Revista Científica Ciencia y Método | Vol.04 | Núm.01 | Ene–Mar | 2026 | www.revistacym.com pág. 1
Modelo de Inteligencia artificial para el diagnóstico
del dengue
Artificial intelligence model for dengue diagnosis
Arroyo-Ruales, Wilson Efren
1
Soria-Poma, Xavier
2
https://orcid.org/0009-0003-4853-7982
https://orcid.org/0000-0003-2997-2439
wilson.arroyo@espoch.edu.ec
xavier.soria@espoch.edu.ec
Escuela Superior Politécnica de Chimborazo,
Ecuador, Riobamba
Escuela Superior Politécnica de Chimborazo,
Ecuador, Riobamba.
Autor de correspondencia
1
DOI / URL: https://doi.org/10.55813/gaea/rcym/v4/n1/126
Resumen: El diagnóstico diferencial del dengue frente a
otras arbovirosis representa un desafío clínico
significativo en regiones endémicas. Este estudio más
allá de proponer un modelo de Inteligencia Artificial (AI)
para el diagnóstico del Dengue, realiza un estudio y
preparación del entorno de los conjuntos de datos de
Dengue para entrenar moledos de AI, especilamente de
machine learning. Este estudio evaluó la efectividad de
técnicas de machine learning aprendizaje supervisado
para predecir la infección por dengue utilizando datos
clínicos y demográficos. Se evaluaron varios algoritmos
de clasificación binaria tanto paramétricos como no
paramétricos mediante un proceso de validación cruzada
y métricas de desempeño ampliamente utilizadas como
el accuracy o el F1-score. Se halló que la calidad del dato
afecta el resultado del modelo ya que en el dataset
balanceado y con datos mejor tratados, el modelo binario
entrega mejores resultados que en el dataset
desbalanceado o con ruido en sus registros. Se concluye
que, revisado evidencias cuantitativas, se necesita
realizar un estudio y experimentación más profunda de
los dataset de Dengue para facilitar el proceso de
entramiento de los modelos de machine learning.
Palabras clave: dengue; aprendizaje supervisado;
regresión logística; boosting; Multi Layer Perceptron
Artículo Científico
Received: 25/Nov/2025
Accepted: 12/Dic/2025
Published: 05/Ene/2026
Cita: Arroyo-Ruales, W. E., & Soria-Poma,
X. (2026). Modelo de Inteligencia artificial
para el diagnóstico del dengue. Revista
Científica Ciencia Y Método, 4(1), 1-
13. https://doi.org/10.55813/gaea/rcym/v4/n
1/126
Revista Científica Ciencia y Método (RCyM)
https://revistacym.com
revistacym@editorialgrupo-aea.com
info@editoriagrupo-aea.com
© 2026. Este artículo es un documento de
acceso abierto distribuido bajo los términos
y condiciones de la Licencia Creative
Commons, Atribución-NoComercial 4.0
Internacional.
Revista Científica Ciencia y Método | Vol.04 | Núm.01 | Ene–Mar | 2026 | www.revistacym.com pág. 2
Artículo Científico
Abstract:
The differential diagnosis of dengue from other arboviral diseases presents a
significant clinical challenge in endemic regions. This study, beyond proposing an
Artificial Intelligence (AI) model for dengue diagnosis, examines and prepares the
environment of dengue datasets for training AI models, particularly machine learning
models. This study evaluated the effectiveness of supervised machine learning
techniques for predicting dengue infection using clinical and demographic data.
Several parametric and non-parametric binary classification algorithms were evaluated
through cross-validation and widely used performance metrics such as accuracy and
F1-score. It was found that data quality affects model performance, as the binary model
delivers better results in balanced datasets with better-processed data than in
unbalanced datasets or those with noise in their records. Based on quantitative
evidence, the study concludes that further study and experimentation with dengue
datasets are needed to facilitate the training process for machine learning models.
Keywords: dengue; supervised learning; logistic regression; boosting; Multi-Layer
Perceptor.
1. Introducción
El dengue es una enfermedad viral transmitida por mosquitos del género Aedes,
principalmente Aedes aegypti, que constituye una de las mayores amenazas para la
salud pública a nivel global (Bhatt et al., 2013; Brady & Hay, 2020). Según la
Organización Mundial de la Salud (World Health Organization [WHO], 2025), hasta
julio de 2025 se han reportado al menos 4 millones de casos de dengue, con alrededor
de 3 000 muertes. En la región de las Américas, la Organización Panamericana de la
Salud (Pan American Health Organization [PAHO], 2025) consolidó hasta noviembre
de 2025 aproximadamente 4,2 millones de casos sospechosos, de los cuales
fallecieron 2 099 personas. Estas cifras probablemente subestiman la verdadera
magnitud del problema debido al subregistro y a las limitaciones diagnósticas.
