GBWOEM: Un modelo de optimización de pesos basado en gradientes para mejorar la precisión predictiva en la atención...

Área de la Ciencia:

• Aprendizaje automático
• Aprendizaje por conjuntos
• Análisis de atención médica

Sus antecedentes:

• El aprendizaje por conjuntos es vital para mejorar la precisión predictiva en el diagnóstico y la clasificación en la atención médica.
• Las predicciones precisas son críticas ya que impactan directamente en los resultados del paciente.
• Los modelos de conjunto mitigan los riesgos de clasificación errónea al integrar múltiples modelos de aprendizaje automático.

Objetivo del estudio:

• Introducir el Modelo de Conjunto Optimizado por Pesos Basado en Gradientes (GBWOEM).
• Optimizar los pesos de cinco modelos base (DTC, RFC, LR, MLP, KNN) para un rendimiento mejorado.
• Evaluar dos variantes de GBWOEM (GBWOEM-R y GBWOEM-U) en diversos conjuntos de datos de atención médica.

Principales métodos:

• Se desarrolló GBWOEM, una técnica de conjunto que optimiza los pesos del modelo base.
• Se utilizaron cinco modelos base: Clasificador de Árbol de Decisión (DTC), Clasificador de Bosque Aleatorio (RFC), Regresión Logística (LR), Perceptrón Multicapa (MLP) y K-Vecinos Más Cercanos (KNN).
• Se probaron variantes de GBWOEM con inicialización de pesos aleatoria (GBWOEM-R) y uniforme (GBWOEM-U) en cinco conjuntos de datos de atención médica.

Principales resultados:

• Logró un aumento del 0,48-8,26 % en la precisión de la prueba en comparación con los modelos de conjunto tradicionales (Adaboost, Catboost, GradientBoost, LightGBM, XGBoost).
• Demostró eficacia en el manejo de datos desequilibrados a través de análisis ROC-AUC.
• Confirmó una mayor consistencia predictiva en aplicaciones de atención médica.

Conclusiones:

• GBWOEM mejora la precisión y la confiabilidad predictiva en la atención médica, particularmente para datos desequilibrados.
• El modelo contribuye a mejorar los resultados del paciente y la consistencia del diagnóstico.
• GBWOEM presenta una solución robusta para tareas críticas de predicción en la atención médica.