Detección temprana de brotes con IA en Buenos Aires: cómo anticiparse al dengue con datos y evitar epidemias

Introducción

Cada temporada de lluvias en Colombia, miles de municipios —grandes y pequeños— enfrentan brotes de dengue, chikunguña y otras enfermedades transmitidas por vectores. Los operativos de fumigación llegan tarde, los sistemas de reporte son manuales, y la ciudadanía no recibe alertas claras. ¿Qué pasaría si su municipio pudiera predecir, con días de antelación, dónde se va a disparar un brote?

Esa es la apuesta que ya está funcionando en la Provincia de Buenos Aires, Argentina. Gracias a un modelo de inteligencia artificial desarrollado por la Universidad Nacional de San Martín (UNSAM), el Ministerio de Salud provincial puede anticipar focos de contagio y activar operativos antes de que el dengue se dispare. En 2024, lograron reducir en un 22 % los casos en los barrios intervenidos, actuando hasta con 15 días de antelación.

Lo que comenzó como un piloto académico hoy es política pública. Y lo mejor: es una solución perfectamente replicable en municipios colombianos, sin importar su tamaño.

Conociendo el caso de uso

¿Qué problema resolvía el caso?

En 2023, Buenos Aires enfrentó uno de los picos más altos de casos de dengue en su historia reciente. El problema central era la reacción tardía: las autoridades solo podían actuar cuando los casos ya estaban reportados en masa. La toma de decisiones se basaba en datos clínicos desactualizados, mapas estáticos y reportes anecdóticos de los barrios.

Además, la planificación de fumigaciones y operativos sanitarios era reactiva, con poco criterio preventivo.

¿Qué solución tecnológica se implementó?

La UNSAM diseñó un modelo predictivo basado en inteligencia artificial (modelo bayesiano), que combina múltiples fuentes de datos para generar mapas de riesgo cada madrugada. Las variables procesadas incluyen:

• Casos clínicos confirmados y en estudio
• Datos meteorológicos (lluvia, temperatura, humedad)
• Llamadas y reportes ciudadanos al número 148
• Densidad poblacional y condiciones socioambientales

El sistema cruza esa información para calcular un “índice de brote probable” por manzana o barrio. Cada día, el Ministerio de Salud recibe un mapa actualizado con zonas críticas y sugerencias de acción prioritaria.

Una vez validados por los equipos territoriales, se activan tres niveles de respuesta:

1. Alerta vecinal (mensajes, perifoneo, redes)
2. Fumigación preventiva focalizada
3. Operativos de inspección y eliminación de criaderos

¿Qué resultados concretos ha tenido?

Los resultados han sido contundentes en su primer año de operación:

• Reducción del 22 % en los casos de dengue en barrios tratados con antelación
• Anticipación promedio de 15 días respecto al pico de casos
• Disminución del 60 % en las zonas críticas con foco persistente
• Mayor eficiencia en el uso de brigadas de salud y logística de fumigación

Además, la ciudadanía recibió información oportuna y confiable, lo que incrementó la participación en las jornadas de prevención.

Fuentes:

• El Destape (2025). “El Gobierno de Buenos Aires utiliza un novedoso sistema de IA para controlar brotes de dengue”
• Ministerio de Salud de la Provincia de Buenos Aires. Boletín Epidemiológico 2024
• UNSAM. “Modelos de predicción bayesiana para salud pública”

¿Por qué implementarlo?: los beneficios para tu municipio

1. Impacto económico

• Reducción del 30 % en costos sanitarios derivados de la atención hospitalaria por dengue, gracias a la prevención y detección temprana.
• Ahorro en jornadas masivas de fumigación, que ahora se realizan de forma focalizada según zonas de riesgo real.
• Disminución de días laborales perdidos por incapacidades médicas y ausentismo escolar.

2. Impacto ambiental

• Uso racional de insecticidas, solo donde se requieren, evitando sobreexposición química en zonas sin riesgo.
• Menor uso de vehículos y recursos logísticos para fumigación indiscriminada.
• Posibilidad de integrar esta herramienta con plataformas de monitoreo climático o ambiental municipales.

3. Impacto social

• Reducción del 45 % en los tiempos de respuesta ante brotes sospechosos.
• Aumento de la participación comunitaria, al recibir alertas claras y comprensibles por barrio.
• Fortalecimiento de la confianza en la administración pública, al mostrar capacidad de anticiparse a los problemas.

Un sistema así permite pasar de la improvisación a la prevención basada en ciencia.

Lecciones replicables para Colombia

Factores clave de éxito del caso internacional:

• IA adaptada a procesos simples: la solución no requiere grandes infraestructuras, solo integración de datos ya existentes.
• Visualización de datos en tiempo real: mapas actualizados a diario permiten actuar antes, no después.
• Cultura de mejora continua: el sistema se perfecciona cada semana con nuevos datos y retroalimentación del terreno.

Conclusiones

El caso de Buenos Aires demuestra que la inteligencia artificial también puede salvar vidas en la salud pública, incluso desde lo local. No se trata de “tecnologizar” por moda, sino de evitar que una epidemia golpee sin avisar. Cuando los datos hablan con claridad, los alcaldes pueden actuar con eficacia.

Porque en salud, llegar antes siempre es mejor que llegar más. Todos los municipios colombianos pueden anticiparse al dengue: solo necesitan datos, voluntad y una dosis de inteligencia artificial.