Predicción de casos de dengue a través del aprendizaje automático y el aprendizaje profundo: una revisión sistemática
DOI:
https://doi.org/10.33448/rsd-v10i11.19347Palabras clave:
Dengue, Pronóstico, Apndizaje automático, Aprendizaje profundo.Resumen
Introducción: el dengue es un arbovirus causado por el virus DENV y transmitido al ser humano a través del mosquito Aedes aegypti. Actualmente, no existe una vacuna eficaz para combatir todas las serologías del virus. Por tanto, la lucha contra la enfermedad se convierte en medidas preventivas contra la proliferación del mosquito. Los investigadores están utilizando Machine Learning (ML) y Deep Learning (DL) como herramientas para predecir casos de dengue y ayudar a los gobiernos en esta lucha. Objetivo: identificar qué técnicas y enfoques de LD y LD se están utilizando para predecir el dengue. Métodos: revisión sistemática realizada sobre las bases de las áreas de Medicina y Computación para dar respuesta a las preguntas de investigación: es posible realizar predicciones de casos de dengue utilizando técnicas de ML y DL, qué técnicas se utilizan, dónde se están realizando los estudios, ¿cómo y qué datos se utilizan? Resultados: luego de realizar las búsquedas, aplicando los criterios de inclusión, exclusión y lectura en profundidad, se aprobaron 14 artículos. Las técnicas Random Forest (RF), Support Vector Regression (SVR) y Long Short-Term Memory (LSTM) están presentes en el 85% de los trabajos. En cuanto a los datos, la mayoría se utilizaron 10 años de datos históricos sobre la enfermedad y la información climática. Finalmente, se prefirió la técnica de Root Mean Absolute Error (RMSE) para medir el error. Conclusión: la revisión mostró la viabilidad de utilizar técnicas de LD y LD para predecir casos de dengue, con una baja tasa de error y validadas mediante técnicas estadísticas.
Referencias
Appice, A., Gel, Y.R., Iliev, I., Lyubchich, V. & Malerba, D. (2020). A multi-stage machine learning approach to predict dengue incidence: a case study in mexico. Ieee access, 8, 52713–52725.
Brasil. (2019). Ministério da saúde alerta para aumento de 149% dos casos de dengue no país. Ministério da saúde, brasil, p. 2020.
Câmara, F. P., Theophilo, R. L. G., Santos, G. T. D., Pereira, S. R. F. G., Câmara, D. C. P., & Matos, R. R. C. D. (2007). Estudo retrospectivo (histórico) da dengue no Brasil: características regionais e dinâmicas. Revista da Sociedade Brasileira de Medicina Tropical, 40, 192-196.
Carvajal, T. M., Viacrusis, K. M., Hernandez, L. F. T., Ho, H. T., Amalin, D. M., & Watanabe, K. (2018). Machine learning methods reveal the temporal pattern of dengue incidence using meteorological factors in metropolitan Manila, Philippines. BMC infectious diseases, 18(1), 1-15.
da Silveira, L. T. C., Tura, B., & Santos, M. (2019). Systematic review of dengue vaccine efficacy. BMC infectious diseases, 19(1), 1-8.
de Jesus, J. G., Dutra, K. R., Sales, F. C. D. S., Claro, I. M., Terzian, A. C., Candido, D. D. S., ... & Faria, N. R. (2020). Genomic detection of a virus lineage replacement event of dengue virus serotype 2 in Brazil, 2019. Memórias do Instituto Oswaldo Cruz, 115.
de Souza, R. F., & da Cunha Albuquerque, A. R. (2018). GEOGRAFIA DA DENGUE: UMA ANÁLISE DAS POLÍTICAS DE CONTROLE E MONITORAMENTO DO AEDES AEGYPTI EM MANAUS/Geography of Dengue: an analysis of the control and monitoring policies of Aedes aegypti in Manaus. REVISTA GEONORTE, 9(31), 68-76.
Dhaka, A., & Singh, P. (2020, January). Comparative Analysis of Epidemic Alert System using Machine Learning for dengue and Chikungunya. In 2020 10th International Conference on Cloud Computing, Data Science & Engineering (Confluence) (pp. 798-804). IEEE.
Dharmawardana, K. G. S., Lokuge, J. N., Dassanayake, P. S. B., Sirisena, M. L., Fernando, M. L., Perera, A. S., & Lokanathan, S. (2017, December). Predictive model for the dengue incidences in Sri Lanka using mobile network big data. In 2017 IEEE International Conference on Industrial and Information Systems (ICIIS) (pp. 1-6). IEEE.
