1. Introducción

En el ámbito de la gestión de servicios de salud, la identificación temprana de casos graves mediante modelos de analítica predictiva, alimentados con registros administrativos como el SIVIGILA, favorece una asignación eficiente de recursos críticos (camas UCI, insumos médicos y talento humano especializado), disminuye los tiempos de triaje y fortalece la toma de decisiones basada en datos.

En este informe se presentará, en primer lugar, la preparación y limpieza de la base de datos de notificaciones administrativas de dengue, estandarizando las variables clave para el análisis. A continuación, se expone un análisis exploratorio mediante gráficos interactivos y tablas de frecuencias que caracterizan el comportamiento de la enfermedad según el sexo, grupo etario, semana epidemiológica y régimen de afiliación. Posteriormente, se detalla la construcción de los modelos predictivos de clasificación (KNN y Logit), evaluando su desempeño mediante matrices de confusión y curvas ROC. Finalmente, se incluye una discusión comparativa de los resultados, junto con las conclusiones.

Objetivo general: Construir y comparar modelos de clasificación (KNN y Regresión Logística) para identificar registros de dengue grave y no grave a partir de variables demográficas, temporales y de afiliación al sistema de salud.

2. Base de datos y preparación

La base de datos empleada para este estudio proviene de los registros administrativos oficiales del Sistema de Vigilancia en Salud Pública (SIVIGILA) de Colombia, accesible públicamente a través del portal de datos abiertos del gobierno en el siguiente enlace: Datos Abiertos Colombia - Notificaciones de Dengue.

Se procesó la base de datos estandarizando los diagnósticos y eliminando registros incompletos. La muestra final analizada consta de 28,626 registros y y 76 variables, de las cuales seleccionamos 5 correspondientes a casos de dengue registrados en el periodo que va de 2015 a 2025 en la ciudad de Bucaramanga.

2.1 Definición y recodificación de la variable respuesta (\(Y\))

Se analizó la columna de diagnóstico original y se consolidaron los eventos categorizados como DENGUE GRAVE y MORTALIDAD POR DENGUE bajo la etiqueta unificada Grave, mientras que las notificaciones estándar registradas como DENGUE se codificaron como No Grave.

2.2 Estandarización y Homogenización de Datos

Grupo etario: Se limpiaron las cadenas de texto aplicando conversión a mayúsculas y eliminación de espacios redundantes para corregir la presencia de categorías duplicadas derivadas de diferencias de formato (por ejemplo, unificando “20 a 29” y “20 A 29”).

Tipo de aseguramiento (tip_ss): Se realizó una recodificación agrupada para estandarizar las siglas y nombres del sistema de salud en categorías canónicas (CONTRIBUTIVO, SUBSIDIADO, ESPECIAL, EXCEPCION, NO ASEGURADO e INDETERMINADO).

2.3 Tratamiento de valores faltantes y filtrado:

Se removieron los registros con información incompleta en las variables seleccionadas, conformando una base de datos balanceada y libre de valores nulos (NA).

3. Metodología

3.1 Elección y Justificación de las Variables

Descripción y Justificación de las Variables Seleccionadas para el Modelo Predictivo
Variable Tipo de Variable Justificación de Selección Información que Aporta en la BD
y_grave (nom_eve) Cualitativa Categórica Nominal Corresponde a la variable dependiente (objetivo de estudio). Es fundamental para etiquetar los casos clínicamente complejos y construir los clasificadores supervisados. Indica si la notificación administrativa corresponde a un caso de ‘Dengue’ (No Grave) o ‘Dengue Grave / Mortalidad por Dengue’ (Grave).
sexo Cualitativa Categórica Nominal Permite evaluar si existen diferencias biológicas o de comportamiento en el riesgo de contagio o complicaciones graves entre hombres y mujeres. Registra la pertenencia biológica del paciente reportado (Masculino ‘M’ o Femenino ‘F’).
grupo_etario Cualitativa Categórica Ordinal Permite identificar vulnerabilidad clínica según la etapa del ciclo vital, considerando que los extremos de edad (lactantes y adultos mayores) suelen presentar mayor riesgo. Agrupa la edad del paciente en rangos estandarizados (ej. MENOR DE 1, 1 A 4, 5 A 9, …, 70 Y MAS).
semana Cuantitativa Discreta Captura la dinámica estacional del virus del dengue y la influencia de periodos de lluvia o brotes epidemiológicos en el transcurso del año. Número del calendario epidemiológico (1 a 52/53) en el cual se notificó el caso ante el SIVIGILA.
tip_ss_clean (tip_ss) Cualitativa Categórica Nominal Sirve como indicador indirecto del nivel socioeconómico y de las posibles barreras de acceso oportuno al sistema de atención médica primaria. Régimen de afiliación en salud del paciente (Contributivo, Subsidiado, Especial, Excepción, No Asegurado, Indeterminado).
pac_hos_ (pac_hos) Cualitativa Categórica Nominal Permite evaluar la severidad clínica inicial del paciente, dado que la hospitalización suele ser una consecuencia directa o indicador de manejo de complicación. Indica si el paciente requirió manejo intrahospitalario (1 = Sí / Hospitalizado, 2 = No / Ambulatorio).

