Modelo predictivo - Bitácora de Dengue.IA

El rostro humano de los datos: barreras sociales y lectura territorial para nutrir la inteligencia artificial contra el dengue en Cali

Nos reunimos el 8 de mayo de 2026 con un propósito fundamental: trascender la frialdad de las cifras y entender las dinámicas reales que alimentaran nuestro modelo de predicción y prescripción. En este espacio de capacitación y análisis de la plataforma Dengue.IA, contamos con la presencia de un equipo plural que refleja nuestra articulación territorial. Acompañamos esta jornada con voces de la secretaria de Salud, como Johnny Narváez, Julián Peláez y Clara Solís, junto al equipo técnico y directivo de la Universidad Icesi, representado por Juan Camilo González, Daniel Felipe Osorio, Robín Castro y Juan Felipe Castaño, contando además con la valiosa participación de Valentina Coley desde Cubo Social.

Iniciamos la sesión recordando el origen de nuestro grupo funcional, nació de la emergencia sanitaria de 2023. Hoy, esta mesa es el corazón de la respuesta institucional, integrando cinco componentes vitales que van desde la coordinación y la vigilancia epidemiológica, hasta la atención clínica, la comunicación del riesgo y el control vectorial en las calles. Cada decisión que tomamos aquí no se queda en el papel, sino que orienta directamente nuestras acciones para proteger la vida en los barrios caleños.

Frente a este panorama, revisamos con esperanza, pero sin bajar la guardia nuestra situación actual. A diferencia de departamentos como Amazonas, Meta o Magdalena que concentran los mayores retos a nivel nacional, Cali respira hoy un clima de control. Hasta la semana epidemiológica diecisiete, registramos quinientos cuarenta y dos casos acumulados y una tasa de incidencia de veinticuatro casos por cada cien mil habitantes, sin reportar mortalidades en lo que va del año. Esta realidad, muy distante de las semanas críticas de 2024 donde alcanzábamos hasta mil casos semanales, nos ubica en una zona de seguridad. Sin embargo, sabemos que el virus es dinámico, por lo que la vigilancia debe ser constante e implacable.

En este orden de ideas, nos adentramos en una de las reflexiones más profundas de la jornada: el dengue no reconoce fronteras socioeconómicas. Al analizar las dos lamentables mortalidades ocurridas en 2025, evidenciamos que ambas sucedieron en viviendas de estrato seis. Encontramos criaderos en bromelias y plantas ornamentales, pero, sobre todo, nos topamos con una preocupante barrera cultural. La falsa percepción de que el virus solo afecta a sectores vulnerables ha generado resistencia para permitir el ingreso de nuestros equipos de salud pública a los conjuntos cerrados. Comprendimos así que el personal de servicio doméstico puede ser un vínculo epidemiológico crucial entre distintos puntos de la ciudad, obligándonos a repensar como nos comunicamos con la ciudadanía.

Aunado a ello, discutimos las barreras operativas que enfrentamos a diario en el territorio. Las negativas de los administradores, la ausencia de los habitantes por horarios laborales y la baja percepción del riesgo nos han llevado a innovar con intervenciones nocturnas, trabajo de fines de semana y alianzas con líderes comunitarios. Precisamente por esto, concluimos que nuestro modelo de inteligencia artificial no puede ser ciego ante esta realidad. El sistema debe aprender a leer el territorio, incorporando estas variables sociales y culturales para sugerir intervenciones que realmente se ajusten al comportamiento de nuestra gente.

Para complementar esta lectura integral, pusimos la lupa sobre la red hospitalaria y el diagnostico. Observamos con preocupación las demoras por parte de las aseguradoras para autorizar pruebas confirmatorias como la ELISA, lo que genera una acumulación riesgosa de casos probables. Adicionalmente, aunque hospitalizamos al noventa y siete por ciento de los pacientes con signos de alarma, nuestra meta innegociable es el cien por ciento. No podemos permitir que fallas en la atención o consultas tardías pongan en riesgo a nuestra población, especialmente a los niños de uno a cuatro años, quienes hoy concentran un número importante de contagios. Es por esto que nuestros esfuerzos geográficos priorizan hoy zonas como las comunas 21, 6, 14, 10, 15 y 19, con atención especial en barrios como Valle Grande y Ciudad Córdoba, donde focalizamos nuestra energía protectora.

