Durante una epidemia generalizada, una gran parte de la población enfrenta un mayor riesgo de contraer enfermedades infecciosas como COVID-19, viruela del mono y neumonía. Estos brotes a menudo desencadenan efectos en cascada, impactando significativamente a la sociedad y a los sistemas de salud. Para contener la propagación, los Centros para el Control y la Prevención de Enfermedades (CDC) deben monitorear a individuos infectados (objetivos) y sus ubicaciones geográficas (áreas) como base para la asignación de recursos médicos. Este escenario es un problema de Objetivo-a-Área (TTA). Investigaciones previas introdujeron la técnica Punto-En-Polígono (PIP) para abordar problemas TTA de múltiples objetivos y una sola área. La tecnología PIP se basa en los puntos de límite de un área para determinar si un objetivo se encuentra dentro de esa región. Sin embargo, al enfrentar problemas TTA de múltiples objetivos y múltiples áreas, PIP por sí solo puede tener limitaciones. El algoritmo de Vecinos más Cercanos (KNN) presenta una alternativa prometedora, pero su precisión de clasificación depende de la disponibilidad de muestras suficientes, es decir, objetivos conocidos y sus áreas geográficas correspondientes. Cuando los datos de muestra son limitados, la efectividad de KNN se ve limitada, lo que podría retrasar la capacidad de los CDC para rastrear y gestionar brotes. Para este problema, este estudio propone un enfoque mejorado que integra las tecnologías PIP y KNN, al mismo tiempo que introduce puntos de límite de área como muestras adicionales. Esta mejora tiene como objetivo mejorar la precisión de clasificación y mitigar el impacto de la insuficiencia de datos de muestra en el seguimiento y gestión de epidemias.