📄 medicine

Application of SARIMA and Hybrid SARIMA–ANN Models in Predicting and Forecasting Scorpionism Cases in Brazil

Este estudio demuestra que un modelo híbrido SARIMA–Red Neuronal Artificial supera a los enfoques tradicionales de SARIMA en el pronóstico de los casos mensuales de escorpionismo en Brasil, revelando una tendencia ascendente persistente y patrones estacionales que subrayan la urgente necesidad de mejorar la vigilancia de la salud pública y las estrategias preventivas.

Autores originales: Amaury de Souza

Publicado 2026-06-30

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Amaury de Souza

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El panorama general: Un problema creciente

Imagina a Brasil como una casa gigante donde un tipo de invitado específico —el escorpión— está dando una fiesta cada vez más descontrolada. En las últimas décadas, el número de picaduras de escorpión (llamadas "escorpionismo") ha aumentado significamente. Esto no es solo un problema de insectos; es una emergencia de salud pública. El artículo explica que esto sucede porque las ciudades crecen rápido, el saneamiento a veces es insuficiente y los escorpiones se están volviendo muy buenos para vivir en los vecindarios humanos.

El objetivo principal de este estudio fue actuar como un pronosticador del clima, pero en lugar de predecir la lluvia, los investigadores intentaron predecir cuándo y cuántas personas serían picadas por escorpiones en el futuro.

Las herramientas: Dos tipos diferentes de bolas de cristal

Para hacer estas predicciones, el autor utilizó dos "bolas de cristal" matemáticas (modelos) diferentes y las comparó para ver cuál era mejor.

1. El Modelo SARIMA (El "Seguidor de reglas rígido")
Piensa en el modelo SARIMA como un bibliotecario estricto que solo sigue un horario establecido. Mira los datos del pasado y dice: "Bien, cada año en julio los números suben, y en enero bajan. Simplemente seguiré ese patrón".

Cómo funciona: Es excelente para detectar líneas rectas y ciclos estacionales repetitivos (como el clima).
El hallazgo del artículo: Este modelo funcionó lo suficientemente bien como para ver la tendencia general y los ciclos anuales. Podía decirnos que las picaduras de escorpión suelen aumentar durante los meses más cálidos y húmedos. Sin embargo, a veces perdía de vista los saltos repentinos y locos en los números porque asume que el mundo es muy ordenado.

2. El Modelo Híbrido SARIMA-ANN (El "Detective flexible")
Este modelo es un trabajo en equipo. Toma al "Seguidor de reglas" (SARIMA) y lo une con una "Red Neuronal Artificial" (ANN).

La analogía: Imagina que el modelo SARIMA hace primero las matemáticas fáciles. Luego, observa los errores que cometió (las partes que no pudo explicar) y le entrega esos errores a la ANN. La ANN es como un detective entrenado para encontrar patrones ocultos y desordenados que no siguen reglas. Observa el caos "sobrante" y descubre las razones extrañas y no lineales por las cuales los números aumentaron inesperadamente.
Cómo funciona: Combina el ritmo constante de las estaciones con la capacidad de aprender de las sorpresas complejas y desordenadas.
El hallazgo del artículo: Este trabajo en equipo fue el ganador. Predijo el futuro con mayor precisión que el Seguidor de reglas por sí solo, porque podía manejar tanto las estaciones predecibles como el caos impredecible.

Lo que los datos mostraron realmente

Los investigadores analizaron datos desde 2007 hasta 2025. Esto es lo que encontraron:

La tendencia es al alza: El número de picaduras de escorpión ha estado subiendo constantemente, como una escalera que va hacia arriba. No es solo un pico temporal; es un crecimiento a largo plazo.
El ritmo estacional: Hay un ritmo claro en el problema. Al igual que las flores florecen en primavera, las picaduras de escorpión ocurren con más frecuencia en los meses más cálidos y húmedos. Los escorpiones se vuelven más activos y la gente es picada más a menudo.
La predicción del futuro: Cuando usaron sus modelos para mirar hacia adelante (pronosticando hacia 2026), ambos modelos coincidieron en una cosa: la fiesta no va a parar. Se espera que el número de picaduras se mantenga alto. El "Detective Flexible" (modelo híbrido) dio una predicción ligeramente más suave y confiable, pero ambos advirtieron que Brasil debe estar preparado para muchas picaduras en el próximo año.