MEMORIA DE COMPROMISOS

Para materializar estas reflexiones en acciones contundentes, consolidamos una hoja de ruta clara. Nos comprometimos a mantener un monitoreo epidemiológico ininterrumpido en Cali y el Valle del Cauca, acompañado de un seguimiento estricto a las IPS y aseguradoras para destrabar la confirmación oportuna de los diagnósticos. De igual forma, mantendremos la auditoria clínica para garantizar que ningún paciente con signos de alarma sea enviado a casa. En el territorio, redoblaremos las estrategias de comunicación del riesgo para derribar los mitos en todos los estratos socioeconómicos, fortaleciendo el acceso comunitario en las unidades residenciales más restrictivas. Finalmente, garantizaremos que los análisis geográficos semanales y las barreras sociales discutidas nutran el corazón de nuestro modelo de inteligencia artificial, asegurando que la tecnología y la institucionalidad trabajen codo a codo por la salud pública.

Elaborado por: Juan Fernando Gomez

Optimización de datos y sostenibilidad tecnológica para anticipar el dengue en Cali

El mapa de estado actual permite navegar historicamente, hasta la actualidad sobre los diferentes factores que influyen en el dengue, clima, ambiente, sociodemograficos, casos

Sincronización del ciclo de datos para la acción oportuna

Nos reunimos el 29 de abril de 2026 con un equipo interdisciplinario conformado por Julián desde el área de Epidemiologia, Daniel y Yuluca en el frente de desarrollo técnico, la ingeniera Norita del sistema SIVIGILA y Juanca. El propósito central de esta sesión fue definir con precisión el ciclo de los datos epidemiológicos. Nuestro objetivo es garantizar que la información de casos de dengue este completamente actualizada a la semana inmediatamente anterior, permitiendo una reacción estatal mucho más ágil.

Para lograr este nivel de oportunidad en la información, establecimos que el día martes será el momento ideal para la descarga de los registros por parte de Julián. Esta decisión se sustenta en la confirmación técnica de Norita, quien aseguro que el integrador de la base de datos se consolida los lunes a las siete de la noche. De esta manera, garantizamos que el martes el equipo cuente con la fotografía completa de la semana epidemiológica previa para su respectivo análisis.

Consecuentemente, definimos que la carga de estos datos ya depurados a la plataforma de la Secretaria de Salud se realizará preferiblemente los jueves o viernes. Este cronograma estratégico no es casual, puesto que nos permite entregar información procesada y lista justo antes de las sesiones de los grupos funcionales de planeación. Así, facilitamos la toma de decisiones certeras para proteger la salud de los caleños.

Evolución técnica hacia la georreferenciación automática

¿Cómo abordamos el reto de ubicar cada caso en el mapa de nuestra ciudad? Al adentrarnos en el proceso técnico actual, revisamos la utilidad del algoritmo de depuración en Python, conocido como Pipeline, el cual fue desarrollado por Leonardo y es ejecutado por Julián. Hoy en día, tras la limpieza de estos datos crudos, una geógrafa asume la valiosa pero exhaustiva tarea de localizar los casos de forma manual cada miércoles.

Frente a este panorama operativo, planteamos un salto cualitativo mediante la automatización del sistema. La nueva plataforma incluirá un geocodificador automático capaz de asignar de manera inmediata las coordenadas exactas, la comuna y el barrio de cada reporte. Este avance tecnológico tiene el propósito social de agilizar la ubicación espacial de los brotes, lo que se traduce en una respuesta institucional mucho más rápida en los territorios afectados.

Sin embargo, entendemos que la tecnología siempre requerirá el criterio humano como respaldo. Por esta razón, los casos que el sistema no logre ubicar de forma automática serán notificados mediante correo electrónico a la geógrafa, quien realizara la validación manual en la misma herramienta. Aunado a lo anterior, Yuluca ajustara el algoritmo de Python para que los archivos de salida cumplan con los nuevos requisitos, renombrando columnas y generando un formato de pestana única tipo tablero.

