Resumen:La previsión precisa de la dinámica de las enfermedades infecciosas es fundamental para la planificación y la intervención en salud pública. La movilidad humana desempeña un papel central en la configuración de la propagación espacial de las epidemias, pero los datos sobre movilidad son ruidosos, indirectos y difíciles de integrar de manera confiable con los registros de enfermedades. Mientras tanto, las series temporales de casos epidémicos suelen ser cortas y se notifican con una resolución temporal aproximada. Estas condiciones limitan la eficacia de los pronosticadores conscientes de la movilidad que dependen de datos limpios y abundantes. En este trabajo, proponemos el Adaptador causal informado por la movilidad (MiCA), un módulo liviano e independiente de la arquitectura para el pronóstico de epidemias. MiCA infiere relaciones de movilidad a través del descubrimiento causal y las integra en modelos de pronóstico temporal mediante una mezcla residual cerrada. Este diseño permite a los pronosticadores ligeros explotar selectivamente la estructura espacial derivada de la movilidad sin dejar de ser robusto en condiciones ruidosas y de datos limitados, sin introducir componentes relacionales pesados como redes neuronales de gráficos o atención total. Amplios experimentos en cuatro conjuntos de datos epidémicos del mundo real, incluida la incidencia de COVID-19, la mortalidad por COVID-19, la gripe y el dengue, muestran que MiCA mejora consistentemente las estructuras temporales ligeras, logrando una reducción media del error relativo del 7,5% en todos los horizontes de previsión. Además, MiCA logra un rendimiento competitivo con los modelos espacio-temporales SOTA sin dejar de ser liviano.
Publicado originalmente en export.arxiv.org el 18 de enero de 2026.
Ver fuente original
