unidad-analitica-personeria/atencion-salud-medellin

🦟 Vigilancia Epidemiológica de Dengue — Medellín

Concurso Datos al Ecosistema 2026: IA para Colombia — Ministerio TIC Reto: Salud y Bienestar (ID 117) · Equipo: 330 Para: Personería Distrital de Medellín

Descripción

Análisis de datos e inteligencia artificial que investiga si la caída del 90% en los casos de dengue notificados en Medellín entre 2017 y 2021 refleja una mejora epidemiológica real o un patrón de subregistro creciente en el sistema de vigilancia — con implicaciones directas para la labor de vigilancia de derechos de la Personería Distrital de Medellín.

Hallazgos principales

1. 1.📉 La tasa de incidencia de dengue cayó de 80,7 a 8,2 casos por 100.000 habitantes (2017-2021), una reducción del 90%.
2. 2.🧊 La proporción de casos hospitalizados casi se triplicó (15,3% → 43,8%) en el mismo período — señal característica de subregistro: solo los casos graves siguen siendo captados por el sistema.
3. 3.📚 Un estudio científico revisado por pares confirma que el programa de vigilancia entomológica de Medellín cambió de metodología durante 2018-2021, coincidiendo con el período analizado.

Ver el informe descriptivo completo para el detalle y las recomendaciones institucionales.

Estructura del repositorio

├── docs/                       # Documentación técnica
│   ├── planteamiento_problema.md
│   ├── marco_metodologico.md   # CRISP-ML, los 3 hallazgos, limitaciones honestas
│   ├── fuentes_datos.md        # Trazabilidad completa de las 3 fuentes usadas
│   └── data_dictionary.md      # Diccionario de variables
├── data/
│   ├── raw/                    # Dengue (SIVIGILA), clima (IDEAM), población (DANE)
│   └── processed/              # Datasets consolidados y resultados de análisis
├── src/
│   ├── ingest_clima.py                  # Descarga histórica IDEAM
│   ├── consolidar_dengue_clima.py       # Cruce dengue+clima (usado en el modelo)
│   ├── analisis_incidencia_iceberg.py   # Los 3 pilares del análisis central
│   └── train_modelo_dengue.py           # Intento de modelo predictivo (documentado)
├── reports/
│   └── informe_descriptivo.md  # Hallazgos y recomendaciones para la Personería
└── dashboard/
    └── app.py                  # Dashboard interactivo (Streamlit)

Cómo ejecutar el proyecto

pip install -r requirements.txt

# 1. Descargar histórico climático de IDEAM
python src/ingest_clima.py

# 2. Ejecutar el análisis central (tasa de incidencia + efecto iceberg)
python src/analisis_incidencia_iceberg.py

# 3. Ejecutar el dashboard interactivo
streamlit run dashboard/app.py

Fuentes de datos

SIVIGILA vía MEData (dengue), IDEAM (clima histórico), DANE/Alcaldía de Medellín (población por comuna). Ver `docs/fuentes_datos.md` para trazabilidad completa (IDs, URLs, fechas de descarga, licencias).

Metodología

CRISP-ML(Q). Ver `docs/marco_metodologico.md`, que incluye la documentación transparente de un intento de modelo predictivo (Random Forest) cuyo desempeño no fue satisfactorio, y la decisión metodológica de priorizar análisis descriptivo riguroso en su lugar.

Stack técnico

Python · Pandas · Scikit-learn · Streamlit · Plotly · GitHub · Hugging Face Spaces (despliegue)

Nivel de complejidad

Intermedio, según los criterios del concurso: 3 fuentes de datos estructuradas, más de 20 variables entre las distintas fases del análisis, y más de 50.000 registros base (53.813 casos de dengue individuales, antes de agregación).

Equipo

Equipo 330 — Personería Distrital de Medellín

Licencia

MIT