Desarrollo y optimización de modelos predictivos de machine learning para pacientes con enfermedad renal crónica

Resumen

Introducción. La inteligencia artificial ha evolucionado, convirtiéndose así en una herramienta esencial para el análisis de información en medicina. Objetivo. Desarrollar, optimizar y comparar el desempeño de distintos modelos de machine learning para analizar factores asociados a la enfermedad renal crónica. Metodología. Se desarrollaron modelos de machine learning para predecir la enfermedad renal crónica. Se construyeron modelos de regresión logística, máquinas de soporte vectorial, bosque aleatorio y árboles de decisión, y se evaluaron las métricas de rendimiento. Se seleccionó el modelo con menor desempeño y se optimizó mediante técnicas convencionales de aprendizaje automático, ajuste de hiperparámetros y enfoques avanzados. El desempeño se evaluó utilizando la exactitud, área bajo la curva, sensibilidad, especificidad, intervalos de confianza al 95 %, y valores de p < 0,05. Resultados. La regresión logística se destacó por su exactitud (85,29 %) y sensibilidad (95,65 %) y las máquinas de soporte vectorial por el área bajo la curva (92,09 %). El bosque aleatorio logró un equilibrio entre exactitud (82,35 %) y área bajo la curva (90,32 %). El árbol de decisión presentó una alta especificidad (90,91 %) y valor predictivo positivo (90 %). Tras el ajuste de hiperparámetros, el árbol de decisión alcanzó una exactitud de 80,39 %. Conclusión. La regresión logística, las máquinas de soporte vectorial y el bosque aleatorio presentaron el mejor desempeño con entrenamiento convencional. Las técnicas de machine learning permitieron ajustar y optimizar el desempeño de los modelos y se identificó al sexo masculino, la hipertensión arterial y la exposición a plaguicidas como factores determinantes de la enfermedad renal crónica.