Actualmente no se dispone de una cura específica para el dengue; el tratamiento se
basa principalmente en una hidratación adecuada y en el uso de analgésicos para
mitigar el dolor y la fiebre (WHO, 2025). La sintomatología incluye fiebre, mialgias,
cefalea, náuseas y vómitos, entre otros signos y síntomas (Quinn et al., 2018; Peeling
et al., 2010). Esta presentación clínica es muy similar a la de otras arbovirosis, como
chikungunya y zika, lo que dificulta el diagnóstico diferencial y aumenta el riesgo de
clasificaciones erróneas (Beltrán-Silva et al., 2018; Peeling et al., 2010).
El diagnóstico del dengue se apoya en pruebas directas orientadas a la detección del
virus y pruebas indirectas centradas en la respuesta inmune del huésped. Entre las
primeras se incluyen el aislamiento viral, las pruebas de reacción en cadena de la
Revista Científica Ciencia y Método | Vol.04 | Núm.01 | Ene–Mar | 2026 | www.revistacym.com pág. 3
Artículo Científico
polimerasa (PCR) y la detección del antígeno NS1; entre las segundas, la detección
de anticuerpos IgM e IgG específicos (Peeling et al., 2010; WHO, 2016). Sin embargo,
la disponibilidad de estos métodos puede ser limitada en contextos de escasos
recursos, lo que abre espacio para enfoques complementarios basados en datos
clínicos y epidemiológicos.
En este contexto, el aprendizaje automático se ha propuesto como una herramienta
para mejorar la detección y clasificación de pacientes con sospecha de dengue (Bohm
et al., 2024). El diagnóstico se plantea como un problema de clasificación binaria,
donde los algoritmos aprenden a distinguir entre casos positivos y negativos a partir
de un conjunto de variables clínicas, demográficas y, en algunos casos,
epidemiológicas. Entre las técnicas más empleadas se encuentran la regresión
logística (Lukman et al., 2024), los árboles de decisión, Random Forest (Hu et al.,
2020; Boateng et al., 2020), los métodos de boosting como AdaBoost y XGBoost
(Hatwell et al., 2020; Hu et al., 2020), KNN (Boateng et al., 2020) y las redes
neuronales (Boateng et al., 2020; Weng & Szolovits, 2020).
El presente estudio emplea los datos de Bohm et al. (2024), que comprenden 20 000
registros, y de Neto et al. (2023), con 17 172 observaciones. Ambos conjuntos recogen
información sobre síntomas clínicos, comorbilidades y características demográficas
de los pacientes. Los síntomas incluyen fiebre, mialgia, cefalea, exantema, náuseas,
artralgia, petequias, leucopenia y los días de evolución de la enfermedad. Las
comorbilidades abarcan diabetes, hipertensión, enfermedades hepáticas, renales y
hematológicas. Las variables sociodemográficas del paciente comprenden el sexo, la
edad, el estado de gestación, la raza y la zona de residencia.
A fin de garantizar un entorno adecuado de análisis y compatibilidad con los algoritmos
de aprendizaje supervisado, se implementó un proceso sistemático de
preprocesamiento. En la primera etapa, las variables categóricas se codificaron a
formato numérico binario (1 = presencia, 0 = ausencia) y se definió la variable objetivo
como dengue = 1 y no dengue = 0. En esta fase inicial no se aplicó una curación
exhaustiva de los datos, con el propósito de evaluar el impacto directo de la calidad
original del registro sobre el desempeño de los modelos. Posteriormente, ambos
conjuntos se dividieron aleatoriamente en una muestra de entrenamiento (90 %) y una
muestra de prueba (10 %), siguiendo las recomendaciones de la literatura sobre
muestreo en problemas de clasificación (Anderson, 2007; Lohr, 2021).
Con los datos preparados, se construyeron varios modelos de clasificación binaria,
incluyendo métodos paramétricos y no paramétricos. El desempeño de cada modelo
se evaluó mediante métricas ampliamente utilizadas en machine learning como
accuracy, precisión, recall y F1-score (Grandini et al., 2020). Este enfoque permitió
comparar la capacidad predictiva de los algoritmos y determinar cuáles presentan
mayor robustez para la identificación de casos de dengue frente a casos no dengue.
Revista Científica Ciencia y Método | Vol.04 | Núm.01 | Ene–Mar | 2026 | www.revistacym.com pág. 4
Artículo Científico
2. Materiales y métodos
Consideraciones generales sobre datos de salud y aprendizaje automático:
Desde la perspectiva del aprendizaje automático aplicado a enfermedades virales, la
literatura especializada coincide en que la calidad del modelo depende en gran medida
de la calidad del dato, más que de la sofisticación del algoritmo seleccionado (Maletzky
et al., 2022; Bohm et al., 2024; Neto et al., 2023). Aspectos como el ruido en las
etiquetas, los valores faltantes, la inconsistencia entre fuentes y el desbalance de
clases pueden degradar significativamente el rendimiento de los modelos, aun cuando
se utilicen técnicas avanzadas.
