PREDICCIÓN DE CASOS DE MALARIA EN LA REGIÓN DE ASHANTI GHANA UTILIZANDO LOS MODELOS NAIVE BAYES Y K VECINOS MÁS CERCANOS

PREDICTION OF MALARIA CASES IN THE ASHANTI REGION GHANA USING THE NAIVE BAYES AND K NEAREST NEIGHBORS MODELS

La malaria es una enfermedad causada por parásitos del género Plasmodium, transmitidos por la picadura de mosquitos hembra del género Anopheles. En Ghana, esta enfermedad representa un problema de salud pública significativo, siendo la principal causa de morbilidad y responsable de entre el 40 % y el 60 % de las hospitalizaciones en el país. El objetivo de este estudio fue comparar el desempeño de los modelos de aprendizaje estadístico K vecinos más cercanos y Naive Bayes en la predicción del número de casos probables de malaria. Se utilizo variables hematológicas, edad y género de pacientes, cuyos datos fueron extraídos del laboratorio del Hospital St. Patrick?s de Ashanti, en Ghana desde enero de 2018, a junio del mismo año, a partir del libro de registros hematológicos. Para este estudio se utilizaron datos de 2076 pacientes. En la evaluación de los modelos, Naive Bayes obtuvo un AUC del 80.6 % y una precisión del 77.9 %, destacando variables hematológicas como Hemoglobina (Hb), Plaquetas (Plt) y Linfocitos (Lymph), además de la Edad (Age), como las más relevantes dentro del conjunto analizado. Su sensibilidad fue del 70.3%, lo que indica una buena capacidad para identificar casos positivos, aunque con un valor predictivo positivo del 38.1%, reflejando una alta tasa de falsos positivos. Sin embargo, su valor predictivo negativo alcanzó el 93.6%, lo que sugiere una alta confiabilidad en la identificación de casos negativos. En contraste, KNN presentó un AUC del 70.3% y una precisión del 78.4%, pero con una menor sensibilidad del 39%. Su especificidad fue del 94%, permitiéndole identificar correctamente la mayoría de los casos negativos, con un valor predictivo positivo del 71.9%, indicando mayor precisión en la clasificación de casos positivos. En conclusión, Naive Bayes mostró mejor desempeño en términos de AUC y sensibilidad, aunque su capacidad para predecir correctamente casos positivos fue inferior a la de KNN.