Una revisión sistemática de Modelos de clasificación de dengue utilizando machine learning
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Outros Autores: | , , , |
Tipo de documento: | Artigo |
Idioma: | spa |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://scielo.pt/scielo.php?script=sci_arttext&pid=S1646-98952023000200005 |
Resumo: | El dengue es una enfermedad arboviral que anualmente reporta un gran número de infectados en la costa norte y la selva peruana. Según las estadísticas, está aumentando cada año. Este artículo tiene como objetivo desarrollar una revisión sistemática de la literatura científica sobre las variables de estudio y los métodos de aprendizaje automático utilizados actualmente para detectar la infección por dengue. La metodología utilizada fue PRISMA, mapeando inicialmente la literatura de 274 artículos científicos, quedando seleccionados 33 artículos para la revisión sistemática. Los resultados obtenidos son que los algoritmos de aprendizaje automático más utilizados son las redes neuronales (NN) y support vector machine (SVM). Asimismo, se ha encontrado que los científicos tienden a realizar investigaciones con variables climáticas o demográficas para obtener mejores resultados. Se concluye que los métodos de aprendizaje automático que más se han utilizado son las redes neuronales de diferentes tipos: convolucional, recurrente, profunda y multicapa, y para la predicción de brotes de dengue predominaron los métodos de series de tiempo con LSTM y ARIMA, también se estableció que la tendencia es hacia la inclusión de variables climáticas y demográficas en los modelos de predicción. |
id |
RCAP_a3db744f7c85e1a9611fafec1f06d57f |
---|---|
oai_identifier_str |
oai:scielo:S1646-98952023000200005 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Una revisión sistemática de Modelos de clasificación de dengue utilizando machine learningDenguedetecciónmachine learningmétodos de clasificaciónalgoritmos de clasificaciónrandom forestsupport vector machineartificial neural networksEl dengue es una enfermedad arboviral que anualmente reporta un gran número de infectados en la costa norte y la selva peruana. Según las estadísticas, está aumentando cada año. Este artículo tiene como objetivo desarrollar una revisión sistemática de la literatura científica sobre las variables de estudio y los métodos de aprendizaje automático utilizados actualmente para detectar la infección por dengue. La metodología utilizada fue PRISMA, mapeando inicialmente la literatura de 274 artículos científicos, quedando seleccionados 33 artículos para la revisión sistemática. Los resultados obtenidos son que los algoritmos de aprendizaje automático más utilizados son las redes neuronales (NN) y support vector machine (SVM). Asimismo, se ha encontrado que los científicos tienden a realizar investigaciones con variables climáticas o demográficas para obtener mejores resultados. Se concluye que los métodos de aprendizaje automático que más se han utilizado son las redes neuronales de diferentes tipos: convolucional, recurrente, profunda y multicapa, y para la predicción de brotes de dengue predominaron los métodos de series de tiempo con LSTM y ARIMA, también se estableció que la tendencia es hacia la inclusión de variables climáticas y demográficas en los modelos de predicción.AISTI - Associação Ibérica de Sistemas e Tecnologias de Informação2023-06-01info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/articletext/htmlhttp://scielo.pt/scielo.php?script=sci_arttext&pid=S1646-98952023000200005RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação n.50 2023reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAPspahttp://scielo.pt/scielo.php?script=sci_arttext&pid=S1646-98952023000200005Maquen-Niño,Gisella Luisa ElenaBravo,JessieAlarcón,RogerAdrianzén-Olano,IvanVega-Huerta,Hugoinfo:eu-repo/semantics/openAccess2024-02-06T17:24:29Zoai:scielo:S1646-98952023000200005Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-20T02:30:17.158581Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Una revisión sistemática de Modelos de clasificación de dengue utilizando machine learning |
title |
Una revisión sistemática de Modelos de clasificación de dengue utilizando machine learning |
spellingShingle |
Una revisión sistemática de Modelos de clasificación de dengue utilizando machine learning Maquen-Niño,Gisella Luisa Elena Dengue detección machine learning métodos de clasificación algoritmos de clasificación random forest support vector machine artificial neural networks |
title_short |
Una revisión sistemática de Modelos de clasificación de dengue utilizando machine learning |
title_full |
Una revisión sistemática de Modelos de clasificación de dengue utilizando machine learning |
title_fullStr |
Una revisión sistemática de Modelos de clasificación de dengue utilizando machine learning |
title_full_unstemmed |
Una revisión sistemática de Modelos de clasificación de dengue utilizando machine learning |
title_sort |
Una revisión sistemática de Modelos de clasificación de dengue utilizando machine learning |
author |
Maquen-Niño,Gisella Luisa Elena |
author_facet |
Maquen-Niño,Gisella Luisa Elena Bravo,Jessie Alarcón,Roger Adrianzén-Olano,Ivan Vega-Huerta,Hugo |
author_role |
author |
author2 |
Bravo,Jessie Alarcón,Roger Adrianzén-Olano,Ivan Vega-Huerta,Hugo |
author2_role |
author author author author |
dc.contributor.author.fl_str_mv |
Maquen-Niño,Gisella Luisa Elena Bravo,Jessie Alarcón,Roger Adrianzén-Olano,Ivan Vega-Huerta,Hugo |
dc.subject.por.fl_str_mv |
Dengue detección machine learning métodos de clasificación algoritmos de clasificación random forest support vector machine artificial neural networks |
topic |
Dengue detección machine learning métodos de clasificación algoritmos de clasificación random forest support vector machine artificial neural networks |
description |
El dengue es una enfermedad arboviral que anualmente reporta un gran número de infectados en la costa norte y la selva peruana. Según las estadísticas, está aumentando cada año. Este artículo tiene como objetivo desarrollar una revisión sistemática de la literatura científica sobre las variables de estudio y los métodos de aprendizaje automático utilizados actualmente para detectar la infección por dengue. La metodología utilizada fue PRISMA, mapeando inicialmente la literatura de 274 artículos científicos, quedando seleccionados 33 artículos para la revisión sistemática. Los resultados obtenidos son que los algoritmos de aprendizaje automático más utilizados son las redes neuronales (NN) y support vector machine (SVM). Asimismo, se ha encontrado que los científicos tienden a realizar investigaciones con variables climáticas o demográficas para obtener mejores resultados. Se concluye que los métodos de aprendizaje automático que más se han utilizado son las redes neuronales de diferentes tipos: convolucional, recurrente, profunda y multicapa, y para la predicción de brotes de dengue predominaron los métodos de series de tiempo con LSTM y ARIMA, también se estableció que la tendencia es hacia la inclusión de variables climáticas y demográficas en los modelos de predicción. |
publishDate |
2023 |
dc.date.none.fl_str_mv |
2023-06-01 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://scielo.pt/scielo.php?script=sci_arttext&pid=S1646-98952023000200005 |
url |
http://scielo.pt/scielo.php?script=sci_arttext&pid=S1646-98952023000200005 |
dc.language.iso.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
http://scielo.pt/scielo.php?script=sci_arttext&pid=S1646-98952023000200005 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
text/html |
dc.publisher.none.fl_str_mv |
AISTI - Associação Ibérica de Sistemas e Tecnologias de Informação |
publisher.none.fl_str_mv |
AISTI - Associação Ibérica de Sistemas e Tecnologias de Informação |
dc.source.none.fl_str_mv |
RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação n.50 2023 reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799137368499814400 |