APLICACIÓN DE REDES NEURONALES PARA
LA PREDICCION DE DENGUE
Alexandra Peralta, Diego Sotelo, Italo Casanova, Sebastian Salirrosas
Abstract—En el presente trabajo se tratará la importancia
de la detección temprana del dengue, y el porqué se aplicará
un enfoque basado en redes neuronales artificiales para el
diagnóstico de este, haciendo un repaso de varios trabajos previos
que ya se han enfocado en este tema.
Keywords: PACS, teleradiology, Medical Imaging, Archiving.
I. I NTRODUCCI ÓN
El dengue es una enfermedad viral transmitida por
mosquitos que representa un importante problema de salud
global, de gran impacto en las últimas décadas en América
Latina y el Perú, particularmente en la Amazonı́a que repre-
senta el 57% del territorio y el 12% de la población nacional
[4] y según la OMS (Organización Mundial de la Salud) cada
año se producen entre 100 y 400 millones de infecciones. Por
ende su diagnóstico temprano y preciso es fundamental para
el manejo adecuado de los pacientes y la prevención de brotes
epidémicos. Debido al avance de la Inteligencia Artificial y a
la gran precisión de esta, se propondrá como solución el uso
de redes neuronales artificiales para el diagnóstico del dengue.
II. J USTIFICACI ÓN
A. EL DENGUE
El dengue es una enfermedad viral transmitida por
mosquitos, principalmente por el mosquito Aedes aegypti. Es
considerada una enfermedad tropical y afecta a millones de
personas en diferentes partes del mundo, especialmente en
regiones de clima cálido y húmedo, la infección de este virus
puede resultar en diversas manifestaciones clı́nicas, desde
casos leves hasta formas graves y potencialmente mortales.
B. SÍNTOMAS
Los sı́ntomas del dengue son muy conocidos: Fiebre, dolor
en los músculos y articulaciones, dolor detrás de los ojos,
náuseas y vómitos, dolor de cabeza, sarpullido
C. MAGNITUD DE LA ENFERMEDAD DEL DENGUE
Si bien la mayorı́a de los casos de dengue son leves
y autolimitados, la enfermedad puede tener manifestaciones
graves que requieren atención médica y pueden poner en
peligro la vida.
D. DIAGNÓSTICOs de la ENFERMEDAD USADOS
Existen dos formas de diagnosticar el dengue:
• La evaluación clı́nica: El médico evalúa los sı́ntomas y
antecedentes del paciente -Pruebas de laboratorio: Como
las pruebas serológicas, donde se detecta el anticuerpo
• Pruebas de laboratorio: Como las pruebas serológicas,
donde se detecta el anticuerpo producido por la infección
del dengue, prueba PCR, donde detecta la presencia del
material genético del virus en la sangre del paciente,
hemograma completo, donde se realiza el conteo de
plaquetas pues el dengue suele disminuir el recuento de
plaquetas.
III. E STADO DEL ARTE
A. Redes artificales
Un modelo de red neuronal es un algoritmo de aprendizaje
automático inspirado en la forma en que funciona el cerebro
humano. Consisten en capas de unidades de procesamiento
interconectadas llamadas ”neuronas artificiales” o ”nodos”.
Estas neuronas están organizadas en capas de entrada, ocultas
y de salida. Además que se entrenan utilizando un conjunto
de datos de entrenamiento que proporciona entradas y salidas
predecibles. Durante el entrenamiento, el modelo ajusta los
pesos de conexión entre las neuronas para minimizar la difer-
encia entre la salida prevista y la salida real. A continuación
veremos diversos modelos para el diagnóstico del Dengue y
haciendo énfasis en la red neuronal artificial.
1) Evaluation of dengue model performances developed
using artificial neural network and random forest classifiers.:
Según el trabajo [1] la forma de entrenar una red neuronal
artificial (RNA) es la siguiente:
1) Recopilación de datos
2) Procesamiento de datos
3) Diseño del modelo de redes neuronales
4) Entrenamiento del modelo
5) Evaluación del modelo
6) Validación del modelo
Este trabajo usó datos de laboratorio como: el nivel de
hemoglobina, hematrocitos, Leucocitos, Trombocitos, Neutro-
filos, Linfocitos y monocitos para diagnosticar el dengue a
través de dos técnicas diferentes, siendo la primera redes
neuronales artificiales y la segunda random forest classifiers.
