Revisión sistemática de modelos de aprendizaje automático para la estimación del tiempo de desaparición de las personas
DOI:
https://doi.org/10.36390/telos283.26Palabras clave:
multivariante, aprendizaje automático, desaparición, predicción, comparaciónResumen
Este estudio presenta una revisión sistemática sobre la aplicación de modelos de aprendizaje automático al análisis de casos de personas desaparecidas, enfocándose en la predicción temporal, la caracterización del fenómeno social y comparación del desempeño algorítmico. Siguiendo la metodología PRISMA, se identificaron inicialmente 72 estudios, de los cuales solo 12 cumplieron los criterios de inclusión relacionados con pertinencia, calidad metodológica y disponibilidad de información técnica. Los artículos publicados entre 2020 y 2025 evidencian un aumento sostenido en el uso de Machine Learning para abordar problemáticas sociales complejas, con mayor concentración en América y Europa, especialmente en Colombia, Ecuador, España y Polonia. Los modelos analizados comprenden métodos supervisados (Random Forest, Árboles de Decisión, KNN, SVM), redes neuronales profundas (CNN, MLP, LSTM, GRU) y modelos econométricos (VAR, VECM), aplicados según la naturaleza de los datos. A partir del análisis integral de los estudios, se recomienda el uso de modelos basados en árboles (Random Forest y Árboles de Decisión) cuando se busca estabilidad, interpretabilidad relativa y un rendimiento equilibrado; redes neuronales profundas cuando los datos son no lineales, secuenciales o visuales y SVM cuando la precisión es prioritaria y la estructura del conjunto de datos es clara y bien definida. Esta revisión evidencia que el aprendizaje automático representa una herramienta prometedora para fortalecer los procesos de búsqueda e investigación de personas desaparecidas, aunque persisten desafíos asociados a la calidad de los datos, la estandarización de métricas y la necesidad de modelos más explicables para su adopción institucional.
Descargas
Referencias
Antkiewicz, R., Czuba, C., Gutowski, T., y Pierzchała, D. (2020). Prediction of missing persons’ disappearance reason using machine learning methods. In Proceedings of the 36th International Business Information Management Association Conference (IBIMA). https://www.researchgate.net/profile/Tomasz-Gutowski/publication/348835649_Prediction_of_Missing_Persons%27_Disappearance_Reason_Using_Machine_Learning_Methods/links/6012890445851517ef1f3f5e/Prediction-of-Missing-Persons-Disappearance-Reason-Using-Machine-Learning-Methods.pdf?origin=publication_detail&_tp=eyJjb250ZXh0Ijp7ImZpcnN0UGFnZSI6InB1YmxpY2F0aW9uIiwicGFnZSI6InB1YmxpY2F0aW9uRG93bmxvYWQiLCJwcmV2aW91c1BhZ2UiOiJwdWJsaWNhdGlvbiJ9fQ
Aybar, A., Maehara, R., Benites, L., y Ernesto, M. (2026). Uncovering Disappearance Dynamics in Peru: A Two-Stage Multimodal Framework for Behavioral Segmentation and Voluntariness Prediction in Missing-Person Reports., En Focus on Artificial Intelligence in Intelligent Systems Design. (4) 1. https://doi.org/10.1007/978-3-032-20752-4_1
Bagheri, M., Bagheritabar, M., Alizadeh, S., Parizi, M., Matoufinia, P., y Luo, Y. (2025). Machine-learning-powered information systems: A systematic literature review for developing multi-objective healthcare management. Applied Sciences, 15(1), Article 296. https://doi.org/10.3390/app15010296
Barbierato, E., y Gatti, A. (2024). The challenges of machine learning: A critical review. Electronics, 13(2), Article 416. https://doi.org/10.3390/electronics13020416
Barquero, W. (2022). Análisis PRISMA como metodología para revisión sistemática: Una aproximación general. Salud en Redes, 8(1, Suppl.), 339–360. https://doi.org/10.18310/2446-4813.2022v8nsup1p339-360
Bastidas, J., Peña, A., Obando, L., y Montenegro, A. (2020). Importancia de los modelos de regresión no lineales en la interpretación de datos de la COVID-19 en Colombia. Revista Habanera de Ciencias Médicas, 19, Article e3309. http://www.revhabanera.sld.cu/index.php/rhab/article/view/3309
Cabanillas, E., Irigoin, U., Lázaro, J., Agurto, C., Esquivel, O., y Alvez, C. (2024). Ciencia de datos e inteligencia artificial. Mar Caribe. https://editorialmarcaribe.es/wp-content/uploads/2025/02/SPA-Ciencia-de-datos-e-inteligencia-artificial.pdf
Camacho, J. (2024). Ni vivas ni muertas: Personas desaparecidas en América Latina. Impactos psicosociales en sus familias. Rupturas, 14(1), 107–122. https://www.scielo.sa.cr/pdf/rup/v14n1/2215-2989-rup-14-01-107.pdf
Camejo, J., Gonzalez, H., y Morell, C. (2020). Un estudio empírico del modelo de red neuronal MLP para problemas de predicción con salidas múltiples. Serie Científica de la Universidad de las Ciencias Informáticas, 13(6), 1–14. https://publicaciones.uci.cu/index.php/serie/article/view/578
Carvajal, C. (2024). Uso de técnicas como la regresión y redes neuronales para anticipar el rendimiento del maíz. RECIMUNDO, 8(4), 126–135. https://recimundo.com/index.php/es/article/view/2471