El tablero de control permite validar la actualidad del dengue en Cali, en cuánto al canal endémico, cursos de vida y reportes oficiales de brotes.

Sostenibilidad del conocimiento institucional

Finalmente, abordamos un aspecto vital para la perdurabilidad del proyecto, enfocado en la documentación de nuestros procesos. Julián identifico que, en la actualidad, es la única persona que domina el ciclo completo de descarga y ejecución del código. Entendiendo que las herramientas deben trascender a los individuos, él se comprometió a crear un manual escrito o en video para proteger la continuidad de la operación ante posibles cambios de personal.

En este mismo sentido de contingencia y resguardo institucional, exploramos alternativas operativas para el manejo de los accesos restringidos. Así las cosas, contemplamos la posibilidad de integrar a Marcela como un respaldo clave para la descarga de la información en caso de ausencia de Julián. Esta medida administrativa busca garantizar que el flujo de datos no se detenga por depender de un único usuario y contraseña institucional.

COMPROMISOS ADQUIRIDOS

Para materializar estas decisiones, consolidamos una serie de pasos a seguir en el corto plazo. Inicialmente, Julián remitirá a Daniel y Yuluca la versión más reciente del código de depuración de Python, junto con los datos correspondientes a la semana dieciséis (16). En respuesta a esto, Yuluca procederá a adaptar técnicamente dicho código para que genere el formato exacto requerido por la nueva plataforma. De manera complementaria, programaremos un espacio de socialización exclusivo con la geógrafa para instruirla sobre el uso del nuevo sistema de validación de casos. Por último, mantendremos en el horizonte una sesión de trabajo con Daniela, orientada a revisar minuciosamente los indicadores de control biológico y las variables del WBA, asegurando el monitoreo integral del proyecto.

Elaborado por: Julián Peláez epidemiólogo de la Secretaría de Salud de Cali

Dengue.IA Cali: 5 Lecciones Inesperadas al Combinar Inteligencia Artificial y Humana para Proteger una Ciudad

Fotografía: Salida de campo en Cali como representa de fundación Rockefeller

Anticipando la Fiebre Antes de que Llegue

El dengue es un desafío de salud pública global, una enfermedad cuya propagación es tan difícil de predecir como de controlar. Históricamente, las autoridades sanitarias se han visto obligadas a reaccionar a los brotes una vez que ya están en marcha, persiguiendo al virus en lugar de anticiparse a él. Sin embargo, en la ciudad de Cali, Colombia, un proyecto innovador está cambiando este paradigma. Dengue.IA Cali no es solo un caso de estudio sobre el uso de tecnología de punta; es una fuente de lecciones sorprendentes sobre cómo la inteligencia artificial y la sabiduría humana pueden unirse para crear un escudo protector sobre una ciudad. A continuación, exploramos cinco de los hallazgos más reveladores de este proyecto pionero.

La IA no solo predice para la ciudad, sino para tu barrio

El proyecto Dengue.IA va más allá de los pronósticos generales que alertan a toda una ciudad. Su verdadero poder reside en su granularidad. El sistema utiliza una cuadrícula de píxeles de 1 km² para generar pronósticos a nivel sub-municipal, cubriendo los 363 barrios de Cali.

El impacto de este enfoque es transformador. En lugar de emitir alertas generalizadas que diluyen los esfuerzos, esto transforma el mapa de Cali en un tablero de ajedrez epidemiológico, permitiendo a las autoridades mover sus piezas de forma proactiva en lugar de reaccionar a los movimientos del virus. Es posible enfocar la fumigación, las campañas de concientización y la eliminación de criaderos de mosquitos exactamente en las zonas identificadas con mayor riesgo. Esto no solo optimiza el uso de recursos, sino que multiplica la efectividad de cada intervención, protegiendo a las comunidades más vulnerables antes de que el brote se intensifique. Aunque el modelo actual opera con una semana de antelación, el objetivo final es extender este horizonte a 3 o 4 semanas, lo que permitiría una planificación de salud pública aún más proactiva.