En el caso específico del dengue, diversos autores recomiendan combinar el criterio
clínico, la inspección manual de los registros y procedimientos automatizados de
limpieza, con el fin de reducir errores sistemáticos en los sistemas de vigilancia (Shi
et al., 2021; Syed et al., 2023). En los datos de salud digitales, dimensiones como
accesibilidad, completitud, consistencia, validez contextual y actualidad influyen
directamente en los resultados analíticos (Syed et al., 2023; Hosseinzadeh et al.,
2025). Las intervenciones más efectivas son aquellas que integran retroalimentación
operacional, capacitación del personal y soluciones informáticas, articularndo la
limpieza técnica con mejoras en los flujos de captura para prevenir la recurrencia de
errores (Ahmed et al., 2023; Lighterness et al., 2024).
3. Resultados
3.1. Repositorio SINAN y datasets de dengue
El Sistema de Informação de Agravos de Notificação (SINAN) de Brasil (Sistema de
Informação de Agravos de Notificação, 2025) dispone de un repositorio de datos con
información detallada sobre síntomas, características demográficas y comorbilidades
de los pacientes. La base incluye variables como fiebre, cefalea, mialgia, náuseas,
vómito, rash cutáneo, dolor retroocular, artralgia y leucopenia, así como
comorbilidades y variables sociodemográficas adicionales. Este nivel de granularidad
es esencial para entrenar algoritmos capaces de distinguir entre casos de dengue y
no dengue.
En este contexto, los conjuntos de datos derivados del SINAN y empleados
previamente por Bohm et al. (2024) y Neto et al. (2023), denominados Dengue20K y
Dengue17K, respectivamente, se consideraron la opción más apropiada para entrenar
y evaluar modelos de IA orientados al diagnóstico del dengue. El conjunto Dengue20K
contiene 20 000 registros individuales e incluye una variable dependiente binaria que
clasifica cada caso como dengue o no dengue. La variable objetivo está
completamente balanceada, con 10 000 casos de dengue y 10 000 de no dengue, e
incorpora variables clínicas y sociodemográficas codificadas principalmente en
formato binario.
Revista Científica Ciencia y Método | Vol.04 | Núm.01 | Ene–Mar | 2026 | www.revistacym.com pág. 5
Artículo Científico
El segundo conjunto, Dengue17K, está compuesto por 17 172 registros. En este caso,
la variable dependiente original presenta tres categorías, que distinguen entre dengue,
chikungunya y otras arbovirosis. Debido a la similitud clínica entre estas infecciones,
existe el riesgo de que pacientes con chikungunya o zika hayan sido registrados como
dengue, introduciendo ruido en las etiquetas (Neto et al., 2023; Bhatt et al., 2013;
PAHO, 2025). Para el presente estudio, esta variable se recodificó como binaria:
dengue = 1 y no dengue = 0, agrupando las otras arbovirosis en la segunda categoría.
3.2. Modelos de Machine Learning para el Diagnóstico de Dengue
Para el desarrollo de los modelos predictivos se utilizaron algoritmos de machine
learning supervisado, dado que este enfoque permite modelar la complejidad de los
patrones clínicos asociados al diagnóstico del dengue. La literatura en analítica clínica
recomienda explorar varios modelos de clasificación y comparar su desempeño, a fin
de seleccionar aquellos con mayor robustez y capacidad de generalización (Weng &
Szolovits, 2020; Hu et al., 2020).
La regresión logística permite calcular la probabilidad de pertenecer a una clase
mediante la función logística o sigmoide, que transforma una combinación lineal de
las variables independientes en valores entre 0 y 1 (Lukman et al., 2024). KNN asigna
la clase de un nuevo registro en función de la clase mayoritaria de sus vecinos más
cercanos, según una medida de distancia (Boateng et al., 2020).
Los árboles de decisión (CART) generan reglas jerárquicas explícitas a partir de
divisiones recursivas de las variables predictoras, lo que facilita la interpretación de la
relación entre las variables independientes y la variable objetivo (Hu et al., 2020).
Random Forest agrupa múltiples árboles construidos sobre subconjuntos aleatorios
de datos y variables, reduciendo la varianza y el riesgo de sobreajuste en comparación
con un único árbol (Hu et al., 2020; Boateng et al., 2020).
