Inteligencia artificial aplicada en la prevención, detección y control del dengue
Resumen
El Dengue es una de las arbovirosis más importantes presente en climas tropicales y subtropicales afectando a personas de todas las edades y con una incidencia en el mundo que continúa aumentando convirtiéndose en un verdadero problema de salud pública. Se transmite por un ciclo humano-mosquito-humano con el mosquito Aedes aegypti como vector primario. Actualmente se estima que hay entre 100 y 400 millones de infecciones cada año, siendo la enfermedad transmitida por artrópodos más común a nivel mundial en lo que se refiere a la tasa de morbilidad. La infección puede provocar una gran variedad de alteraciones, aunque típicamente la mayoría de las infecciones son asintomáticas (80%). Actualmente no existe un compuesto profiláctico o terapéutico autorizado contra el virus del dengue, el tratamiento es de apoyo y los métodos de diagnóstico definitivo no suelen ser asequibles para todas las personas, por lo que los avances tecnológicos han tomado un papel importante para apoyar la prevención, control y diagnóstico temprano de la enfermedad. La inteligencia artificial (IA) es una ciencia que se asocia a la automatización de tareas y el diseño de sistemas inteligentes los cuales tienen una gran capacidad para realizar múltiples y avanzados análisis diagnósticos y epidemiológicos, así como relacionar y contrastar datos de diversas fuentes. Diversos estudios han demostrado que mediante las lAs y el uso de algoritmos de clasificación de aprendizaje automático se puede mejorar la precisión, la velocidad, la confiabilidad y el rendimiento en la prevención, detección y control del dengue.
Palabras clave
Texto completo:
PDFReferencias
Ali, M., Pandey, R. K., Khatoon, N., Narula, A., Mishra, A., & Prajapati, V. K. (2017). Exploring dengue genome to construct a multi-epitope based subunit vaccine by utilizing immunoinformatics approach to battle against dengue infection. Scientific reports, 7(1), 9232. https://doi.org/10.1038/s41598-017-09199-w
Alvarado-Prado, R., & Nieto, L. E. (2019). Factores socioeconómicos y ambientales asociados a la incidencia de dengue: estudio ecológico en Costa Rica, 2016. Revista Costarricense de Salud Pública, 28(2), 227-238. Disponible en: https://www.scielo.sa.cr/scielo.php?script=sci_arttext&pid=S1409-14292019000200227#B4 (Acceso agosto 2022).
Amodio, M., van Dijk, D., Srinivasan, K., Chen, W. S., Mohsen, H., Moon, K. R., Campbell, A., Zhao, Y., Wang, X., Venkataswamy, M., Desai, A., Ravi, V., Kumar, P., Montgomery, R., Wolf, G., & Krishnaswamy, S. (2019). Exploring single-cell data with deep multitasking neural networks. Nature methods, 16(11), 1139–1145. https://doi.org/10.1038/s41592-019-0576-7
Ant, T. H., Herd, C. S., Geoghegan, V., Hoffmann, A. A., & Sinkins, S. P. (2018). The Wolbachia strain w Au provides highly efficient virus transmission blocking in Aedes aegypti. PLoS pathogens, 14(1), e1006815. https://doi.org/10.1371/journal.ppat.1006815
Antonio, M. N., Huarcaya, M. F. T., Castillo, C. A. T., & Rodriguez, M. N. C. (2022). Intervenciones genéticas de Aedes aegypti para el control de arbovirosis. Boletín de Malariología y Salud Ambiental, 62(4), 663-669. https://doi.org/10.52808/bmsa.7e6.624.006
Biswal, S., Reynales, H., Saez-Llorens, X., Lopez, P., Borja-Tabora, C., Kosalaraksa, P., Sirivichayakul, C., Watanaveeradej, V., Rivera, L., Espinoza, F., Fernando, L., Dietze, R., Luz, K., Venâncio da Cunha, R., Jimeno, J., López-Medina, E., Borkowski, A., Brose, M., Rauscher, M., LeFevre, I., & TIDES Study Group (2019). Efficacy of a Tetravalent Dengue Vaccine in Healthy Children and Adolescents. The New England journal of medicine, 381(21), 2009–2019. https://doi.org/10.1056/NEJMoa1903869
Brooks C., G., Ramírez M. A. F., & Grave de Peralta, R. S. (2021). Epidemiologia del dengue en la edad pediátrica en Guantánamo. Revista Cubana de Higiene y Epidemiología, 58, 1-15. Disponible en: http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1561-30032021000100008&lng=es&tlng=pt (Acceso agosto 2022).