Por qué esto es importante (según el artículo)

El artículo sostiene que no podemos simplemente adivinar cuándo ocurrirá la próxima ola de picaduras. Necesitamos un plan.

Alerta temprana: Si sabemos que la "temporada" se acerca, los hospitales pueden preparar más medicina (antídoto) y los médicos pueden estar listos.
Prevención: El estudio sugiere que solucionar las causas de raíz —como una mejor gestión de la basura, alcantarillado más limpio y educar a la población sobre cómo evitar a los escorpiones— es la única forma de detener el aumento de los números.

Las limitaciones (lo que el artículo admitió)

El autor fue honesto sobre las fallas de su bola de cristal:

Falta de datos: A veces, las personas en áreas remotas no reportan las picaduras, por lo que los números podrían ser menores a la realidad.
Sin variables climáticas: Los modelos observaron la historia de las picaduras, pero no incluyeron explícitamente datos diarios de temperatura o lluvia. El artículo sugiere que los modelos futuros deberían incluir estos detalles climáticos específicos para ser aún más inteligentes.

La conclusión fundamental

Este artículo es una prueba de concepto de que combinar la estadística tradicional con la IA moderna crea una herramienta mejor para predecir los ataques de escorpiones en Brasil. El modelo "Híbrido" es la mejor herramienta disponible actualmente para ayudar al país a prepararse para un futuro donde las picaduras de escorpión sigan siendo un gran desafío de salud.

Resumen Técnico: Aplicación de los modelos SARIMA y Híbrido SARIMA–ANN en la predicción y el pronóstico de casos de escorpionismo en Brasil

Planteamiento del Problema
El escorpionismo ha surgido como un desafío crítico para el medio ambiente y la salud pública en Brasil, caracterizado por un aumento sustancial en los casos reportados durante las últimas décadas. Este incremento es impulsado por la expansión urbana, el saneamiento inadecuado, la variabilidad climática y la adaptación ecológica de las especies de Tityus (particularmente T. serrulatus, T. stigmurus y T. bahiensis) a los entornos antropogénicos. Si bien la carga epidemiológica es alta, existe una escasez de estudios que apliquen enfoques avanzados de series temporales y aprendizaje automático para predecir la dinámica temporal del envenenamiento por escorpiones. Los modelos lineales tradicionales suelen fallar al capturar las complejas interacciones no lineales inherentes a los datos epidemiológicos, lo que requiere marcos de pronóstico más robustos para apoyar la vigilancia de la salud pública, la asignación de recursos y las estrategias preventivas.

Metodología
Este estudio cuantitativo retrospectivo analizó los casos mensuales agregados de escorpionismo en Brasil desde 2007 hasta 2025. La investigación empleó un enfoque de modelado de dos etapas:

Modelado SARIMA: Primero se ajustó un modelo de Media Móvil Integrada Autorregresiva Estacional (SARIMA) a la serie temporal siguiendo la metodología Box–Jenkins. Se seleccionó el modelo óptimo, SARIMA(1,1,1)(0,1,1)₁₂, basado en el Criterio de Información de Akaike (AIC) y el Criterio de Información Bayesiano (BIC). El modelo utilizó un periodo estacional ( $s$ ) de 12 meses para contabilizar los ciclos anuales.
Modelado Híbrido SARIMA–ANN: Para abordar los posibles componentes no lineales no capturados por la estructura lineal de SARIMA, se extrajeron los residuos del modelo SARIMA óptimo y se modelaron utilizando una Red Neuronal Artificial (ANN). Específicamente, se entrenó un Perceptrón Multicapa (MLP) con una función de activación logística sobre estos residuos. El pronóstico híbrico final se construyó sumando las predicciones lineales de SARIMA y las predicciones de los residuos no lineales de la ANN.
Evaluación y Validación: El rendimiento del modelo se evaluó mediante la Raíz del Error Cuadrático Medio (RMSE), el Error Absoluto Medio (MAE) y el Error Porcentual Absoluto Medio (MAPE). La adecuación del modelo SARIMA se verificó mediante la prueba de Ljung–Box para residuos de ruido blanco. La superioridad predictiva del modelo híbrido sobre el modelo SARIMA individual se validó estadísticamente mediante la prueba de Diebold–Mariano (DM).