Doni, A. R., & Sasipraba, T. (2020). LSTM-RNN Based Approach for Prediction of Dengue Cases in India. Ingénierie des Systèmes d'Information, 25(3).
Fabbri, S., Silva, C., Hernandes, E., Octaviano, F., Di Thommazo, A., & Belgamo, A. (2016, June). Improvements in the StArt tool to better support the systematic review process. In Proceedings of the 20th international conference on evaluation and assessment in software engineering (pp. 1-5).
Ferreira, V. M., Nunes, R. C., Ferreira, J. M. S., & Herrera, K. M. S. (2019). Um mosquito e três doenças: ação de combate ao Aedes aegypti e conscientização sobre Dengue, Chikungunya e Zika em Divinópolis/MG, BRASIL. Revista Brasileira de Extensão Universitária, 10(2), 49-54.
Graciano, A. R., de Assis, L. P. F., Cozer, A. M., Amâncio, V. C., & de Oliveira, J. M. R. (2017). Morbimortalidade da dengue em idosos no Brasil-Dengue morbidity and mortality in elderly in Brazil. Revista Educação em Saúde, 5(1), 56-65.
Guo, P., Liu, T., Zhang, Q., Wang, L., Xiao, J., Zhang, Q., & Ma, W. (2017). Developing a dengue forecast model using machine learning: A case study in China. PLoS neglected tropical diseases, 11(10), e0005973.
Kerdprasop, K., Kerdprasop, N., & Chuaybamroong, P. (2019, December). Forecasting Dengue Incidence with the Chi-squared Automatic Interaction Detection Technique. In Proceedings of the 2019 2nd Artificial Intelligence and Cloud Computing Conference (pp. 37-42).
Levac, D., Colquhoun, H., & O'Brien, K. K. (2010). Scoping studies: advancing the methodology. Implementation science, 5(1), 1-9.
Manogaran, G., & Lopez, D. (2018). A Gaussian process based big data processing framework in cluster computing environment. Cluster Computing, 21(1), 189-204.
Mishra, V. K., Tiwari, N., & Ajaymon, S. L. (2019, December). Dengue disease spread prediction using twofold linear regression. In 2019 IEEE 9th International Conference on Advanced Computing (IACC) (pp. 182-187). IEEE.
Moher, D., Liberati, A., Tetzlaff, J., Altman, D. G., & Prisma Group. (2009). Preferred reporting items for systematic reviews and meta-analyses: the PRISMA statement. PLoS medicine, 6(7), e1000097.
Mussumeci, E., & Coelho, F. C. (2020). Large-scale multivariate forecasting models for Dengue-LSTM versus random forest regression. Spatial and Spatio-temporal Epidemiology, 35, 100372.
Mustafa, M. S., Rasotgi, V., Jain, S., & Gupta, V. J. M. J. A. F. I. (2015). Discovery of fifth serotype of dengue virus (DENV-5): A new public health dilemma in dengue control. Medical journal armed forces India, 71(1), 67-70.
Neto, A. S. L., do Nascimento, O. J., & de Sousa, G. D. S. (2016). Dengue, zika e chikungunya-desafios do controle vetorial frente à ocorrência das três arboviroses-parte I. Revista Brasileira em Promoção da Saúde, 29(3), 305-312.
Pham, D. N., Aziz, T., Kohan, A., Nellis, S., Khoo, J. J., Lukose, D., & Ong, H. H. (2018, October). How to efficiently predict dengue incidence in kuala lumpur. In 2018 Fourth International Conference on Advances in Computing, Communication & Automation (ICACCA) (pp. 1-6). IEEE.
Puengpreeda, A., Yhusumrarn, S., & Sirikulvadhana, S. (2020). Weekly Forecasting Model for Dengue Hemorrhagic Fever Outbreak in Thailand. Engineering Journal, 24(3), 71-87.
Raju, N. G., Krishna, P. G., Manognya, K., Kiran, G. R., Rohit, P., & Likhith, K. (2019, July). Evolution of predictive model for Dengue incidence by using machine learning algorithms. In 2019 International Conference on Communication and Electronics Systems (ICCES) (pp. 51-59). IEEE.
Xu, J., Xu, K., Li, Z., Meng, F., Tu, T., Xu, L., & Liu, Q. (2020). Forecast of dengue cases in 20 Chinese cities based on the deep learning method. International journal of environmental research and public health, 17(2), 453
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2021 Ewerthon Dyego de Araujo Batista; Wellington Candeia de Araújo; Romeryto Vieira Lira; Laryssa Izabel de Araujo Batista
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