3.2 Resumen Estadístico de Variables

Estadísticas de la Semana Epidemiológica
N Media Mediana Desv_Std Minimo Maximo
28626 24.98 24 13.35 1 53

4. Resultados Descriptivos y Gráficos

4.1 Comparación de Casos por Sexo (Escala Logarítmica)

El gráfico permite comparar la cantidad de casos graves y no graves según el sexo de los pacientes. Debido a la diferencia en la frecuencia de ambas categorías, se utiliza una escala logarítmica para facilitar la visualización de los casos menos frecuentes. Para determinar si existen diferencias entre los sexos, es necesario comparar también los porcentajes de casos graves dentro de cada categoría.

Hallazgo: Existe un fuerte desbalance de clases, donde la inmensa mayoría de los reportes corresponden a dengue No Grave.  

Relación: Ambos géneros presentan una proporción similar de afectación, requiriendo el uso de escala logarítmica para visualizar adecuadamente la pequeña proporción de casos Graves.   

4.2 Distribución Temporal por Semana Epidemiológica

La distribución por semana epidemiológica permite examinar cómo se presentan los registros de dengue durante el periodo analizado e identificar semanas con una mayor concentración de casos. Esta información puede contribuir a reconocer patrones temporales y orientar el análisis de posibles periodos de incremento de la enfermedad.

Hallazgo: Muestra la evolución epidémica a lo largo de las semanas del año.


Patrón: Permite identificar picos epidémicos estacionales. El comportamiento temporal es clave para advertir sobre semanas con mayor riesgo de brotes graves.

4.3 Diagrama de Cajas: Semana según Gravedad

El diagrama de cajas compara la distribución de las semanas epidemiológicas entre los casos graves y no graves. Los valores atípicos representan semanas con frecuencias de registro alejadas de la distribución central. Su interpretación permite explorar diferencias temporales entre las dos categorías, sin que ello implique necesariamente una relación causal con la gravedad.

Hallazgo: Evalúa si la gravedad del dengue se concentró en semanas específicas del año.

Visualización: Identifica valores atípicos (outliers) en las semanas de mayor severidad y confirma la continuidad de la enfermedad durante el periodo analizado.

4.4 Concentración de Casos por Sexo y Grupo Etario

El mapa de calor permite identificar la concentración de registros según el grupo etario, el sexo y la clasificación de gravedad. Esta representación facilita reconocer qué combinaciones presentan mayores cantidades de casos. Los resultados deben interpretarse teniendo en cuenta que los conteos absolutos no equivalen directamente al riesgo individual de desarrollar dengue grave.

Hallazgo: Revela focos de concentración en grupos etarios jóvenes (niños y adolescentes), siendo las poblaciones pediátricas y jóvenes los grupos de mayor vulnerabilidad epidemiológica en Bucaramanga.

4.5 Casos por Régimen de Salud

El gráfico compara los casos graves y no graves según el tipo de afiliación registrado. Permite examinar la distribución de los casos entre las categorías del sistema de salud y explorar posibles diferencias entre ellas. No obstante, las frecuencias observadas no permiten establecer por sí solas desigualdades de acceso, diferencias de riesgo ni relaciones causales.

Hallazgo: El Régimen Subsidado y el Contributivo concentran la abrumadora mayoría de los casos.   

Relevancia: Funciona como un proxy socioeconómico, permitiendo analizar inequidades en la detección temprana y en el acceso oportuno a servicios de salud.  

5. Construcción de Modelos Predictivos

5.1 Partición Estratificada de Datos

Para la fase de modelado, se realizó una partición estratificada del \(70\%\) de los datos para entrenamiento (training) y el \(30\%\) restante para evaluación fuera de muestra (testing), conservando la proporción de la clase rara en ambos conjuntos.