El mayor obstáculo no fue la IA, sino el clima impredecible

Sorprendentemente, uno de los mayores desafíos técnicos del proyecto no fue el desarrollo de los complejos algoritmos de inteligencia artificial, sino un problema mucho más terrenal: la baja calidad y la falta de cobertura de los datos de las estaciones meteorológicas locales. Sin datos climáticos fiables y detallados, cualquier modelo predictivo pierde su poder.

La solución del equipo fue un ejemplo de creatividad ante la adversidad. En lugar de depender de las estaciones locales, recurrieron a fuentes alternativas como imágenes de satélite y radar. Para adaptar estos datos de gran escala a la resolución necesaria para el modelo, desarrollaron un proceso conocido como “downscaling” (reducción de escala). En términos sencillos, crearon un método para “traducir” la información climática capturada desde el espacio a la cuadrícula de 1 km² que cubre los barrios de Cali. Este punto es revelador: demuestra que los proyectos de IA más avanzados a menudo dependen de la capacidad de resolver problemas de datos muy básicos y del mundo real con ingenio.

Para predecir el futuro del dengue, la clave está en el pasado reciente

Un análisis sobre la importancia de las variables dentro del modelo arrojó un hallazgo contraintuitivo. Aunque los datos climáticos son fundamentales, los predictores más influyentes no fueron las mediciones de temperatura o precipitación más complejas, sino las propias tasas de incidencia de dengue de las semanas anteriores, especialmente las de hace cuatro semanas.

¿Qué significa esto? Que la propia dinámica y el “momentum” de la enfermedad en el territorio —es decir, la inercia y la velocidad con la que los casos se han propagado en un área específica— es un predictor extremadamente potente de su comportamiento futuro. Esta lección subraya una verdad fundamental en la salud pública moderna: la tecnología más avanzada es tan buena como los datos que la alimentan. Para que un sistema como Dengue.IA funcione, es indispensable contar con un sistema de vigilancia epidemiológica robusto, ágil y actualizado que reporte los casos de manera oportuna.

Predecir no es suficiente: La IA también debe prescribir la acción

El proyecto Dengue.IA Cali entiende que un pronóstico, por muy preciso que sea, tiene un valor limitado si no se traduce en una acción clara. Aquí es donde el proyecto da un paso crucial: los pronósticos generados por el modelo predictivo no son el punto final, sino el punto de partida para el modelo prescriptivo. Por ello, el sistema se compone de dos partes fundamentales que trabajan en conjunto: el modelo predictivo y el modelo prescriptivo.

Mientras que el modelo predictivo responde a las preguntas de “¿dónde?” y “¿cuándo?” es probable que ocurra un brote, el modelo prescriptivo responde al “¿qué hacemos al respecto?”. Este segundo componente recomienda un conjunto de 19 estrategias de intervención posibles, que van desde el control de vectores (como la fumigación o el control de larvas) hasta la comunicación comunitaria y la gestión ambiental. Este enfoque dual es crucial porque convierte los datos en decisiones y las alertas en planes de acción concretos, ofreciendo a las autoridades sanitarias una hoja de ruta clara para proteger a la población.

Cuando la IA no tiene datos, aprende de los expertos humanos

Si el desafío para el modelo predictivo fue la falta de datos climáticos de calidad, el obstáculo para el modelo prescriptivo fue aún mayor: la ausencia casi total de datos históricos sobre la efectividad de las intervenciones. Sin estos datos, era imposible entrenar un modelo de machine learning de manera tradicional para que aprendiera qué estrategia funciona mejor en cada contexto.

La solución fue brillante y profundamente humana. Se utilizó un método llamado proceso Delphi. El objetivo de este método es transformar las opiniones individuales y a menudo divergentes de un grupo de especialistas en un consenso cuantitativo y estructurado. Se reunió a un panel de 14 expertos en campos tan diversos como salud pública, entomología, epidemiología, gestión ambiental y operaciones de vigilancia. A través de rondas iterativas y apoyados por una plataforma de software diseñada a medida para este proceso, en un método que podría denominarse “e-Delphi”, el equipo logró “extraer”, estructurar y sistematizar el conocimiento colectivo de estos especialistas. Fue este consenso el que definió los 54 indicadores, las 19 estrategias y las reglas que los conectan.