Chaloemwong, J., Tantiworawit, A., Rattanathammethee, T., Hantrakool, S., Chai-Adisaksopha, C., Rattarittamrong, E., & Norasetthada, L. (2018). Useful clinical features and hematological parameters for the diagnosis of dengue infection in patients with acute febrile illness: a retrospective study. BMC hematology, 18, 1-10. https://doi.org/10.1186/s12878-018-0116-1
Chowell, G., Cazelles, B., Broutin, H., & Munayco, C. V. (2011). The influence of geographic and climate factors on the timing of dengue epidemics in Perú, 1994-2008. BMC infectious diseases, 11(1), 1-15. https://doi.org/10.1186/1471-2334-11-164
Chu, H. J., Lin, B. C., Yu, M. R., & Chan, T. C. (2016). Minimizing Spatial Variability of Healthcare Spatial Accessibility-The Case of a Dengue Fever Outbreak. International journal of environmental research and public health, 13(12), 1235. https://doi.org/10.3390/ijerph13121235
Cugota Latorre, C. (2020). Uso de datos ambientales y sociologicos para el desarrollo de un algoritmo de predicción de riesgo del Dengue en Brasil mediante técnicas de aprendizaje automático (Bachelor's thesis, Universitat Politècnica de Catalunya). Disponible en: http://hdl.handle.net/2117/329135 (Acceso septiembre 2022).
Fadaka, A. O., Sibuyi, N. R. S., Martin, D. R., Goboza, M., Klein, A., Madiehe, A. M., & Meyer, M. (2021). Immunoinformatics design of a novel epitope-based vaccine candidate against dengue virus. Scientific reports, 11(1), 19707. https://doi.org/10.1038/s41598-021-99227-7
Fonseca, V., Libin, P. J. K., Theys, K., Faria, N. R., Nunes, M. R. T., Restovic, M. I., Freire, M., Giovanetti, M., Cuypers, L., Nowé, A., Abecasis, A., Deforche, K., Santiago, G. A., Siqueira, I. C., San, E. J., Machado, K. C. B., Azevedo, V., Filippis, A. M. B., Cunha, R. V. D., Pybus, O. G., & de Oliveira, T. (2019). A computational method for the identification of Dengue, Zika and Chikungunya virus species and genotypes. PLoS neglected tropical diseases, 13(5), e0007231. https://doi.org/10.1371/journal.pntd.0007231
Gallo García, Y., Gutiérrez Sánchez, P. A., & Marín Montoya, M. (2020). Detección de virus de ARN en cultivos de tomate del Oriente Antioqueño mediante secuenciación de alto rendimiento y RT-qPCR. Revista UDCA Actualidad & Divulgación Científica, 23(1). https://doi.org/10.31910/rudca.v23.n1.2020.1414
Gaurav, A., Agrawal, N., Al-Nema, M., & Gautam, V. (2022). Computational Approaches in the Discovery and Development of Therapeutic and Prophylactic Agents for Viral Diseases. Current topics in medicinal chemistry, 22(26), 2190–2206. https://doi.org/10.2174/1568026623666221019110334
Goodwin, S., McPherson, J. D., & McCombie, W. R. (2016). Coming of age: ten years of next-generation sequencing technologies. Nature reviews. Genetics, 17(6), 333–351. https://doi.org/10.1038/nrg.2016.49
Hoffmann, A. A., Ross, P. A., & Rašić, G. (2015). Wolbachia strains for disease control: ecological and evolutionary considerations. Evolutionary applications, 8(8), 751–768. https://doi.org/10.1111/eva.12286
Horst, A., Smakaj, E., Natali, E. N., Tosoni, D., Babrak, L. M., Meier, P., & Miho, E. (2021). Machine learning detects anti-DENV signatures in antibody repertoire sequences. Frontiers in Artificial Intelligence, 4, 715462. https://doi.org/10.3389/frai.2021.715462
Hoyos, W. D. J. A. (2022). Conceptualización del diagnóstico del Dengue desde una perspectiva de la ingeniería y las nuevas tecnologías. Computer and Electronic Sciences: Theory and Applications, 3(1), 1-8. https://doi.org/10.17981/cesta.03.01.2022.01
Hoyos, W., Aguilar, J., & Toro, M. (2022a). A clinical decision-support system for dengue based on fuzzy cognitive maps. Health care management science, 25(4), 666–681. https://doi.org/10.1007/s10729-022-09611-6
Hoyos, W., Aguilar, J., & Toro, M. (2022b). An autonomous cycle of data analysis tasks for the clinical management of dengue. Heliyon, 8(10), e10846. https://doi.org/10.1016/j.heliyon.2022.e10846
Iftikhar, M., Iftikhar, S., Sohail, A., & Javed, S. (2020). AI- modelling of molecular identification and feminization of Wolbachia infected Aedes aegypti. Progress in biophysics and molecular biology, 150, 104–111. https://doi.org/10.1016/j.pbiomolbio.2019.07.001
Jing, Q., & Wang, M. (2019). Dengue epidemiology. Global Health Journal, 3(2), 37-45. https://doi.org/10.1016/j.glohj.2019.06.002
Lazuardi, L., Sanjaya, G. Y., Candradewi, I., & Holmner, Å. (2013). Automatic platelets counter for supporting dengue case detection in primary health care in indonesia. Studies in health technology and informatics, 192, 585–588. Disponible en: https://www.diva-portal.org/smash/record.jsf?pid=diva2:1167208 (Acceso agosto 2022).
