Dinámica espacio-temporal de los casos de contagio por covid-19 en la Ciudad de México. Propuesta de un modelo espacial basado en inteligencia artificial

Abstract

La investigación genera un modelo espacial sustentado en inteligencia artificial espacial para analizar la dinámica espacio-temporal de los contagios por COVID-19 en la Ciudad de México, incorporando variables geográficas, ambientales, socioeconómicas y epidemiológicas. Desde una perspectiva geotecnológica, se integran técnicas de aprendizaje profundo y sistemas de información geográfica para determinar y representar la propagación del virus en entornos urbanos con altas densidades de población. El sustento teórico se basa en conceptos como el de Condicionantes Socioespaciales de la Salud y geointercalación epidemiológica, que explican la vulnerabilidad sanitaria como resultado de interacciones acumulativas entre factores estructurales, ambientales y clínicos. Con base en datos oficiales y mediante interpolación IDW, se emplearon dos modelos predictivos: CNN+LSTM y XGBoost. Este último identificó a la hipertensión como el principal factor explicativo en nueve delegaciones, seguido por diabetes y obesidad. Aunque los contaminantes atmosféricos mostraron menor peso general, en zonas como Iztapalapa y Gustavo A. Madero, el dióxido de azufre y el asma adquirieron relevancia. Los hallazgos respaldan el uso de modelos espaciales con inteligencia artificial para comprender dinámicas espaciotemporales complejas urbanas en salud y destacan la importancia de contar con microdatos territoriales para una gestión territorial en salud más efectiva y diferenciada de acuerdo con los contextos geográficos