Los métodos de boosting buscan mejorar el rendimiento combinando múltiples
clasificadores débiles. Gradient Boosting Machine (GBM) construye un modelo como
suma secuencial de árboles de decisión, donde cada nuevo árbol se entrena para
corregir los errores del ensamble anterior (Florek & Zagdański, 2023). AdaBoost ajusta
iterativamente clasificadores débiles aumentando el peso de las observaciones mal
clasificadas, permitiendo capturar relaciones no lineales en conjuntos altamente
categóricos (Hatwell et al., 2020). XGBoost optimiza el gradient boosting mediante
regularización explícita y técnicas de ingeniería computacional, produciendo modelos
más robustos y eficientes (Hu et al., 2020).
Finalmente, la red neuronal artificial (RNA) de arquitectura multicapa (MLP) permite
modelar interacciones no lineales y patrones de alta dimensionalidad. Este tipo de
modelo puede capturar combinaciones complejas de variables que escapan a los
enfoques basados únicamente en reglas o distancias (Weng & Szolovits, 2020; Hu et
al., 2020).
Revista Científica Ciencia y Método | Vol.04 | Núm.01 | Ene–Mar | 2026 | www.revistacym.com pág. 6
Artículo Científico
3.3. Estudio de Datasets para el diagnóstico de dengue
El entorno de trabajo seleccionado fueron los notebooks de Google Colab (Google,
2024), que permiten desarrollar modelos de analítica avanzada utilizando el lenguaje
Python (Python Software Foundation, 2024) y librerías especializadas como Scikit-
learn (Pedregosa et al., 2011).
En los trabajos originales de Bohm et al. (2024) y Neto et al. (2023) no se documenta
con detalle todo el proceso de preprocesamiento aplicado a los datos. En este estudio,
una vez implementado el entorno de trabajo, se realizaron recodificaciones de
variables categóricas, revisión de valores nulos o vacíos y análisis básico de registros
atípicos. Las variables dicotómicas se transformaron a formato binario, y la variable
CLASSI_FIN de Dengue17K se recodificó a dengue/no dengue, como se indicó
anteriormente.
En Dengue17K no se detectaron valores nulos, pero se observó desbalance de clases,
ya que la proporción de casos de dengue es sensiblemente menor que la clase no
dengue. En Dengue20K, en cambio, la variable de clasificación ya se encontraba
definida en dos categorías y balanceada, sin valores perdidos en los registros
incluidos en el análisis.
3.4. Muestreo y tamaño de muestra
La selección de la muestra es un paso crítico para una modelización adecuada. La
división 90 %/10 % entre entrenamiento y prueba maximiza la información disponible
para el ajuste del modelo, lo cual es especialmente relevante en contextos clínicos
donde cada registro aporta información valiosa, y mantiene al mismo tiempo un
subconjunto independiente para la evaluación (Esteva et al., 2017).
Para verificar que el tamaño de muestra de entrenamiento sea igual o superior al
mínimo teórico, se aplicó la fórmula de tamaño de muestra óptimo para muestreo
aleatorio simple (Lohr, 2021). En Dengue20K, el tamaño óptimo estimado fue de 376
casos y la muestra de entrenamiento cuenta con 18 000 registros. En Dengue17K, el
tamaño óptimo resultó de 368 casos y la muestra de entrenamiento tiene 15 455
registros. En ambos casos, la muestra real de entrenamiento supera ampliamente el
tamaño mínimo requerido.
3.5. Métricas de evaluación
Una vez desarrollado cada modelo de clasificación binaria, se evaluó su capacidad
para discriminar entre las clases dengue y no dengue. Las métricas seleccionadas
miden tanto la coincidencia global entre predicciones y valores reales como la
capacidad del modelo para reconocer correctamente la clase positiva.
Se utilizaron las siguientes métricas derivadas de la matriz de confusión (TP, FP, FN,
TN): accuracy, precisión, recall (sensibilidad) y F1-score (Grandini et al., 2020). La
combinación de estas métricas permite valorar no solo el porcentaje de aciertos
globales, sino también el equilibrio entre la capacidad de detectar verdaderos positivos
Revista Científica Ciencia y Método | Vol.04 | Núm.01 | Ene–Mar | 2026 | www.revistacym.com pág. 7
Artículo Científico
y evitar falsos positivos en el contexto clínico de dengue. A partir de la matriz de
confusión se tiene las siguientes métricas:
Accuracy: mide el porcentaje de predicciones correctas, es decir compara entre el total
de registros todos los que se asignaron de manera correcta. Mientras más cercano a
100% es mejor.
𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = (
𝑇𝑃 + 𝑇𝑁
𝑇𝑃 + 𝑇𝑁 + 𝐹𝑃 + 𝐹𝑁
Precision: mide la proporción de predicciones positivas que el modelo acierta de forma
correcta. Mientras más cercano a 100% es mejor.
