Introducción: el dengue es una enfermedad viral con comportamiento epidémico, a su inicio no es posible saber qué pacientes evolucionarán desfavorablemente, sin embargo, pueden presentar signos de alarma que anuncian deterioro clínico. Objetivo: aplicar la técnica de árboles de decisión a la búsqueda de signos de alarma de gravedad en la fase temprana de la enfermedad. Métodos: la muestra de estudio la constituyeron 230 pacientes ingresados con dengue en el Instituto de Medicina Tropical "Pedro Kourí" en 2001. Las variables consideradas para la clasificación fueron los signos, síntomas y exámenes de laboratorio al tercer día de evolución de la enfermedad. Se aplicó el algoritmo de árboles de clasificación y regresión utilizando el índice de Gini. Se consideraron diferentes matrices de pérdida para mejorar la sensibilidad. Resultados: el algoritmo ARC, correspondiente a la mejor pérdida, tuvo una sensibilidad de 98,68 % y error global de 0,36. Sin considerar pérdida, el árbol resultante obtuvo una sensibilidad de 74 % con un error de 0,25. En ambos casos las variables de mayor importancia fueron plaqueta y hemoglobina. Conclusiones: se proponen reglas de decisión con alta sensibilidad y valor predictivo negativo de utilidad en la práctica clínica. Las variables de laboratorio resultan tener mayor importancia que las clínicas para discriminar las formas clínicas de dengue.

Introduction: dengue is a viral disease with endemic behavior. At the beginning of the illness it is not possible to know which patients will have an unfavorable evolution and develop a severe form of dengue. However, some warning symptoms and signs may be present. Objective: to apply decision tree techniques to the exploration of signs of severity in the early phase of the illness. Methods: the study sample was made up of 230 patients admitted with dengue to "Pedro Kourí" Institute of Tropical Medicine in 2001. The variables considered for the classification were the signs, symptoms and laboratory exams on the third day of evolution of the illness. The algorithm of classification and regression trees using the Gini's index was applied. Different loss matrices to improve the sensitivity were considered. Results: the algorithm CART, corresponding to the best loss, had a sensitivity of 98.68 % and global error of 0.36. Without considering loss, it obtained its sensitivity reached 74 % with an error of 0.25. In both cases, the most important variables were platelets and hemoglobin. Conclusions: the study submitted rules of decision with high sensitivity and negative predictive value of utility in the clinical practice. The laboratory variables resulted more important from the informational viewpoint than the clinical ones to discriminate clinical forms of dengue.