Ictus bajo la lupa: analizando riesgos con Machine Learning.

Abstract

Este trabajo tiene como objetivo desarrollar y evaluar modelos predictivos capaces de estimar la probabilidad de que un paciente sufra ictus o no, utilizando variables clínicas y demográficas extraídas de una base de datos pública. Se abordan diferentes enfoques de clasificación supervisada, incluyendo regresión logística (con y sin regularización), árbol de decisión, Naïve Bayes y Random Forest. Tras un proceso de preparación de los datos, entrenamiento, optimización de hiperparámetros y validación, se analizan métricas como la exactitud, el AUC y la capacidad para identificar casos positivos, a partir de los cuales se comparan los modelos ajustados. Los resultados muestran que, debido al fuerte desequilibrio de clases, con un grupo minoritario de pacientes que han sufrido ictus, los modelos tienen deficiencias para clasificar correctamente a este grupo. Aunque los modelos desarrollados presentan limitaciones importantes, el modelo Naïve Bayes fue el que logró una mejor capacidad para detectar casos de ictus, alcanzando una sensibilidad (recuerdo) del 84% en el conjunto de entrenamiento, aunque con una precisión baja. Su exactitud global fue del 55%, lo que refleja su enfoque centrado en clasificar los casos de ictus, incluso a costa de generar falsos positivos. Esta capacidad lo convierte en el modelo más útil dentro del conjunto evaluado para aplicaciones clínicas donde se prioriza no omitir posibles eventos de ictus.