Contribuciones Clave

Modelado Comparativo: El estudio proporciona una comparación directa entre un enfoque estándar de series temporales lineales (SARIMA) y un enfoque híbrido de aprendizaje automático (SARIMA–ANN) específicamente para los datos de escorpionismo en Brasil, un dominio donde este tipo de modelado predictivo es actualmente limitado.
Implementación del Marco Híbrido: Demuestra la viabilidad técnica de descomponer series temporales epidemiológicas en componentes lineales y no lineales, modelarlos por separado y recombinarlos para mejorar la precisión del pronóstico.
ando.
Horizonte de Pronóstico: El estudio va más allá del análisis descriptivo para generar pronósticos puntuales para el periodo de 2026, ofreciendo una base cuantitativa para anticipar las tendencias de incidencia futuras.

Resultados

Tendencias Temporales: El análisis exploratorio confirmó una marcada tendencia creciente en los casos de escorpionismo de 2007 a 2025, junto con una estacionalidad pronunciada con picos que ocurren durante los meses más cálidos y húmedos.
Rendimiento del Modelo: El modelo SARIMA(1,1,1)(0,1,1)₁₂ capturó con éxito la tendencia general y las oscilaciones estacionales. Sin embargo, el diagnóstico de los residuos indicó la presencia de estructuras no lineales remanentes.
Superioridad del Modelo Híbrido: El modelo híbrido SARIMA–ANN demostró un rendimiento predictivo estadísticamente superior en comparación con el modelo SARIMA independiente, como lo evidencian los valores más bajos de RMSE, MAE y MAPE, y un resultado significativo en la prueba de Diebold–Mariano. El modelo híbrido mostró una mayor capacidad para reproducir los picos estacionales y las fluctuaciones abruptas de la incidencia.
Proyecciones Futuras: Ambos modelos pronosticaron la persistencia de niveles elevados de incidencia de escorpionismo a lo largo de 2026, manteniendo el patrón estacional histórico. El modelo híbrido produjo pronósticos más suaves y estables preservando la estructura estacional.

Significancia y Reivindicaciones
El artículo afirma que el enfoque híbrido SARIMA–ANN constituye una herramienta prometedora para el pronóstico epidemiológico del escorpionismo en Brasil. Al integrar métodos estadísticos clásicos con inteligencia artificial, el estudio afirma ofrecer un método más preciso y confiable para capturar las complejas dinámicas lineales y no lineales del envenenamiento por escorpiones.

Los autores posicionan estos hallazgos como una contribución a la planificación de la salud pública, sugiriendo que tales modelos pueden apoyar la implementación de sistemas de alerta temprana. Específicamente, los pronósticos pueden ayudar a las autoridades de salud a anticipar periodos de alto riesgo, optimizar la preparación hospitalaria, asignar existencias de antídotos y organizar campañas preventivas dirigidas. El estudio concluye que, si bien los modelos muestran una capacidad predictiva satisfactoria, la creciente carga del escorpionismo requiere fortalecer la vigilancia, la gestión ambiental y las estrategias preventivas, con el modelo híbrido sirviendo como un valioso activo para los procesos de toma de decisiones.

Limitaciones Observadas
Los autores reconocen que el estudio depende de datos secundarios agregados, que pueden estar sujetos a subnotificación y retrasos en la notificación. Además, los modelos no incorporaron explícitamente variables climáticas, ambientales o socioeconómicas (por ejemplo, temperatura, precipitación, densidad de población), que podrían mejorar el poder explicativo en marcos futuros. En consecuencia, se aconseja interpretar los pronósticos a largo plazo con cautela.