Predicción del riesgo cardiovascular en población joven mediante aprendizaje automático y datos longitudinales

Abstract

El proyecto se centra en la predicción temprana del riesgo cardiovascular incidente en población joven mediante la evaluación y comparación de tres algoritmos de aprendizaje automático: Regresión Logística, Random Forest y Redes Neuronales. Las Enfermedades Cardiovasculares (ECV) constituyen la principal causa de mortalidad global, y marcadores clínicos tempranos como la hipertensión arterial desempeñan un papel determinante en la evolución futura del riesgo. La evidencia científica indica que los fundamentos de esta patología se presentan en la adultez temprana (18-35 años). Los modelos tradicionales de estratificación de riesgo han mostrado desempeño limitado en población joven. Para abordar esta limitación, se emplea un diseño metodológico basado en datos clínicos longitudinales armonizados de la Encuesta Nacional de Salud y Nutrición del Ecuador (ENSANUT), realizando una comparación sistemática de modelos de aprendizaje automático. El rendimiento predictivo se evalúa mediante métricas como precisión, sensibilidad, F1-score y AUC. Los resultados indican que Random Forest + SMOTE logra el mejor equilibrio entre precisión (PR-AUC: 0.345) y capacidad de detección de casos positivos, mientras que la Regresión Logística + SMOTE alcanza el mayor F1-score (0.404), destacándose por su interpretabilidad clínica. El estudio demuestra que los modelos de aprendizaje automático superan significativamente a los enfoques lineales tradicionales en la identificación temprana del riesgo cardiovascular en adultos jóvenes.

Ähnliche Arbeiten