EUVIMEDEUVIMED entdecken
Open Access · CC BY-NC 4.0

Aplicación de aprendizaje automático para el análisis de cobertura vacunal, efectos adversos y respuesta inmune postvacunación de COVID-19: revisión sistemática

Daniel Augusto Muñoz Viveros, Carlos Eric Galván Tejada, Irma Elizabeth González Curiel, Oscar Osvaldo Ordaz García, Salvador Ibarra Delgado, Juan Manuel Díaz Villaseñor

Revista Mexicana de Ingeniería Biomédica · 01.10.2026 · 47 (3) · e1672

DOI: 10.17488/rmib.47.3.1672 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Revista Mexicana de Ingeniería Biomédica, online erschienen am 01.10.2026. Verfasst von Daniel Augusto Muñoz Viveros und 5 weiteren Autor:innen. Die Arbeit nennt 73 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY-NC 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

La evidencia muestra que los modelos de machine learning (ML) se han utilizado para analizar patrones complejos en la cobertura de vacunación contra COVID-19, los efectos adversos y la respuesta inmune medida por anticuerpos. El objetivo de esta revisión es sintetizar sistemáticamente la evidencia sobre la aplicación de ML en estos tres dominios. Se incluyeron estudios originales publicados entre 2020 y 2025 mediante una búsqueda en MEDLINE/PubMed, Scopus, Web of Science, IEEE Xplore y ACM Digital Library. Se extrajeron variables relacionadas con población, predictores, algoritmos, métricas de desempeño e interpretabilidad, y el riesgo de sesgo se evaluó mediante PROBAST. En total, se incluyeron 62 estudios, destacando el uso frecuente de gradient boosting, random forest, redes neuronales y modelos multivariados. Los predictores más relevantes incluyeron factores sociodemográficos, psicológicos y clínicos, como comorbilidades y marcadores inmunológicos. El desempeño predictivo se reportó de moderado a alto, con especial efectividad de gradient boosting en la hesitación vacunal, y modelos multivariados en predicción de anticuerpos. Las principales limitaciones incluyeron muestreo no probabilístico, uso de datos autoinformados y falta de validación externa. En conjunto, los resultados evidencian el potencial del ML en salud pública, aunque resaltan la necesidad de mejorar la estandarización, transparencia y calidad metodológica.

Zitieren

APA

Viveros, D. A. M., Tejada, C. E. G., Curiel, I. E. G., García, O. O. O., Delgado, S. I., & Villaseñor, J. M. D. (2026). Aplicación de aprendizaje automático para el análisis de cobertura vacunal, efectos adversos y respuesta inmune postvacunación de COVID-19: revisión sistemática. Revista Mexicana de Ingeniería Biomédica, 47(3), e1672. https://doi.org/10.17488/rmib.47.3.1672

Vancouver

Viveros DAM, Tejada CEG, Curiel IEG, García OOO, Delgado SI, Villaseñor JMD. Aplicación de aprendizaje automático para el análisis de cobertura vacunal, efectos adversos y respuesta inmune postvacunación de COVID-19: revisión sistemática. Revista Mexicana de Ingeniería Biomédica. 2026;47(3):e1672. doi:10.17488/rmib.47.3.1672

BibTeX
@article{Viveros2026,
  author = {Viveros, Daniel Augusto Muñoz and Tejada, Carlos Eric Galván and Curiel, Irma Elizabeth González and García, Oscar Osvaldo Ordaz and Delgado, Salvador Ibarra and Villaseñor, Juan Manuel Díaz},
  title = {Aplicación de aprendizaje automático para el análisis de cobertura vacunal, efectos adversos y respuesta inmune postvacunación de COVID-19: revisión sistemática},
  journal = {Revista Mexicana de Ingeniería Biomédica},
  year = {2026},
  volume = {47},
  number = {3},
  pages = {e1672},
  doi = {10.17488/rmib.47.3.1672}
}
Kostenlos starten →