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = (
𝑇𝑃
𝑇𝑃 + 𝐹𝑃
Recall o Sensitivity mide la capacidad del modelo para identificar correctamente los
casos positivos. Mientras más cercano a 100% es mejor.
𝑅𝑒𝑐𝑎𝑙𝑙 = (
𝑇𝑃
𝑇𝑃 + 𝐹𝑁
F1-score combina precision y recall mediante su media armonica para equilibrar
ambos componentes. Mientras más cercano a 100% es mejor.
𝐹1 = (2 ∗
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 ∗ 𝑅𝑒𝑐𝑎𝑙𝑙
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 + (𝑅𝑒𝑐𝑎𝑙𝑙
3.6. Resultados cuantitativos
Tanto para el conjunto Dengue17K como para Dengue20K se obtienen las métricas
de desempeño de los diferentes modelos reimplementados.
Para Dengue17K las métricas indican que el mayor accuracy corresponde al XGBoost,
y en general todos los modelos presentan este accuracy relativamente alto a
excepción del KNN que tiene apenas 54.78%.
Tabla 1
Métricas para modelos con Dengue17K (%)
Accuracy
Precision
Recall
F1-score
Modelo
Acc.
Art
Acc.
Reimp
Prec.
Art
Prec.
Reimp
Recall
Art
Recall
Reimp
F1
Art.
F1
Reimp.
KNN
54.11
54.78
55.19
37.80
54.10
55.24
52.22
44.89
XGBoost
61.53
70.75
61.16
65.91
61.73
25.35
60.93
36.62
Adaboost
58.79
66.49
58.37
49.40
59.03
21.68
57.82
30.13
GBM
62.40
68.94
62.05
58.99
62.57
22.38
61.96
32.45
Rnd Forest
60.11
68.88
59.65
61.31
60.33
18.01
59.49
27.84
MLP
-
66.67
-
-
-
-
-
-
Nota: (Autores, 2026).
Las métricas del Multi Layer Perceptron (MLP) indican que este modelo tiene el peor
desempeño, por lo que se indaga en la matriz de confusión, debido a que no hay
predicciones para la categoría Dengue, es decir el modelo no clasifica para Dengue,
Revista Científica Ciencia y Método | Vol.04 | Núm.01 | Ene–Mar | 2026 | www.revistacym.com pág. 8
Artículo Científico
y con el antecedente de las métricas en cero y accuracy un poco alto, entonces el
modelo clasifica todo hacia la categoría dominante, de esa manera maximiza el
accuracy. Las incidencias en los datos de ingreso al modelo son la principal causa
para que los modelos binarios presenten un pobre desempeño (Kordos et al 2016).
Por otro lado, también se tiene las métricas del conjunto Dengue20K, los modelos
asociados a este conjunto presentan métricas de alto desempeño, y considerando que
las métricas se probaron en una muestra que no se utilizó en la fase de entrenamiento,
entonces se trata de modelos robustos. El modelo MLP es el de mejor desempeño ya
que tiene las más altas métricas precision y recall, es decir es el que mejor discrimina
a los casos de Dengue/No Dengue. El siguiente modelo en mejor desempeño es el
Decision Tree ya que discrimina muy bien los Dengue, sin embargo, su desempeño
para No Dengue es un poco menor comparado con la red neuronal. Bohm et al en su
artículo no indican los valores de las métricas precision y recall, por lo que no se las
incluye en la tabla de desempeño, sin embargo, estas métricas si se las calculó en la
reimplementación.
Tabla 2
Métricas para modelos con Dengue17K (%)
Accuracy
Precision
Recall
F1-score
Modelo
Acc.
Art
Acc.
Reimp
Prec.
Art
Prec.
Reimp
Recall
Art
Recall
Reimp
F1
Art.
F1
Reimp.
Reg. Logístic
93.12
92.60
-
94.19
-
90.80
93.23
92.46
MLP
93.13
92.95
-
92.82
-
93.10
93.33
92.96
Decision Tree
92.52
92.25
-
96.38
-
87.80
92.83
91.89
KNN
92.23
88.75
-
87.66
-
90.20
92.51
88.91
Nota: (Autores, 2026).
4. Discusión
Los resultados obtenidos permiten analizar el efecto del proceso de depuración y
curación sobre la estabilidad y la capacidad predictiva de los modelos entrenados. En
el conjunto Dengue17K se observa un mayor nivel de ruido estructural, evidenciado
por la presencia de registros duplicados entre las categorías analizadas, posiblemente
relacionado con la similitud clínica entre dengue, chikungunya, zika y otras arbovirosis.
Esta similitud sintomática favorece errores de clasificación ya desde la etapa de
registro y codificación de los casos (Neto et al., 2023; Bhatt et al., 2013; PAHO, 2025).