Dando como resultado de rendimiento del 56% a las redes
neuronales artificiales y un 5% y 57% a un clasificador random
forest de 5 esquemas y 10 esquemas respectivamente. Por lo
que se puede concluir que las redes neuronales artificiales
tienen un rendimiento similar a un clasificador random forest
con menor costo de poder de cómputo.
[2] [3] [4] [5]
B. Diagnóstico del dengue utilizando redes neuronales artifi-
ciales
Este modelo de red neuronal artificial se basa en una mult-
icapa en que se entrena a los nodos mediante el algoritmo de
entrenamiento Backpropagation, que se basa en el cálculo del
gradiente negativo o gradiente descendente del error cuadrático
medio en la salida de la RNA, modifica el valor de los pesos
de las conexiones entre las neuronas de entrada, ocultas y de
salida, cada vez que entrena la red se modifican los pesos, la
clave está en entrenar la red neuronal cuantas veces sea nece-
saria, hasta encontrar el menor error de entrenamiento y sobre
todo de validación, de donde se obtienen los pesos definitivos.
De manera que para este artı́culo tuvieron una arquitectura de
red neuronal artificial multicapas propagation de 24 neuronas
en la capa de entrada, 12 neuronas en la primera capa oculta,
4 neuronas en la segunda capa oculta y una neurona en la capa
de salida con función de activación tansig en las capas ocultas
y de salida, algoritmo de entrenamiento trainlm (Levenberg
Marquardt), presenta un alto valor de factor de correlación
R=90.175, lo que demuestra su validez para el diagnóstico
del dengue a partir de los sı́ntomas de la enfermedad en la
región San Martı́n, con una efectividad equivalente a 90.175%
Las entradas a los sı́ntomas del dengue donde estos fueron
adaptados y adecuados en forma matricial en un excel de
24 filas que eran los sı́ntomas y 215 columnas que eran los
patrones donde la última fila corresponde al target que es la
salida objetivo que muestra la presencia (1) o ausencia del
dengue (0).
C. Modelos predictivos para el Diagnóstico de Dengue: Es-
tudio caso en Paraguay
Se tienen los modelos de la red neuronal artificial (ANN)
y la máquina de vectores de soporte (SVM) donde este
último busca un hiperplano separador con el margen más
alto pero ambos funcionan para datos con alta dimensión
donde los polinomios ANN-MLP y SVM han demostrado que
pueden funcionar como clasificadores en el diagnóstico de
la enfermedad del dengue con altos promedios de precisión,
sensibilidad y especificidad, dentro del contexto espacial y
temporal determinado por el conjunto de datos en donde El
perceptrón multicapa ANN logró mejores resultados con un
promedio de 96% de precisión, 96% de sensibilidad y 97%
de especificidad, con una baja variación en treinta particiones
diferentes del conjunto de datos. En comparación, el polinomio
SVM obtuvo resultados superiores al 90% en cuanto a pre-
cisión, sensibilidad y especificidad.[g]
D. Application of artificial neural networks for dengue fever
outbreak predictions in the northwest coast of Yucatan, Mexico
and San Juan, Puerto Rico.
En el trabajo [2] se entrenó a 4 distintos modelos de RNA, 2
para cada una de las ubicaciones. Estos modelos tenı́an como
objetivos poblaciones distintas: Población de riesgo (personas
menores a 24 años) y Población vulnerable (personas menores
a 5 años y mayor a 65 años). Las variables con mayor
influencia para la locación de Puerto Rico fueron:
• Tamaño de la población
• Casos previos de Dengue
• Temperatura máxima del aire
• Fecha
• Las variables con mayor influencia en la locación de
México fueron:
• Tamaño de la población
• Casos previos de Dengue
• Temperatura mı́nima del aire
• Fecha
Por lo cual se puede concluir que tanto el tamaño de la
población, los casos previos de Dengue, la temperatura del
aire y la fecha serı́an variables indispensables en la creación
de nuestro modelo, y debido a que las ciudades donde se hizo
el estudio son ciudades parecidas en temperatura y ubicación
geográfica a la ciudad de Lima el poder de estas variables será
parecido para una ciudad costera como Lima. Por último el
modelo llegó a un poder predictivo mayor al 7% para cada
uno de los modelos de RNA.