Lu, H. C., Lin, F. Y., Huang, Y. H., Kao, Y. T., & Loh, E. W. (2022). Role of air pollutants in dengue fever incidence: evidence from two southern cities in Taiwan. Pathogens and global health, 1–9. Advance online publication. https://doi.org/10.1080/20477724.2022.2135711
Mata, G. B., Redondo, S. H., & López, R. G. (2020). Actualización de la fiebre del Dengue. Revista Médica Sinergia, 5(1), 12. https://doi.org/10.31434/rms.v5i1.341
Mayrose, H., Bairy, G. M., Sampathila, N., Belurkar, S., & Saravu, K. (2022). Machine Learning-Based Detection of Dengue from Blood Smear Images Utilizing Platelet and Lymphocyte Characteristics. Diagnostics (Basel, Switzerland), 13(2), 220. https://doi.org/10.3390/diagnostics13020220
Mello-Román, J. D., Mello-Román, J. C., Gómez-Guerrero, S., & García-Torres, M. (2019). Predictive Models for the Medical Diagnosis of Dengue: A Case Study in Paraguay. Computational and mathematical methods in medicine, 2019, 7307803. https://doi.org/10.1155/2019/7307803
Mohamad Mohsin, M. F., Abu Bakar, A., & Hamdan, A. R. (2014). Outbreak detection model based on danger theory. Applied soft computing, 24, 612–622. https://doi.org/10.1016/j.asoc.2014.08.030
Mohsin, M. F. M., Bakar, A. A., & Hamdan, A. R. (2014). Outbreak detection model based on danger theory. Applied soft computing, 24, 612-622. https://doi.org/10.1016/j.asoc.2014.08.030
Motta, D., Santos, A. Á. B., Machado, B. A. S., Ribeiro-Filho, O. G. V., Camargo, L. O. A., Valdenegro-Toro, M. A., Kirchner, F., & Badaró, R. (2020). Optimization of convolutional neural network hyperparameters for automatic classification of adult mosquitoes. PloS one, 15(7), e0234959. https://doi.org/10.1371/journal.pone.0234959
Muller, D. A., Depelsenaire, A. C., & Young, P. R. (2017). Clinical and laboratory diagnosis of dengue virus infection. The Journal of infectious diseases, 215, S89-S95. https://doi.org/10.1093/infdis/jiw649
OMS, Organización mundial de la salud. (2022). Dengue y dengue grave. Disponible en: https://www.who.int/es/news-room/fact-sheets/detail/dengue-and-severe-dengue (Acceso agosto 2022).
OPS, Organización Panamericana de la Salud. (2016). Dengue: Guías para la atención de enfermos en la Región de las Américas. Disponible en: https://iris.paho.org/handle/10665.2/28232 (Acceso agosto 2022).
OPS, Organización Panamericana de la Salud. (2023). Inteligencia artificial. Disponible en: https://iris.paho.org/handle/10665.2/28232 (Acceso agosto 2022).
OPS/OMS, Organización Panamericana de la Salud/ Organización mundial de la salud. (2023). Dengue. Disponible en: https://www.paho.org/es/temas/dengue (Acceso agosto 2022).
Parameswaran, P., Liu, Y., Roskin, K. M., Jackson, K. K., Dixit, V. P., Lee, J. Y., et al. (2013). Convergent antibody signatures in human dengue. Cell host & microbe, 13(6), 691-700. https://doi.org/10.1016/j.chom.2013.05.008.
Peña, L. Y., Herrera, L. M., & García, O. E. (2021). Factores socioambientales que facilitan la propagación del dengue. Revista Cubana de Higiene y Epidemiología, 58. http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1561-30032021000100014 (Acceso agosto 2022).