Esta calidad subóptima de los datos se refleja directamente en las métricas de
desempeño. Aunque el modelo XGBoost alcanza un accuracy de 70.75 %, su
precisión desciende a 65.91 % y el recall se sitúa en 25.35 %. En general, los modelos
presentan una baja capacidad para identificar correctamente los casos positivos de
dengue, dado que el recall, que mide la proporción de casos de dengue correctamente
identificados, se mantiene bajo; en el mejor escenario, el modelo KNN solo alcanza
un recall de 55.24 %. En el caso de la red neuronal MLP, la clasificación de la clase
dengue es prácticamente nula, ya que el modelo tiende a maximizar el accuracy
Revista Científica Ciencia y Método | Vol.04 | Núm.01 | Ene–Mar | 2026 | www.revistacym.com pág. 9
Artículo Científico
clasificando la mayoría de las observaciones en la clase más numerosa, un
comportamiento ya descrito en la literatura cuando existen ruido de etiquetado y
desbalance entre clases en problemas de arbovirosis (Bohm et al.; Neto et al., 2023).
El hecho de que todos los modelos entrenados con Dengue17K presenten valores de
desempeño consistentemente bajos sugiere que el problema no se resuelve
únicamente mediante el ajuste de parámetros o hiperparámetros, sino que está
asociado a la calidad intrínseca del dataset. Como se ha señalado, las etiquetas de la
variable dependiente pueden estar mal asignadas debido a la ambigüedad diagnóstica
y a la ausencia de una depuración sistemática de los registros. Además, el conjunto
Dengue17K no fue originalmente diseñado para el entrenamiento de redes
neuronales, sino para modelos de boosting, lo que refuerza la necesidad de procesos
de curación y reestructuración de los datos antes de aplicar enfoques de inteligencia
artificial más complejos.
Por otro lado, el conjunto Dengue20K de entrada está totalmente balanceado con 50%
de casos para Dengue, y 50% para No Dengue, con menor ruido. Las métricas
globales de todos los modelos entrenados se mantuvieron estables y bastante
cercanas entre si. El hecho que los modelos se hayan testeado en una muestra
independiente distinta a la utilizada en el entrenamiento del modelo garantiza la
robustez de los modelos.
En ese sentido el modelo con mejor performance es el de red neuronal, ya que logra
tener el mejor accuracy, asi como los mejores valores de precision y recall
simultanemanente. Este dataset tambien consideraba entrenar una red neuronal,
recordando que estos modelos son sensibles a los datos atípicos y es requisito que
los datos sean estandarizados y uniformes, razón por la cual el dataset tiene una mejor
normalización. Sin embargo, se necesita realizar una experimentación más profunda
analizando con procedimientos de limpieza de datos.
Nuestras primeras observaciones sugieren que, en los datasets de dengue
considerados en este documento, la falta de limpieza puede incrementar el nivel de
ruido e inconsistencia del conjunto de datos, aumentar la sensibilidad de los algoritmos
al ruido presente durante el entrenamiento y afectar la estabilidad de la distribución
entre clases.
5. Conclusiones
En los dos conjuntos Dengue17K y Dengue20K se comparó el desempeño de varios
modelos de clasificación binaria, incluyendo una red neuronal multicapa. Los
resultados muestran que, en términos globales, el comportamiento de los modelos es
marcadamente distinto entre ambos datasets. Mientras que en Dengue20K los
clasificadores alcanzan métricas de desempeño elevadas y relativamente estables,
en Dengue17K el rendimiento es considerablemente más discreto, especialmente en
la identificación de los casos positivos de dengue.
Revista Científica Ciencia y Método | Vol.04 | Núm.01 | Ene–Mar | 2026 | www.revistacym.com pág. 10
Artículo Científico
En particular, en el conjunto Dengue17K la red neuronal se comporta como el peor
clasificador, lo que puede estar asociado al desbalance de clases y a la presencia de
ruido en las etiquetas. Bajo estas condiciones, la red tiende a optimizar el accuracy
global favoreciendo a la clase mayoritaria, en detrimento de la sensibilidad para la
clase minoritaria (dengue), fenómeno ampliamente descrito en la literatura de machine
learning aplicado a problemas clínicos con desbalance de clases. En cambio, en
Dengue20K los modelos presentan métricas con valores altos y similares (accuracy,
precisión, recall y F1-score), lo que evidencia una mayor robustez y capacidad de
generalización, favorecida por el hecho de que tanto la muestra de entrenamiento
como la de prueba se encuentran bien balanceadas.
