💻 computer science

Trustworthy AI for Dengue Outbreak Forecasting Using a Temporal Fusion Transformer with Explainability and Uncertainty Estimation

Este estudio presenta un marco de IA confiable para la previsión de brotes de dengue que integra un Transformer de Fusión Temporal con estimación de incertidumbre probabilística, explicabilidad intrínseca y estratificación de riesgo basada en reglas para superar a los modelos de referencia y apoyar la toma de decisiones en salud pública.

Autores originales: Anima Dahal, Bibash Basnet

Publicado 2026-09-10

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Anima Dahal, Bibash Basnet

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

En los rincones húmedos y tropicales del mundo, un virus transmitido por mosquitos llamado dengue se propaga con una velocidad alarmante, convirtiendo los vecindarios en zonas de enfermedad y saturando los hospitales locales. El virus prospera bajo condiciones climáticas específicas, floreciendo cuando las temperaturas aumentan y las lluvias caen, lo que hace que su comportamiento esté profundamente ligado al clima. Durante décadas, los funcionarios de salud pública han intentado adelantarse a estos brotes, pero predecir exactamente cuándo y dónde atacará el virus ha sido un rompecabezas difícil. Los métodos tradicionales suelen depender de estadísticas simples que luchan por ver patrones complejos, mientras que los sistemas informáticos más nuevos pueden ser tan complicados que nadie sabe cómo llegaron a sus conclusiones. Cuando un pronóstico es erróneo, o cuando una predicción llega sin una advertencia sobre cuán incierto es, los trabajadores de la salud no pueden planificar de manera efectiva. Necesitan más que una simple suposición; necesitan una guía confiable que explique su razonamiento y admita cuando el futuro no está claro.

Un equipo de investigadores ha construido un nuevo tipo de sistema de inteligencia artificial diseñado para resolver este problema, creando una herramienta que no solo predice los casos de dengue, sino que también explica por qué realizó esas predicciones y qué tanta confianza tiene en ellas. Utilizando datos de dos ciudades —una en Puerto Rico y otra en Perú—, los investigadores entrenaron su sistema para observar semanas de informes meteorológicos y casos pasados de dengue para pronosticar qué sucedería en el mes siguiente. A diferencia de los modelos antiguos que simplemente arrojan un único número, este nuevo sistema genera un rango de posibles resultados, diciéndole a los funcionarios no solo cuántos casos se esperan, sino qué tan probable es que el número sea mayor o menor. También actúa como un socio transparente, resaltando qué factores, como la humedad o las tendencias de casos recientes, fueron los más importantes para dar forma al pronóstico. Este enfoque transforma un programa informático de "caja negra" en un asistente confiable que los funcionarios de salud realmente pueden utilizar para prepararse ante un brote.

Los investigadores probaron su sistema contra varios otros métodos, incluyendo suposiciones simples basadas en los números de la última semana y modelos informáticos más complejos que se han utilizado durante años. Su nuevo sistema, que utiliza una arquitectura sofisticada capaz de recordar patrones a largo plazo mientras se enfoca en cambios recientes, demostró ser el más preciso. Cometió menos errores que los otros modelos, siguiendo correctamente el aumento y la disminución de los casos de dengue durante un período de cuatro semanas. Más importante aún, proporcionó una red de seguridad de información que los otros modelos carecían. Cuando el sistema predijo un rango de posibles cifras de casos, el número real de personas enfermas cayó dentro de ese rango más del noventa por ciento de las veces. Esto significa que cuando el sistema dice que el brote será moderado, los funcionarios pueden estar muy seguros de que la realidad no será drásticamente diferente, lo que permite asignar recursos con mayor confianza.