Rakotonirina, A., Caruzzo, C., Ballan, V., Kainiu, M., Marin, M., Colot, J., Richard, V., Dupont-Rouzeyrol, M., Selmaoui-Folcher, N., & Pocquet, N. (2021). Wolbachia detection in Aedes aegypti using MALDI-TOF MS coupled to artificial intelligence. Scientific reports, 11(1), 21355. https://doi.org/10.1038/s41598-021-00888-1
Raval, D., Bhatt, D., Kumhar, M. K., Parikh, V., & Vyas, D. (2016). Medical diagnosis system using machine learning. International Journal of Computer Science & Communication, 7(1), 177-182. https://doi.org/10.090592/IJCSC.2016.026
Ribas‐Aparicio, R. M., Castelán‐Vega, J. A., Jiménez‐ Alberto A., Monterrubio‐López G. P., & Aparicio‐ Ozores G. (2017). The impact of bioinformatics on vaccine design and development. Vaccines, 2, 3-6. http://dx.doi.org/10.5772/intechopen.69273
Ríos Ríos, B. (2022). Diagnóstico del dengue utilizando redes neuronales artificiales. Ciencia Latina Revista Científica Multidisciplinar, 6(4), 5636- 5651. https://doi.org/10.37811/cl_rcm.v6i4.3037
Rojas, M. N. R. (2016). Usos de herramientas geoespaciales en la detección de áreas con riesgo epidemiológico a partir de variables biofısicas y casos de dengue en Jujuy-Argentina. Tesis de maestría. Universidad Nacional de Córdoba. Argentina, Córdoba. Disponible en: http://hdl.handle.net/11086/2841 (Acceso agosto 2022).
Sanchez-Gendriz, I., de Souza, G. F., de Andrade, I. G. M., Neto, A. D. D., de Medeiros Tavares, A., Barros, D. M. S., de Morais, A. H. F., Galvão-Lima, L. J., & de Medeiros Valentim, R. A. (2022). Data-driven computational intelligence applied to dengue outbreak forecasting: a case study at the scale of the city of Natal, RN-Brazil. Scientific reports, 12(1), 6550. https://doi.org/10.1038/s41598-022-10512-5
Sarmiento, L. A. D., Sandoval, E. S., Gómez, H. J. M., & Carreño, W. D. M. (2022). Historia del dengue en las Américas, perspectivas y evolución histórica epidemiológica, así como su horizonte a futuro. Ciencia Latina Revista Científica Multidisciplinar, 6(4), 2551-2573. https://doi.org/10.37811/cl_rcm.v6i4.2781
Tchapet Njafa, J. P., & Nana Engo, S. G. (2018). Quantum associative memory with linear and non-linear algorithms for the diagnosis of some tropical diseases. Neural networks, 97, 1–10. https://doi.org/10.1016/j.neunet.2017.09.002
Thomas, S. J., & Yoon, I. K. (2019). A review of Dengvaxia®: development to deployment. Human vaccines & immunotherapeutics, 15(10), 2295-2314. https://doi.org/10.1080/21645515.2019.1658503
Vásquez, B. P. A. (2020). Uso del aprendizaje automatizado y de variables climáticas como herramienta para la predicción del riesgo de dengue en Costa Rica, período 2007-2017. Tesis de maestría. Universidad de Costa Rica. Ciudad Universitaria Rodrigo Facio, Costa Rica. Disponible en: https://hdl.handle.net/10669/82278 (Acceso agosto 2022).
Villacorta M. B. (2021). Perfil epidemiológico y factores de riesgo en el brote del Dengue, Chilete-2017. Tesis para obtener el título de segunda especialidad profesional en epidemiología. Universidad Nacional de Cajamarca. Cajamarca, Perú. http://hdl.handle.net/20.500.14074/4441
Villacreses, W. L., Salazar, J. A. S., & Loor, J. A. Q. (2023). Prevalencia y factores de riesgo en la transmisión global del dengue. Revista Científica Arbitrada Multidisciplinaria PENTACIENCIAS, 5(1), 437-456. Disponible en: https://editorialalema.org/index.php/pentaciencias/article/view/463 (Acceso agosto 2022).
Widrich, M., Schäfl, B., Pavlović, M., Sandve, G. K., Hochreiter, S., Greiff, V., & Klambauer, G. (2020). DeepRC: immune repertoire classification with attention-based deep massive multiple instance learning. BioRxiv, 2020, 038158. https://doi.org/10.1101/2020.04.12.038158
Enlaces refback
- No hay ningún enlace refback.
Copyright (c) 2023 Boletín de Malariología y Salud Ambiental