Este no fue simplemente un plan B ante la falta de datos; fue la creación de un motor de decisión basado en décadas de experiencia humana acumulada, un conocimiento que antes residía en las mentes de los expertos y que ahora ha sido codificado en un sistema digital, escalable y persistente.

Un Nuevo Modelo para la Salud Pública

El verdadero avance de Dengue.IA Cali no es una nueva pieza de inteligencia artificial, sino una nueva arquitectura para la inteligencia colectiva. El proyecto demuestra que los sistemas más robustos no son los que apuestan todo a los algoritmos, sino los que saben orquestar una sinfonía de herramientas: machine learning donde hay datos, conocimiento experto codificado donde no los hay, y una comprensión profunda del contexto para unirlo todo.

Nos deja una pregunta final que invita a la reflexión: Si podemos combinar la inteligencia artificial con la sabiduría colectiva para anticipar y combatir el dengue, ¿qué otros desafíos complejos de nuestras ciudades podríamos empezar a resolver hoy?

Nota generada con IA a partir de reportes oficiales

Refinamos el modelo para predecir brotes de dengue con enfoque en comunas y datos ambientales

Con el objetivo de seguir afinando nuestro modelo de predicción y prevención de brotes de dengue en Cali, el equipo técnico del proyecto Dengue.IA sostuvo el pasado 7 de marzo una sesión estratégica con representantes de la Fundación Rockefeller, quien financia este proyecto.

Uno de los principales avances fue el debate sobre la granularidad territorial del modelo. La propuesta de la Secretaría de Salud de trabajar a nivel de comuna —en línea con los ciclos epidémicos conocidos cada 3 a 4 años— permitirá orientar la herramienta hacia una mayor utilidad operativa. Se reafirmó que el modelo debe anticipar brotes con suficiente margen de semanas y con base en el número estimado de personas potencialmente afectadas, para así guiar decisiones preventivas más eficaces.

El equipo también presentó progresos en la validación de hipótesis que relacionan factores sociales y ambientales con la aparición del dengue. Entre los elementos destacados están las secuencias de lluvia moderada seguidas de calor, la acumulación de residuos sólidos, la temperatura y humedad, así como variables como densidad poblacional, nivel educativo y percepción del riesgo.

Además, se reafirmó el compromiso de construir un panel de control web que permita a la Secretaría de Salud visualizar las predicciones y tomar decisiones en tiempo real. En paralelo, se discutieron retos relacionados con la disponibilidad de datos meteorológicos históricos, y se planteó recurrir a fuentes externas como Copernicus o la NASA para complementar la información necesaria.

Más allá de lo técnico, la jornada dejó importantes reflexiones sobre liderazgo, comunicación y articulación interinstitucional, reconociendo que el valor del proyecto radica también en la capacidad de cooperación entre academia, gobierno y aliados internacionales.

Dengue.IA: Predice, Previene y Protege tu Comunidad

El 10 de febrero de 2025, investigadores de la Universidad Icesi y la Universidad del Valle se reunieron para seguir avanzando en Dengue.IA, una herramienta diseñada para predecir brotes de dengue y mejorar su gestión. Durante la jornada, liderada por el ingeniero Daniel Osorio y la epidemióloga Lyda Osorio, se definieron los hitos clave del modelo, considerados esenciales para el proyecto.

_{^{Centers for Disease Control and Prevention (CDC). (2025, 4 de junio). [Mapa mundial de áreas con riesgo de dengue]. En Areas with Risk of Dengue. Recuperado de https://www.cdc.gov/dengue/images/areaswithrisk/Dengue-World-Map.jpg}}

Uno de los principales objetivos de Dengue.IA es generar alertas tempranas que permitan actuar antes de que la enfermedad se propague. Lyda Osorio destacó que contar con información anticipada facilita la toma de decisiones y ayuda a reducir el impacto del dengue en la salud pública. Para lograrlo, el modelo busca optimizar las estrategias de prevención y control, adaptándolas a las condiciones específicas de cada región. Por esto se discutió cómo la distribución de la población influye en la efectividad de medidas como la fumigación, por lo que es fundamental ajustar estas estrategias para maximizar su impacto.