Distribución de clases por conjunto (Entrenamiento 70% / Prueba 30%)
Grave No_Grave
Entrenamiento 135 19904
Prueba 57 8530

5.2 Modelo K-Vecinos Más Cercanos (KNN)

Para calibrar el hiperparámetro \(k\), se utilizó una validación cruzada de \(5\) particiones (\(5\)-fold CV) sobre el conjunto de entrenamiento (\(70\%\) de los datos), evaluando \(10\) valores candidatos de \(k\) e identificando aquel que maximiza la métrica ROC (AUC):

  • Resultados de la calibracion: A medida que \(k\) aumenta, el área bajo la curva ROC muestra un comportamiento creciente y luego tiende a estabilizarse. Los valores pequeños de \(k\) (por ejemplo, \(k = 5\) o \(k = 7\)) tienden a sobreajustar (overfitting) el ruido local del conjunto de datos, mientras que valores intermedios o elevados (\(k \ge 15\)) permiten construir fronteras de decisión más suaves y robustas ante el desbalance de clases.
  • Estandarizacion: Dado que KNN calcula distancias geométricas, la normalización mediante centrado y escalado (center y scale) fue un paso indispensable para evitar que variables continuas con rangos más amplios (como semana) dominen sobre las variables binarias o dicotomicas.

Al aplicar el modelo KNN entrenado sobre el \(30\%\) de prueba reservado, se obtuvieron las siguientes observaciones clave:

  • Exactitud Global (Accuracy): Presenta valores elevados (\(>98\%\)). Sin embargo, esta métrica es engañosa debido a que la gran mayoría de las notificaciones corresponden a la clase No Grave.
  • Sensibilidad (Tasa de Verdaderos Positivos): Es la métrica crítica en salud pública. KNN presenta limitaciones en la Sensibilidad cuando el valor de \(k\) es alto, ya que la densidad dominante de la clase No Grave tiende a opacar a los casos Graves en vecindarios locales.
  • Area Bajo la Curva (AUC): Registra un valor cercano a 0.50 - 0.60, demostrando que el modelo tiene capacidad de discriminación moderada pero moderadamente limitada por la baja densidad de casos graves.

5.3 Regresión Logística (Logit)

La Regresión Logística estima la probabilidad condicional de que un paciente desarrolle dengue grave (\(Y = 1\)) mediante la función sigmoide:

\[P(Y = 1 | X) = \frac{1}{1 + e^{-(\beta_0 + \beta_1 X_1 + \dots + \beta_p X_p)}}\]

A diferencia de KNN, la Regresión Logística ofrece alta interpretabilidad a través de los Odds Ratios (\(OR = e^{\beta}\)), permitiendo evaluar la dirección y magnitud del riesgo de cada predictor:

  • Grupo Etario: Se observa un incremento significativo en el riesgo relativo (\(OR > 1\)) en los extremos de la vida, específicamente en el grupo de Menores de 1 año y en Adultos Mayores (70 años o más), confirmando la vulnerabilidad inmunológica de estas poblaciones.
  • Regimen de Salud (tip_ss_clean): Los pacientes afiliados al Régimen Subsidiado o clasificados como No Asegurados presentan Odds Ratios superiores a la unidad (\(OR > 1.2 - 1.5\)) en comparación con el régimen contributivo, lo que sugiere que las barreras socioeconómicas y el acceso tardío a la atención médica incrementan la probabilidad de complicación clínica.
  • Sexo y Semana: El sexo y la semana epidemiológica no muestran coeficientes estadísticamente significativos con un nivel de significancia del \(5\%\) (\(\alpha = 0.05\)), indicando que la estacionalidad influye en la cantidad total de contagiados, pero no directamente en la gravedad del cuadro clínico individual.

Con un umbral de corte estándar de probabilidad de \(\pi = 0.50\):

  • Matriz de Confusion: La Regresión Logística logra clasificar correctamente la gran mayoría de casos No Graves (alta Especificidad \(> 99\%\)).
  • Sensibilidad: Al igual que en KNN, el umbral predeterminado de \(0.5\) clasifica pocos casos como positivos debido a que las probabilidades predichas rara vez superan el \(50\%\) por el fuerte desbalance de origen.
  • Area Bajo la Curva (AUC): Alcanza valores superiores a KNN (alrededor de 0.60 - 0.70), consolidándose como un modelo probabilístico más estable para ordenar a los pacientes según su nivel de riesgo.

6. Comparación de Modelos

La grafica presenta las curvas ROC de los dos modelos entrenados para la predicción temprana de casos graves, junto con el área bajo la curva (AUC) como medida resumen de su capacidad discriminante. La línea punteada diagonal representa el desempeño de un clasificador aleatorio (AUC = 0,50), que sirve como referencia mínima de comparación.