E. Diagnosis of dengue virus infection using spectroscopic
images and deep learning
En este se utilizó una red neuronal convolucional (CNN)
transformador con memoria a corto plazo (LSTM) en el que
se consideraron como entrada a las variantes del clima en
donde los modelos se desarrollaron utilizando la incidencia de
DF. Además, LSTM-ATT mostró el desempeño más alto, con
una puntuación promedio de 1,60 para la clasificación basada
en RMSE y 1,95 para la clasificación basada en MAE. En
particular, pudo pronosticar la incidencia de DF mejor que
LSTM en 13 o 14 de 20 provincias para MAE o RMSE,
respectivamente. Además, LSTM-ATT fue capaz de predecir
con precisión la incidencia de DF y los meses de brote
con hasta 3 meses de anticipación, aunque el rendimiento
disminuyó ligeramente en comparación con los pronósticos
a corto plazo. Hasta donde sabemos, esta es la primera vez
que se emplean métodos de aprendizaje profundo para la
predicción de la incidencia y los brotes de FD a largo y corto
plazo en Vietnam utilizando caracterı́sticas meteorológicas
ricas y únicas.
IV. METODOLOGIA
A. Datos de entrada:
Como ya se vio en los trabajos previos para diagnosticar el
dengue a través del enfoque de redes neuronales artificiales se
pueden usar datos de entrada como los sı́ntomas, resultados
de laboratorios clı́nicos o incluso datos geográficos como la
ubicación y el clima, los que ofrecen los resultados más
precisos son los datos de resultados de laboratorio clı́nicos, sin
embargo, a su vez son los datos más costosos de conseguir,
por lo que, la manera más eficiente de diagnosticar el virus
del dengue es a través de los sı́ntomas Nuestros datos serán
los siguientes:
• dolor de cabeza
(dengue.servereh eadche)
• dolor detrás de los ojos
(dengue.painb ehindt hee yes)
• dolor en los músculos y articulaciones
(dengue.jointm usclea ches)
• sabor metálico en la boca
(dengue.metalict astei nt hem outh)
• pérdida de apetito
(dengue.appetitel oss)
• dolor abdominal
(dengue.abdominalp ain)
• náuseas
(dengue.nauseav omiting)
• diarrea
(dengue.diarrhoea)
• dengue
(dengue.dengue) (este se usará para validar el modelo)
• temperatura actual
(dengue.currentt emp)
B. Metadatos
Se utilizará solo una capa por motivos de simplicidad y
eficiencia, para evitar el sobreajuste y para que el modelo sea
más fácil de interpretar y ası́ poder cumplir con caracterı́sticas
esenciales como la interpretación y explicabilidad.
C. Elección del tipo de RNA
Entre los diversos tipos de RNA que existen usaremos las
Redes Neuronales Feedforward (FFNN) debido a que estas
son las que se usan principalmente en nuestra tarea, que es de
clasificación. El motivo por el que no usamos los otros tipos
de redes son los siguientes: Redes Neuronales Recurrentes:
Se utilizan cuando se trabaja con datos secuenciales, donde
se guarda información temporal y las dependencias, debido a
que solo usaremos una capa este tipo de red es inviable para
nuestro trabajo Redes neuronales convolucionales: Ideales para
procesar datos de estructura cuadrı́cula como imágenes, como
nuestros datos no tienen este tipo de estructura no es viable
para nuestro trabajo. Redes neuronales generativas adversari-
ales: Se utiliza para la generación de datos sintéticos mediante
la competencia entre un generador y un discriminador, como
nuestro trabajo busca clasificar y no generar data, no es viable
este método. Por lo tanto el modelo serı́a el siguiente:
Fig. 1: Modelo RNA
Fig. 2: Capa oculta
D. Procesamiento de los datos
Es importante preprocesar la data antes de usarlos para el
entrenamiento de datos, los procesamientos que realizaremos
serán los siguientes:
• Estandarización/Normalización: Las redes neuronales son
sensibles a la escala de los datos de entrada.
