. F., & Haque, U. (2021). Prediction of dengue outbreak 
in Selangor Malaysia using machine learning techniques. Scientific Reports, 11(1), 
1–9. https://doi.org/10.1038/s41598-020-79193-2
Sarma, D., Hossain, S., Mittra, T., Bhuiya, M. A. M., Saha, I., & Chakma, R. (2020). 
Dengue Prediction using Machine Learning Algorithms. In IEEE Region 10 
Humanitarian Technology Conference, R10-HTC. https://doi.org/10.1109/R10-
HTC49770.2020.9357035
Siddiq, A., Shukla, N., & Pradhan, B. (2021). Predicting Dengue Fever Transmission 
Using Machine Learning Methods. In 2021 IEEE International Conference on 
Industrial Engineering and Engineering Management, IEEM 2021, 2007, (21–26). 
https://doi.org/10.1109/IEEM50564.2021.9672977
Singh, K. D. (2021). Particle Swarm Optimization assisted Support Vector Machine 
based Diagnostic System for Dengue prediction at the early stage. In Proceedings 
- 2021 3rd International Conference on Advances in Computing, Communication 
Control and Networking, ICAC3N 2021, (844–848). https://doi.org/10.1109/
ICAC3N53548.2021.9725670
Souza, C., Maia, P., Stolerman, L. M., Rolla, V., & Velho, L. (2022). Predicting dengue 
outbreaks in Brazil with manifold learning on climate data (Formula presented). 
Expert Systems with Applications, 192(November 2020), 116324. https://doi.
org/10.1016/j.eswa.2021.116324
Srivastava, S., Soman, S., Rai, A., & Cheema, A. S. (2020). An online learning 
approach for dengue fever classification. In Proceedings - IEEE Symposium 
on Computer-Based Medical Systems, (pp. 163–168). https://doi.org/10.1109/
CBMS49503.2020.00038
Sukama, Y., Hertono, G. F., Handari, B. D., & Aldila, D. (2020). Comparing activation 
functions in predicting dengue hemorrhagic fever cases in DKI Jakarta using u. In 
AIP Conference Proceedings, 2296. https://doi.org/10.1063/5.0030456
Tanawi, I. N., Vito, V., Sarwinda, D., Tasman, H., & Hertono, G. F. (2021). Support 
Vector Regression for Predicting the Number of Dengue Incidents in DKI Jakarta. 
Procedia Computer Science, 179(2020), 747–753. https://doi.org/10.1016/j.
procs.2021.01.063
27RISTI, N.º 50, 06/2023
RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação
Xu, J., Xu, K., Li, Z., Meng, F., Tu, T., Xu, L., & Liu, Q. (2020). Forecast of dengue 
cases in 20 chinese cities based on the deep learning method. International Journal 
of Environmental Research and Public Health, 17(2). https://doi.org/10.3390/
ijerph17020453
Yavari Nejad, F., & Varathan, K. D. (2021). Identification of significant climatic risk 
factors and machine learning models in dengue outbreak prediction. BMC Medical 
Informatics and Decision Making, 21(1), 1–12. https://doi.org/10.1186/s12911-021-
01493-y