En este escenario, la red neuronal entrenada con Dengue20K emerge como el modelo
“ganador”, ya que alcanza los valores más altos de accuracy y F1-score, lo que indica
un mejor equilibrio entre la correcta clasificación de casos positivos y negativos. La
brecha observada entre los resultados de ambos datasets sugiere que la calidad y
estructura de los datos condicionan de manera decisiva el desempeño de los modelos,
más allá de la técnica utilizada. Por ello, se recomienda realizar un estudio y una
experimentación más profunda sobre la construcción, depuración y balanceo de estos
conjuntos de datos, con el fin de facilitar el proceso de entrenamiento de los modelos
de machine learning para el diagnóstico de dengue y mejorar, en particular, las
métricas obtenidas con Dengue17K, en concordancia con lo señalado en trabajos
previos sobre arbovirosis y calidad del dato en salud.
CONFLICTO DE INTERESES
“Los autores declaran no tener ningún conflicto de intereses”.
Referencias Bibliográficas
Ahmed, A., Xi, R., Hou, M., Shah, S. A., & Hameed, S. (2023). Harnessing big data
analytics for healthcare: A comprehensive review of frameworks, implications,
applications, and impacts. IEEE Access, 11, 112891–112928.
https://doi.org/10.1109/ACCESS.2023.3323574
Anderson, R. (2007). The credit scoring toolkit: Theory and practice for retail credit risk
management and decision automation. Oxford University Press.
https://global.oup.com/academic/product/the-credit-scoring-toolkit-
9780199226405
Beltrán-Silva, S. L., Chacón-Hernández, S. S., Moreno-Palacios, E., & Pereyra-Molina,
J. Á. (2018). Clinical and differential diagnosis: Dengue, chikungunya and Zika.
Revista Médica del Hospital General de México, 81(4), 218–227.
https://doi.org/10.1016/j.hgmx.2016.10.003
Bhatt, S., Gething, P. W., Brady, O. J., Messina, J. P., Farlow, A. W., Moyes, C. L.,
Drake, J. M., Brownstein, J. S., Hoen, A. G., Sankoh, O., et al. (2013). The
Revista Científica Ciencia y Método | Vol.04 | Núm.01 | Ene–Mar | 2026 | www.revistacym.com pág. 11
Artículo Científico
global distribution and burden of dengue. Nature, 496(7446), 504–507.
https://doi.org/10.1038/nature12060
Boateng, E. Y., Otoo, J., & Abaye, D. A. (2020). Basic tenets of classification
algorithms: k-nearest-neighbor, support vector machine, random forest and
neural network – A review. Journal of Data Analysis and Information Processing,
8(4), 341–357. https://doi.org/10.4236/jdaip.2020.84020
Bohm, B. C., Borges, F. E., Silva, S. C., Soares, A. T., Ferreira, D. D., Belo, V. S.,
Lignon, J. S., & Bruhn, F. R. P. (2024). Utilization of machine learning for dengue
case screening. BMC Public Health, 24, 1573. https://doi.org/10.1186/s12889-
024-19083-8
Brady, O. J., & Hay, S. I. (2020). The global expansion of dengue: How Aedes aegypti
mosquitoes enabled the first pandemic arbovirus. The Lancet Infectious
Diseases, 20(1), e42–e51. https://doi.org/10.1016/S1473-3099(19)30446-X
Esteva, A., Kuprel, B., Novoa, R. A., et al. (2017). Dermatologist-level classification of
skin cancer with deep neural networks. Nature, 542(7639), 115–118.
https://doi.org/10.1038/nature21056
Florek, P., & Zagdański, A. (2023). Benchmarking state-of-the-art gradient boosting
algorithms for classification. arXiv. https://doi.org/10.48550/arXiv.2305.17094
Google. (2024). Google Colaboratory [Computer software].
https://colab.research.google.com
Grandini, M., Bagli, E., & Visani, G. (2020). Metrics for multi-class classification: An
overview. arXiv. https://doi.org/10.48550/arXiv.2008.05756
Hatwell, J., Gaber, M. M., & Azad, R. M. A. (2020). Ada-WHIPS: Explaining AdaBoost
classification with applications in the health sciences. BMC Medical Informatics
and Decision Making, 20, 250. https://doi.org/10.1186/s12911-020-01201-2
Hosseinzadeh, E., Afkanpour, M., Momeni, M., et al. (2025). Data quality assessment
in healthcare: Dimensions, methods and tools – A systematic review. BMC
Medical Informatics and Decision Making, 25, 296.
https://doi.org/10.1186/s12911-025-03136-y
Hu, L., Chen, J., Vaughan, J., & Yang, H. (2020). Supervised machine learning
techniques: An overview with applications to banking. arXiv.
