Mejora del Diagnóstico de Riesgo de Hipertensión Mediante un Marco Híbrido de Aprendizaje Automático: Aprovechamiento...

Área de la Ciencia:

• Cardiología
• Ingeniería Biomédica
• Aprendizaje Automático

Sus antecedentes:

• La hipertensión es un importante riesgo para la salud mundial, que provoca graves problemas cardiovasculares, renales y neurológicos.
• Los métodos de predicción actuales a menudo carecen de interpretabilidad y fiabilidad, lo que dificulta la detección temprana y las intervenciones personalizadas.

Objetivo del estudio:

• Desarrollar y validar un marco híbrido de aprendizaje automático de doble escenario para la predicción del riesgo de hipertensión.
• Mejorar tanto la interpretabilidad como la fiabilidad predictiva de la evaluación del riesgo de hipertensión utilizando características no invasivas de la composición corporal.

Principales métodos:

• Escenario 1: Agrupamiento no supervisado (K-Means) en individuos hipertensos para identificar subgrupos fisiológicos, validado con índices de agrupamiento.
• Escenario 2: Clasificación binaria (ExtraTrees, KNN, SVM, GNB, Árbol de Decisión) comparando conjuntos de datos estándar y aumentados por clústeres.

Principales resultados:

• El Escenario 1 identificó cinco subgrupos distintos con variabilidad intergrupal significativa (p < 0,001) en la composición corporal y la edad, logrando una precisión del 99,08 % con SVM.
• El Escenario 2, utilizando un conjunto de datos aumentado por clústeres, mostró un rendimiento superior con el clasificador ExtraTrees (precisión del 98,23 %, AUC del 99,87 %).
• Tanto el agrupamiento como la selección de características mejoraron la generalización del modelo, especialmente para los métodos de ensamblaje.

Conclusiones:

• La integración del agrupamiento no supervisado con la clasificación supervisada proporciona un marco robusto y explicable para la predicción personalizada del riesgo de hipertensión.
• El modelo híbrido propuesto contribuye a la detección temprana y a la atención médica de precisión al ofrecer una mayor precisión e interpretabilidad.