• Manejo de Valores Faltantes: Las redes neuronales no
pueden manejar valores faltantes. El preprocesamiento
ayuda a llenar estos valores faltantes con estadı́sticas
apropiadas como la media, mediana o moda, o un valor
inferido de un método más complejo.
• Manejo de Valores Faltantes: El preprocesamiento ayuda
a llenar estos valores faltantes con estadı́sticas apropiadas
como la media, mediana o moda, o un valor inferido de
un método más complejo.
• Reducción de Ruido: Los datos del mundo real a menudo
contienen ruido que puede afectar negativamente el
rendimiento de un modelo. El preprocesamiento puede
ayudar a reducir este ruido, por ejemplo, a través de
técnicas de suavizado o eliminación de valores atı́picos.
E. Salida
Para nuestro output lo que realizaremos será al valor que
nos de la red neuronal aplicarle una función sigmoide para
clasificar binariamente el valor de salida puesto que nuestro
resultado debe ser sı́ o no, lo que es una variable dicotómica.
Fig. 3: Salida
F. División de datos para el entrenamiento, validación y
prueba
1) Entrenamiento: Para el entrenamiento separamos el 80%
de nuestros datos, ya que deben ser lo suficientemente grande
y representativo de los datos reales para que el modelo pueda Fig. 8: Prediccion
aprender de manera efectiva.
2) Validación: Para la validación usamos el 20% de los
datos y con esto ajustamos hiper parámetros.
3) Prueba: Para la prueba usamos un dato que ya conoce-
mos el resultado y evaluamos que resultado nos da.
G. Codigo

Fig. 4: Codigo

parámetros en un valor verdadero obtenemos una predicción

con el 100% de precisión que se trata de un caso de dengue
y, si bien esto no justifica el uso del modelo, si demuestra
cierto de grado de validez, por lo que se cree que contando
con un conjunto de datos de entrenamiento y prueba de
mayor volumen, esta red neuronal podrı́a ser de ayuda en la
Fig. 5 predicción y prevención del dengue ya que permite detectar un
brote temprano del dengue además que que el modelo al estar
analizando datos en tiempo real permite identificar patrones y
señales de un posible brote de dengue por lo que esto puede
ayudar a enfocar los recursos y esfuerzos de control en esas
áreas especı́ficas, de esta manera las medidas de prevención
serı́an más acertadas y aportarı́a mucho con la lucha de esta
enfermedad.
R EFERENCES
[1] D. B. E. B. A. A.-A. H. S. Silitonga, P., “Evaluation of
dengue model performances developed using artificial neurall net-
work and random forest classifiers. procedia computer science,”
Fig. 6 https://doi.org/10.1016/j.procs.2020.12.018, vol. 179, p. 135–143, 2021.
[2] D. A. P. M.-L. P. A. G.-R. J. E. G.-C. S. F.-A. J. S. D. A. . M.-K.
F. E. Laureano-Rosario, A. E., “Application of artificial neural networks
for dengue fever outbreak predictions in the northwest coast of yucatan,
mexico and san juan, puerto rico. tropical medicine and infectious
disease,” Informática PeerJ, vol. 1, pp. 3–5, 2018.
[3] B. Rı́os Rı́os, “Diagnóstico del dengue utilizando redes neuronales
artificiales.” Ciencia Latina Revista Cientı́fica Multidisciplinar, vol. 6,
p. 4, 2019.
[4] S. G.-G. M. G.-T. Jorge D. Mello-Román, Julio C. Mello-Román,
“Predictive models for the medical diagnosis of dengue: A case study
in paraguay,” Computational and Mathematical Methods in Medicine,
vol. 6, 2019.
[5] T.-H. T. T.-M. J. V. M. H. D.-T. Q. V. C. N. N.-N. T. T. L. V. H. M.-H.
B. C. D. B. N. N. Q. N. H. L. T. N. Q. T. N. T. N. N. D. A. L. V. Q. P.
D. T. M. H. N. Q. V. . S. M. T. Nguyen, V.-H., “Deep learning models
Fig. 7 for forecasting dengue fever based on climate data in vietnam,” PLoS
Neglected Tropical Disease, vol. 18, p. 6, 2022.

resultado de la prediccion:
V. C ONCLUSIONES
Teniendo en cuenta el poco volumen de datos con el que
se entrenó al modelo, al realizar una predicción con todos los