Evaluación de técnicas de imputación para datos faltantes en conjuntos de datos pequeños y multicolineales:...

Área de la Ciencia:

• Investigación en morfología craneofacial; Análisis de imágenes médicas; Ciencia de datos biométricos

Sus antecedentes:

• El análisis de la morfología craneofacial es vital para comprender el desarrollo, las dismorfologías y la planificación quirúrgica.; Las tomografías computarizadas incompletas generan datos faltantes, lo que puede sesgar los resultados y reducir la potencia estadística.; Abordar los datos faltantes es fundamental para una investigación craneofacial precisa.

Objetivo del estudio:

• Evaluar técnicas de imputación para datos craneofaciales faltantes.; Identificar el método óptimo para conjuntos de datos pequeños, de alta dimensionalidad y correlacionados.; Garantizar la integridad de los datos en análisis morfométricos.

Principales métodos:

• Se compararon cinco técnicas de imputación: Media/Mediana, k-Vecinos más Cercanos (kNN), Imputación Múltiple por Ecuaciones Encadenadas (MICE), Random Forest (RF) y Árbol de Decisión.; Se utilizó un conjunto de datos con 42 variables craneofaciales de 32 observaciones, introduciendo un 20% de valores faltantes aleatorios.; El rendimiento se evaluó utilizando el Error Cuadrático Medio (RMSE), el Error Absoluto Medio (MAE) y la Preservación de la Varianza.

Principales resultados:

• La imputación con Random Forest (RF) mostró un rendimiento superior con el menor RMSE (1,3987) y MAE (0,4902).; La imputación con RF logró una buena preservación de la varianza (0,8961), conservando la variabilidad del conjunto de datos.; La Imputación Múltiple por Ecuaciones Encadenadas (MICE) tuvo menor precisión (RMSE: 3,0869, MAE: 1,1246) pero una preservación de la varianza más cercana (1,0580).

Conclusiones:

• La selección de métodos de imputación apropiados es crucial para conjuntos de datos pequeños, de alta dimensionalidad y correlacionados en morfometría craneofacial.; Se recomienda la imputación con Random Forest (RF) por su equilibrio entre precisión y preservación de la varianza.; La imputación eficaz mejora la fiabilidad de los estudios de morfología craneofacial.