Machine Learning en la Detección de Enfermedades Cardiovasculares: un Análisis Experimental de Técnicas

Resumen

Introducción: Las enfermedades cardiovasculares (ECV) constituyen la principal causa de mortalidad a nivel mundial. Su detección temprana resulta esencial para implementar estrategias preventivas que mitiguen complicaciones graves y reduzcan la tasa de mortalidad. En este contexto, el uso de técnicas de aprendizaje automático se ha consolidado como una herramienta clave para el desarrollo de modelos predictivos eficaces en el ámbito de la salud.
Objetivo: Mejorar la precisión en la identificación de pacientes con riesgo de ECV mediante la implementación del método de envoltorio para la selección de características, en combinación con algoritmos de aprendizaje no supervisado.
Método: Basado en el conjunto de datos “Cleveland Heart Desease Data Set”, proveniente del repositorio de Machine Learning de la UCI KDD. Se aplicaron técnicas de selección de características Information Gain y Chi-Square para identificar las variables más relevantes en el proceso de clasificación. Posteriormente, se entrenaron varios modelos, incluyendo C4.5, Random Forest, redes neuronales SOM y GHSOM, así como Naive Bayes Tree, con el fin de clasificar automáticamente la probabilidad de presentar una condición cardiovascular de riesgo.
Resultados: Los resultados experimentales evidencian que el modelo Random Forest, combinado con validación cruzada de 10 pliegues y la técnica Information Gain, alcanzó los mejores desempeños, con una precisión del 85.70% y una exactitud del 87.10%.
Conclusiones: Los resultados de las simulaciones indican que la combinación del método de selección de características Information Gain con el clasificador Random Forest ofrece el mejor desempeño en la identificación de enfermedades cardiovasculares, alcanzando una precisión que se acepta como optima en comparación con la literatura revisada.