Investigadores desarrollan un modelo de inteligencia artificial para mapear el riesgo de dengue en Colombia
Un equipo de investigación con participación de iHEALTH desarrolló un innovador marco de aprendizaje profundo capaz de generar mapas de alta resolución del riesgo de dengue en Colombia, integrando por primera vez datos climáticos, ambientales, demográficos y socioeconómicos en un solo modelo predictivo.
El estudio, titulado "Un marco de aprendizaje profundo U-Net++ espaciotemporal para el mapeo del riesgo de dengue en Colombia", aborda uno de los mayores desafíos de salud pública en América Latina. El dengue es la enfermedad transmitida por mosquitos más común del mundo, y su avance es alarmante: en 2024 la región registró 12,6 millones de casos, la mayor epidemia jamás documentada. En Colombia, la incidencia casi se duplicó entre 2022 y 2023.
Frente a este panorama, el equipo —integrado por Daira Velandia, Javiera Contador, Juan Zamora, Diana Martínez, Débora Buendía, Ximena Collao y Rodrigo Salas, este último investigador principal de iHEALTH— propuso un enfoque basado en la arquitectura de redes neuronales U-Net++, ampliamente utilizada en el análisis de imágenes médicas y satelitales. El modelo aprende a reconocer patrones espaciales complejos combinando información de fuentes satelitales y censales, como temperatura, precipitación, vegetación, luces nocturnas, densidad poblacional y condiciones de pobreza.
Uno de los aportes centrales del trabajo es la evaluación del modelo en dos escalas geográficas: una nacional, que abarca todo el territorio colombiano, y una regional, aplicada a cinco departamentos con alta incidencia (Boyacá, Meta, Cundinamarca, Tolima y Norte de Santander). En ambos casos, la configuración que integraba variables climáticas, sociales y ambientales fue la que obtuvo el mejor desempeño, alcanzando niveles de precisión que confirman el valor de combinar fuentes de datos diversas.
“Los mapas de riesgo generados mostraron una fuerte concordancia con las áreas históricamente afectadas por la enfermedad, lo que respalda su potencial como herramienta complementaria para la vigilancia epidemiológica” señaló Rodrigo Salas. Si bien el estudio corresponde a una evaluación retrospectiva y no a un sistema de alerta temprana en tiempo real, sus resultados sientan las bases para futuros sistemas de apoyo a la toma de decisiones en salud pública, tanto a nivel nacional como local.
Velandia, D., Contador, J., Zamora, J. et al. A spatiotemporal U-Net++ deep learning framework for dengue risk mapping in Colombia. Sci Rep 16, 24004 (2026). https://doi.org/10.1038/s41598-026-63542-8