Chocobar, E., y Barreda, R. (2025). Estructuras metodológicas PICO y PRISMA 2020 en la elaboración de artículos de revisión sistemática: Lo que todo investigador debe conocer y dominar. Ciencia Latina Revista Científica Multidisciplinar, 9(1), 8525–8543. https://doi.org/10.37811/cl_rcm.v9i1.16491
Costa, J., de Lima, P., Queiroz, M., Loss, L., Lopes, J., de Aguiar, K., y Alves dos Reis, R. (2025). El rol de la inteligencia artificial y el aprendizaje automático en la enseñanza moderna. Revista Caribeña de Ciencias Sociales, 14(8), 1–25. https://doi.org/10.55905/rcssv14n8-010
Delahoz, E., y Mendoza, S. (2021). A predictive model for the missing people problem. Romanian Journal of Legal Medicine, 29(1), 74–80. https://www.safetylit.org/citations/index.php?fuseaction=citations.viewdetails&citationIds%5B%5D=citjournalarticle_690625_12
Di Martino, F., y Del Mastro, F. (2023). Explainable AI for clinical and remote health applications: A survey on tabular and time series data. Artificial Intelligence Review, 56, 5261–5315. https://doi.org/10.1007/s10462-022-10304-3
Espinoza, M., y Colina, A. (2025). Predictive analysis of missing persons in Ecuador (2014–2024). CEUR Workshop Proceedings, 4055, 197–210. https://ceur-ws.org/Vol-4055/icaiw_wdea_4.pdf
Forero, W., y Negre, F. (2024). Técnicas y aplicaciones del machine learning e inteligencia artificial en educación: Una revisión sistemática. RIED-Revista Iberoamericana de Educación a Distancia, 27(1), 209–253. https://doi.org/10.5944/ried.27.1.37491
Gelvez, Nieto, y Rocha (2022) Prediciendo el crimen en ciudades intermedias: un modelo de “machine learning” en Bucaramanga, Colombia. URVIO, Revista Latinoamericana de Estudios de Seguridad, (34), 83-98. doi.org/10.17141/urvio.34.2022.5395
Goodfellow, I., Bengio, Y., y Courville, A. (2016). Deep learning. MIT Press.
Huang, M., Liu, M., Li, H., King, J., Smuts, A., Budowle, B., y Ge, J. (2022). A machine learning approach for missing persons cases with high genotyping errors. Frontiers in Genetics, 13, Article 971242. https://doi.org/10.3389/fgene.2022.971242
Ibarra, M., Mendoza, E., y Romero, W. (2025). Estudio de modelos de predicción en Big Data. Ciencia y Educación, 6(6.1), 337–347. https://www.cienciayeducacion.com/index.php/journal/article/view/zenodo.17051783/1621
Jordan, M. I., y Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245), 255–260. https://doi.org/10.1126/science.aaa8415
Lemus, D., y Pérez, R. (2020). Ciencia de datos y estudios globales: Aportaciones y desafíos metodológicos. Colombia Internacional, 102, 41–62. https://doi.org/10.7440/colombiaint102.2020.03
Lipton, Z. C. (2018). The mythos of model interpretability. Communications of the ACM, 61(10), 36–43. https://doi.org/10.1145/3233231
Mariño, D. (2025). Comparación de modelos estadísticos y de machine learning para la estimación de la duración de desapariciones [Tesis de maestría, Universidad Nacional de Colombia]. https://repositorio.unal.edu.co/items/618ecf2a-a482-48cf-854f-b7cb4ac71a5b
Melián, C. (2021). Revisión de modelos de predicción aplicados en ciencias sociales mediante machine learning [Trabajo de grado, Universidad de La Laguna]. http://riull.ull.es/xmlui/handle/915/42994
Michalski, R., Carbonell, J., y Mitchell, T. M. (1983). Machine learning: An artificial intelligence approach. Springer.
Mitchell, T. (1997). Machine learning. McGraw-Hill.
Moreno, E. (2008). Predicción con series de tiempo y regresión. Panorama, 2(4), 36–58. https://revistas.poligran.edu.co/index.php/panorama/article/view/262
Nirmala, H., Archana, J., y Gagana, N. (2024). A survey of integrating deep learning-based missing person detection model into CCTV systems for enhanced identification. International Journal of Advanced Research in Science, Communication and Technology, 4(1), 259–268. https://doi.org/10.48175/IJARSCT-15336
Poveda, D., Ramírez, M., Fernández, Y., y García, E. (2024). Implementación del método de optimización de máquinas de soporte vectorial en R. Tecnura, 28(80), 99–118. https://doi.org/10.14483/22487638.20326
Quispe, A., Hinojosa, J., Miranda, H., y Sedano, C. (2021). Serie de Redacción Científica: Revisiones sistemáticas. Revista del Cuerpo Médico del HNAAA, 14(1), 94–99. https://doi.org/10.35434/rcmhnaaa.2021.141.906
Robledo, C., y Querales, M. (2020). Desaparición de personas en el mundo globalizado: Desafíos desde América Latina. Íconos, 67, 1–9. https://www.redalyc.org/journal/509/50963078001/50963078001.pdf
Ruiz, A., Archila, M., y González, J. (2022). Predicting the probability of finding missing older adults based on machine learning. Journal of Computational Social Science, 5(2), 1303–1318. https://doi.org/10.1007/s42001-022-00171-x
Russell, S., y Norvig, P. (2020). Artificial intelligence: A modern approach (4th ed.). Pearson.
Tumbaco, M., Mendoza, N., Rivera, C., Miranda, K., y Álvarez, G. (2025). Modelos predictivos de inteligencia artificial para prevención de lavado: Análisis comparativo tripartito en la región andina. Revista Metropolitana de Ciencias Aplicadas, 8(2), 190–205. https://doi.org/10.62452/f2j9cv82



.png)


