Análisis de datos topológicos para la predicción de dengue basada en clústeres en México

Área de la Ciencia:

• Epidemiología
• Biología Computacional
• Ciencia de Datos

Sus antecedentes:

• La incidencia de dengue presenta patrones complejos y dinámicos que desafían la predicción tradicional.
• El Análisis de Datos Topológicos (TDA) proporciona descriptores conscientes de la forma para estructuras de datos intrincadas.

Objetivo del estudio:

• Desarrollar y evaluar un pipeline de predicción agrupado para la incidencia semanal de dengue en México.
• Integrar TDA en la ingeniería de características para mejorar el análisis de patrones epidémicos y la predicción.

Principales métodos:

• Un pipeline que combina TDA (diagramas de persistencia, imágenes de persistencia) con agrupamiento de mezclas gaussianas y Modelos Lineales Generalizados (GLM) a nivel de clúster.
• Comparación de modelos de Poisson y Binomial Negativa (NB2) utilizando evaluación de origen rodante frente a puntos de referencia.
• Evaluación del impacto de TDA/PI en la habilidad de predicción, la interpretabilidad y la estratificación de patrones.

Principales resultados:

• El modelo de Binomial Negativa (NB2) superó consistentemente al modelo de Poisson en tres clústeres, demostrando un Menor Error Absoluto Medio (MAE).
• La inclusión de TDA e imágenes de persistencia (PI) no alteró significativamente la precisión de la predicción a una semana, pero mejoró sustancialmente la interpretabilidad y la estratificación.
• El análisis de PI destacó patrones dinámicos únicos y específicos de cada clúster en la incidencia de dengue.

Conclusiones:

• El flujo de trabajo desarrollado ofrece predicciones de dengue reproducibles, operacionales y basadas en clústeres.
• El TDA mejora la comprensión de la dinámica epidémica, lo que ayuda a los esfuerzos de vigilancia regional.
• Los modelos NB2 combinados con TDA proporcionan un enfoque robusto para la predicción de dengue.