Más allá de los números, el sistema ofrece una ventana a su propio pensamiento, una característica que es crucial para generar confianza en la inteligencia artificial. Al analizar los datos, el sistema identificó que el aumento más reciente en los casos de dengue y los cambios en la humedad fueron los impulsores más fuertes de sus predicciones. También prestó la mayor atención a las semanas de datos más recientes, entendiendo que el pasado inmediato suele ser el mejor indicador del futuro cercano. Esta transparencia permite a los expertos en salud verificar que la computadora está utilizando la lógica correcta, en lugar de depender de patrones ocultos que podrían carecer de sentido. Los investigadores luego tomaron estas predicciones y las convirtieron en una guía de riesgo sencilla. Dividieron los pronósticos en categorías de riesgo bajo, moderado y alto, adjuntando consejos específicos para cada nivel. Si el sistema predice un riesgo bajo, la recomendación es el monitoreo de rutina; si predice un riesgo alto, el consejo cambia hacia la movilización de equipos médicos e intensificación de los esfuerzos de control de mosquitos.

El estudio se llevó a cabo utilizando datos históricos de dos ciudades específicas y, aunque los resultados son prometedores, los investigadores reconocen que el sistema necesita ser probado en más lugares y con diferentes enfermedades para ver si funciona en todas partes. También sugieren que versiones futuras podrían incluir datos en tiempo real sobre cómo las personas se desplazan por las ciudades o acceden al saneamiento, lo que podría hacer que las predicciones sean aún más precisas. Por ahora, el trabajo demuestra que es posible construir una inteligencia artificial que no solo sea precisa, sino también honesta sobre sus incertidumbres y clara sobre su razonamiento. Al combinar un fuerte poder de pronóstico con transparencia y consejos prácticos, este marco ofrece una nueva forma para que las comunidades se preparen para la naturaleza impredecible de las enfermedades infecciosas, convirtiendo los datos brutos en un camino claro hacia adelante para la salud pública.

Resumen Técnico: IA Confiable para la Predicción de Brotes de Dengue

Planteamiento del Problema
La predicción precisa de los brotes de dengue es crítica para la planificación de la salud pública; sin embargo, los enfoques existentes suelen sufrir tres limitaciones clave: dependen principalmente de predicciones puntuales deterministas sin cuantificar la incertidumbre; operan como "cajas negras" con una interpretabilidad limitada respecto a las variables de entrada; y carecen de mecanismos integrados de apoyo a la decisión para traducir las predicciones en intervenciones de salud pública accionables. Aunque los modelos de aprendizaje profundo como las LSTM y los Transformers han mejorado la precisión de la predicción, frecuentemente no logran proporcionar las métricas de fiabilidad y la transparencia requeridas para el despliegue en el mundo real en la vigilancia de enfermedades.

Metodología
El estudio propone un marco unificado de IA Confiable centrado en la arquitectura del Transformador de Fusión Temporal (TFT, por sus siglas en inglés). La metodología se estructura de la siguiente manera:

Conjunto de Datos: El marco fue evaluado utilizando el conjunto de datos DengAI: Predicting Disease Spread, que comprende recuentos semanales de casos de dengue y variables ambientales (temperatura, humedad, precipitación, índices de vegetación) de San Juan, Puerto Rico, e Iquitos, Perú.
Pipeline de Datos: Se empleó un pipeline de preprocesamiento cronológico para preservar la integridad temporal. Los datos se dividieron en conjuntos de entrenamiento (70%), validación (15%) y prueba (15%) sin muestreo aleatorio. La ingeniería de características incluyó la extracción de estacionalidad basada en el calendario (transformaciones de seno/coseno), características de retardo (lag) (1, 2, 4 y 8 semanas) y estadísticas móviles (media, desviación estándar, máximo, mínimo) para capturar patrones históricos.
Arquitectura del Modelo: El modelo TFT utilizó una ventana de codificación de 24 semanas para predecir un horizonte de 4 semanas. Los componentes arquitectónicos clave incluyeron:
- Redes de Selección de Variables: Para identificar las características de entrada relevantes.
- Mecanismos de Puerta (Gating): Para filtrar información irrelevante.
- Atención de Múltiples Cabezales (Multi-head Attention): Para capturar dependencias a largo plazo e interacciones entre entradas estáticas (ciudad) y dinámicas (clima, recuento de casos).
- Salida Probabilística: El modelo fue entrenado utilizando Pérdida de Cuantiles (Quantile Loss) para predecir los percentiles 10, 50 y 90, permitiendo la generación de intervalos de predicción.
Métricas de Evaluación:
- Precisión: Error Absoluto Medio (MAE), Raíz del Error Cuadrático Medio (RMSE) y Coeficiente de Determinación ( $R^2$ ).
- Incertidumbre: Probabilidad de Cobertura del Intervalo de Predicción (PICP) y Ancho Promedio Normalizado del Intervalo de Predicción (PINAW).
- Líneas Base (Baselines): El TFT se comparó contra una línea base simple, una línea base estacional y modelos LSTM estándar.
Apoyo a la Decisión: Se desarrolló una capa de estratificación de riesgo basada en reglas para mapear los recuentos de casos pronosticados (derivados de los percentiles 33 y 66 de los datos de entrenamiento) en categorías de riesgo bajo, moderado y alto, acompañadas de recomendaciones específicas de salud pública.