Otro aspecto clave del proyecto es la aplicación de la ciencia en la lucha contra el dengue. Según Lyda Osorio, cuando más del 80% de los mosquitos en una zona están infectados con la bacteria Wolbachia, el riesgo de brote es bajo; sin embargo, si este porcentaje cae al 50%, la amenaza aumenta significativamente. Integrar este conocimiento en las estrategias de prevención permitirá tomar decisiones más acertadas y efectivas.

Desde su inicio, Dengue.IA ha apostado por la colaboración entre diferentes sectores. La Dra. Osorio enfatizó que el compromiso de la comunidad y la capacitación del personal de salud son esenciales para que el sistema funcione correctamente. En esa línea, Daniel Osorio presentó un cronograma detallado que involucra a expertos de diversas áreas, desde analistas de datos hasta técnicos de campo, con el objetivo de abordar el problema de manera integral y eficiente.

Más allá del desarrollo tecnológico, el éxito del proyecto se medirá por su impacto en la salud pública. Freddy Agredo, representante de la Secretaría de Salud, destacó que Dengue.IA puede convertirse en una herramienta clave para prevenir brotes, mejorar la gestión de la enfermedad y reducir los costos en atención médica. Para seguir avanzando, el equipo se comprometió a recopilar información directamente del personal de campo y a revisar los planes de contingencia actuales, asegurando que el modelo se adapte a las necesidades reales de cada comunidad.

_{^{La Hora. (2023, 31 de agosto). [Gráfico informativo sobre detección, tratamiento y prevención del dengue]. En Cómo detectar el dengue, tratarlo y sobre todo prevenirlo. Recuperado de https://lahora.gt/wp-content/uploads/sites/5/2023/08/grafico-dengue-principal.jpg}}

El proyecto también contempla la automatización de la recolección de datos y la integración de herramientas predictivas y prescriptivas. Esto garantizará que las autoridades de salud puedan utilizar la información de manera eficiente y tomar decisiones basadas en datos precisos y actualizados. Gracias a este esfuerzo conjunto, Dengue.IA busca transformar la gestión del dengue mediante la innovación, la ciencia y el trabajo colaborativo.

Aprendiendo juntos a predecir el dengue

El 14 de enero de 2025, investigadores de la Universidad Icesi y el equipo de ARTPARK, una organización líder en innovación tecnológica con sede en India, se reunieron para compartir experiencias y conocimientos en la predicción de brotes de dengue. El objetivo principal de este encuentro fue aprender de las lecciones y avances de ARTPARK, clave para fortalecer el proyecto de modelado y predicción de dengue que Icesi en el marco del proyecto Dengue.IA.

La sesión fue liderada por Gabriel Tamura, investigador de Icesi, y Rohit Satish, miembro del equipo de ARTPARK. Durante el intercambio, se abordaron los principales retos y avances en el uso de técnicas de Machine Learning (aprendizaje automático) y modelos mecanísticos. El profesor Tamura presentó los objetivos, retos y avances del proyecto, mientras que ARTPARK compartió su experiencia enfrentando uno de los mayores desafíos en este campo: el manejo e integración de datos no integrados y provenientes de diversas fuentes.

La reunión concluyó con un intercambio de ideas sobre los desafíos comunes en la predicción de brotes de dengue. ARTPARK destacó la importancia de la paciencia y la persistencia en el desarrollo de modelos mecanísticos, así como la necesidad de integrar datos heterogéneos para lograr una mejor precisión. Por su parte, Icesi reconoció la relevancia de las estrategias compartidas, especialmente la eficacia del modelo de regresión binomial negativa.

Como resultado de este encuentro, se acordó coordinar una nueva sesión de trabajo centrada en la comparación entre modelos estadísticos y de Machine Learning. Este intercambio continuo de conocimientos es fundamental para fortalecer el proyecto y avanzar hacia soluciones más efectivas en la prevención y control del dengue.

Más allá del intercambio técnico, este encuentro sentó las bases para una colaboración más estrecha entre Icesi y ARTPARK. La combinación entre de experticia en modelado, Machine Learning y epidemiología promete generar avances significativos en la lucha contra el dengue, con impactos positivos para comunidades enteras y contribuyendo a la salud pública global.