https://doi.org/10.48550/arXiv.2008.04059
Kluyver, T., Ragan-Kelley, B., Pérez, F., Granger, B., Bussonnier, M., Frederic, J., et
al. (2016). Jupyter Notebooks – A publishing format for reproducible
computational workflows. In F. Loizides & B. Schmidt (Eds.), Positioning and
power in academic publishing: Players, agents and agendas (pp. 87–90). IOS
Press. https://doi.org/10.3233/978-1-61499-649-1-87
Kordos, M., & Rusiecki, A. (2016). Reducing noise impact on MLP training. Soft
Computing, 20(1), 49–65. https://doi.org/10.1007/s00500-015-1690-9
Lighterness, A., Adcock, M., Scanlon, L. A., & Price, G. (2024). Data quality–driven
improvement in health care: Systematic literature review. Journal of Medical
Internet Research, 26, e57615. https://doi.org/10.2196/57615
Revista Científica Ciencia y Método | Vol.04 | Núm.01 | Ene–Mar | 2026 | www.revistacym.com pág. 12
Artículo Científico
Lohr, S. L. (2021). Sampling: Design and analysis (3rd ed.). CRC Press.
https://doi.org/10.1201/9780429298899
Lukman, A. F., Mohammed, S., Olaluwoye, O., & Farghali, R. A. (2024). Handling
multicollinearity and outliers in logistic regression using the robust Kibria–
Lukman estimator. Axioms, 13(1), 19. https://doi.org/10.3390/axioms13010019
Maletzky, A., Böck, C., Tschoellitsch, T., Roland, T., Ludwig, H., Thumfart, S.,
Giretzlehner, M., Hochreiter, S., & Meier, J. (2022). Lifting hospital electronic
health record data treasures: Challenges and opportunities. JMIR Medical
Informatics, 10(10), e38557. https://doi.org/10.2196/38557
Neto, S. R. S., Oliveira, T. T., & Neto, L. M. (2023). Binary models for arboviruses
classification using machine learning: A benchmarking evaluation. In
Proceedings of the 56th Hawaii International Conference on System Sciences
(pp. 2834–2843). https://doi.org/10.24251/HICSS.2023.348
Pan American Health Organization. (2025). Dengue: Datos y análisis. Pan American
Health Organization. https://www.paho.org/es/temas/dengue/datos
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel,
M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A.,
Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, É. (2011). Scikit-learn:
Machine learning in Python. Journal of Machine Learning Research, 12, 2825–
2830. https://www.jmlr.org/papers/v12/pedregosa11a.html
Peeling, R. W., Artsob, H., Pelegrino, J., et al. (2010). Evaluation of diagnostic tests:
Dengue. Nature Reviews Microbiology, 8(12 Suppl), S30–S38.
https://doi.org/10.1038/nrmicro2459
Python Software Foundation. (2024). Python (Version 3.x) [Computer software].
https://www.python.org
Quinn, E., Cheong, A., Calvert, J., Higgins, G., Hahesy, T., & Carr, J. (2018). Clinical
features and laboratory findings of travelers returning to South Australia with
dengue virus infection. Tropical Medicine and Infectious Disease, 3(1), 6.
https://doi.org/10.3390/tropicalmed3010006
Shi, X., Prins, C., Van Pottelbergh, G., Mamouris, P., Vaes, B., & De Moor, B. (2021).
An automated data cleaning method for electronic health records by
incorporating clinical knowledge. BMC Medical Informatics and Decision
Making, 21, 267. https://doi.org/10.1186/s12911-021-01630-7
Sistema de Informação de Agravos de Notificação. (2025). Dados epidemiológicos –
SINAN. Ministério da Saúde, Brasil. https://portalsinan.saude.gov.br/dados-
epidemiologicos-sinan
Syed, R., Eden, R., Makasi, T., Chukwudi, I., Mamudu, A., et al. (2023). Digital health
data quality issues: Systematic review. Journal of Medical Internet Research,
25, e42615. https://doi.org/10.2196/42615
Weng, W. H., & Szolovits, P. (2020). Machine learning for clinical predictive analytics.
In S. R. Steinhubl, P. W. Zimlichman, & B. D. Topol (Eds.), Data science for
healthcare: Methodologies and applications (pp. 199–217). Springer.
https://doi.org/10.1007/978-3-030-47994-7_12
Revista Científica Ciencia y Método | Vol.04 | Núm.01 | Ene–Mar | 2026 | www.revistacym.com pág. 13
Artículo Científico
World Health Organization. (2016). Laboratory testing for Zika virus infection: Interim
guidance (WHO/ZIKV/LAB/16.1). World Health Organization.
https://apps.who.int/iris/handle/10665/204671
World Health Organization. (2025). Dengue and severe dengue [Fact sheet]. World
Health Organization. https://www.who.int/news-room/fact-
sheets/detail/dengue-and-severe-dengue