Contribuciones Clave

Marco Unificado: Integración de pronóstico de horizonte múltiple, cuantificación de la incertidumbre, explicabilidad intrínseca y apoyo a la decisión basado en el riesgo en un solo pipeline.
Pronóstico Probabilístico: Implementación de pronósticos basados en cuantiles para proporcionar intervalos de confianza confiables (Q10–Q90) junto con estimaciones puntuales, abordando la falta de cuantificación de la incertidumbre en muchos modelos existentes.
Explicabilidad Intrínseca: Utilización de los mecanismos integrados de selección de variables y atención temporal del TFT para interpretar la importancia de las características y las dependencias temporales sin herramientas post-hoc externas.
Resultado Accionable: Desarrollo de un módulo automatizado que convierte los pronósticos probabilísticos en niveles de riesgo específicos y planes de acción de salud pública.

Resultados

Desempeño de Pronóstico: El TFT propuesto superó a todas las líneas base. Logró un MAE de 6.560, un RMSE de 10.724 y un $R^2$ de 0.840. Esto representó una reducción del 13.70% en el MAE y una reducción del 17.18% en el RMSE en comparación con la línea base simple, y mejoras significativas sobre la línea base LSTM.
Estimación de Incertidumbre: El intervalo de predicción Q10–Q90 logró un PICP del 93.12% (cubriendo 555 de 596 muestras de prueba) con un PINAW de 0.1623, lo que indica que los intervalos eran altamente confiables y relativamente estrechos.
Consistencia de Horizonte Múltiple: El modelo mantuvo un fuerte desempeño a través del horizonte de pronóstico de 4 semanas, con valores de $R^2$ que se mantuvieron por encima de 0.819 incluso en la marca de las 4 semanas.
Explicabilidad: El análisis de importancia de características identificó a case_increase (11.23%) como el predictor más influyente, seguido por las variables de humedad y temperatura. Los pesos de atención temporal confirmaron que el modelo priorizó las observaciones recientes dentro de la ventana de 24 semanas.
Estratificación de Riesgo: El sistema clasificó con éxito las semanas de prueba en categorías de riesgo (38.8% bajo, 42.3% moderado, 19.0% alto), proporcionando una base para la vigilancia personalizada y la asignación de recursos.

Significancia y Reivindicaciones
El artículo sostiene que la principal significancia de este trabajo radica en el cambio de paradigma de la pura precisión de la predicción hacia la confiabilidad (trustworthiness). Al combinar el pronóstico de alto rendimiento con la cuantificación de la incertidumbre y la interpretabilidad, el marco aborda la naturaleza de "caja negra" del aprendizaje profundo y la falta de guía accionable en los sistemas actuales. Los autores afirman que este enfoque proporciona una herramienta más completa para la vigilancia de enfermedades, ofreciendo no solo un pronóstico, sino también una evaluación de su fiabilidad y recomendaciones específicas para la intervención de salud pública.

El estudio reconoce limitaciones, señalando que la validación se restringió a dos ciudades dentro del conjunto de datos DengAI. En consecuencia, los autores sugieren que el trabajo futuro debe enfocarse en validar el marco en ubicaciones y contextos de enfermedades adicionales, incorporando flujos de datos en tiempo real y refinando las técnicas de calibración de la incertidumbre antes de su despliegue práctico en entornos de salud pública del mundo real.

Resumen Técnico: IA Confiable para la Predicción de Brotes de Dengue

Más como este