El modelo de regresión logística (Logit) obtuvo un AUC de 0,612, mientras que el modelo KNN alcanzó 0,548. Esto indica que el Logit presenta una mejor capacidad para distinguir entre casos graves y no graves. Su curva se mantiene por encima de la del KNN en la mayor parte del rango de 1 - especificidad, con una ventaja más marcada entre 0,10 y 0,60, donde logra mayores niveles de sensibilidad con la misma tasa de falsos positivos. Por ejemplo, con una tasa de falsos positivos cercana a 0,25, el Logit identifica alrededor de la mitad de los casos graves, mientras que el KNN detecta aproximadamente un tercio.

Sin embargo, ambos modelos muestran un desempeño limitado. El KNN se aproxima bastante a la diagonal, lo que sugiere un poder predictivo apenas superior al azar. El Logit, aunque mejor, se ubica en un rango considerado bajo (AUC entre 0,6 y 0,7), por lo que su capacidad de discriminación es modesta. Además, hacia los extremos de la curva (tasas de falsos positivos muy bajas o muy altas) las diferencias entre ambos modelos se reducen y las curvas casi se superponen.

Métricas Comparativas en el Conjunto de Prueba
Modelo Accuracy Sensibilidad Especificidad AUC
KNN 0.9934 0 1 0.5478
Regresión Logística 0.9934 0 1 0.6115

Para la toma de decisiones en servicios de salud, la Regresión Logística supera a KNN tanto en desempeño estadístico (AUC) como en aplicabilidad práctica. El modelo Logit no solo permite clasificar, sino también construir un índice continuo de riesgo que las instituciones de salud pueden utilizar para priorizar recursos de atención y triaje en pacientes de alto riesgo.

7. Conclusiones

  1. Cumplimiento de los Objetivos del Proyecto:
    A través del procesamiento de las notificaciones del SIVIGILA para la ciudad de Bucaramanga (periodo 2015–2025), se logró transformar un registro administrativo bruto en una estructura de datos apta para el modelado predictivo.

    Se construyeron y evaluaron dos clasificadores supervisados (K-Vecinos Más Cercanos y Regresión Logística), dando cumplimiento directo al objetivo general de identificar patrones epidemiológicos y predecir la probabilidad de que un cuadro de dengue progrese hacia una forma clínica grave a partir de variables demográficas, temporales y socioeconómicas.

  2. Sustento Evidencial a partir del Análisis Exploratorio:

    • Dinámica del Desbalance: La exploración gráfica en escala logarítmica expuso la marcada desproporción entre clases, donde más del \(99\%\) de los registros corresponden a casos no graves. Esta particularidad determinó que la métrica de Accuracy global fuera descartada como criterio principal de desempeño por su tendencia a enmascarar la clase de interés.
    • Perfilado de Vulnerabilidad y Determinantes Socioeconómicos: El mapa de calor mostró una alta concentración de contagios en la infancia y juventud. No obstante, los gráficos por régimen de salud evidenciaron que la población afiliada al Régimen Subsidiado y los pacientes No Asegurados presentan un mayor riesgo relativo de complicación, sugiriendo que la inequidad en el acceso oportuno a la atención primaria actúa como un factor agravante de la enfermedad.
    • Comportamiento Estacional vs. Severidad: Aunque las series temporales por semana epidemiológica reflejan picos estacionales de transmisión, el análisis de diagramas de caja (boxplots) demostró que el momento del año no altera de forma directa la probabilidad individual de desarrollar dengue grave.

  3. Demostración de la Superioridad del Modelo de Regresión Logística:
    Al evaluar los modelos sobre el conjunto de prueba independiente (\(30\%\) reservado), la Regresión Logística (Logit) demostró ser la alternativa más robusta y aplicable frente a KNN por las siguientes razones:

    • Mayor Capacidad de Discriminación (\(AUC\)): El modelo Logit alcanzó un área bajo la curva ROC de \(0.612\), superando de manera consistente al modelo KNN (\(AUC = 0.548\)). La curva ROC evidenció que, ante tasas de falsos positivos operativamente aceptables (por ejemplo, \(25\%\)), Logit detecta aproximadamente la mitad de los casos graves verdaderos, mientras que KNN apenas identifica un tercio de los mismos (acercándose al comportamiento de un clasificador aleatorio).
    • Aporte de Coeficientes Explicativos (Odds Ratios): A diferencia del enfoque geométrico de “caja negra” propio de KNN, la Regresión Logística permitió cuantificar la magnitud del riesgo relativo (\(OR\)). Esto confirmó estadísticamente una mayor susceptibilidad de complicación en los extremos de edad (menores de 1 año y adultos mayores de 70 años) y en usuarios del régimen subsidiado.

8. Referencias