Un modelo híbrido unificado para la predicción del riesgo cardiovascular: fusión de enfoques estadísticos, basados en...

Área de la Ciencia:

• Cardiología
• Aprendizaje automático
• Análisis predictivo

Sus antecedentes:

• Las enfermedades cardiovasculares (ECV) siguen siendo la principal causa de mortalidad en el mundo.
• Los modelos tradicionales de aprendizaje automático luchan por capturar con precisión las relaciones complejas entre los factores de riesgo de ECV y la aparición de la enfermedad.
• La predicción precisa del riesgo cardiovascular es crucial para las estrategias eficaces de prevención y gestión.

Objetivo del estudio:

• Introducir y evaluar un nuevo enfoque híbrido de aprendizaje automático para la predicción del riesgo cardiovascular (HMLCRP).
• Mejorar la precisión y fiabilidad de la evaluación del riesgo de ECV mediante la integración de diversos algoritmos de aprendizaje automático.
• Identificar los principales factores de riesgo cardiovascular para mejorar el modelado predictivo.

Principales métodos:

• Desarrolló un enfoque híbrido de aprendizaje automático (HMLCRP) que combina regresión logística (LR), máquinas vectoriales de soporte (SVM) y redes neuronales (NN).
• Factores de riesgo críticos incluidos: presión arterial, antecedentes familiares, estrés, edad, sexo, colesterol, IMC y estilo de vida.
• Entrenado y validado el modelo HMLCRP utilizando conjuntos de datos de referencia: estadísticas cardiovasculares, enfermedades del corazón y conjuntos de datos del estudio del corazón de Framingham.

Principales resultados:

• El HMLCRP demostró un rendimiento predictivo superior en comparación con los modelos individuales de aprendizaje automático.
• Las métricas de evaluación, incluida la precisión, el recuerdo y la puntuación F1, confirmaron la efectividad del modelo.
• El enfoque híbrido aprovechó con éxito los puntos fuertes de LR, SVM y NNs para una clasificación robusta y una predicción de riesgos.

Conclusiones:

• El HMLCRP representa un avance significativo en la atención médica personalizada para el manejo del riesgo cardiovascular.
• Este modelo permite una evaluación proactiva del riesgo y facilita las estrategias de intervención temprana para prevenir las ECV.
• La integración de múltiples técnicas de aprendizaje automático ofrece una herramienta más precisa y confiable para la toma de decisiones clínicas.