Modelo predictivo en el desarrollo de enfermedades cardiovasculares a partir de factores de riesgo

Abstract

Las enfermedades cardiovasculares son la principal causa de muerte a nivel mundial. Dada su importancia en la salud pública, se hace necesario comprender los factores de riesgo que contribuyen al desarrollo de estas enfermedades y cómo prevenirlas y tratarlas de manera efectiva. Este trabajo tuvo como objetivo desarrollar un modelo predictivo de enfermedades cardiovasculares utilizando técnicas de aprendizaje automático y un conjunto de datos de factores de riesgo recopilados por los Centros para el Control y la Prevención de Enfermedades (CDC) de Estados Unidos. Asimismo, se buscaba identificar los factores de riesgo más significativos asociados a estas enfermedades. Se aplicaron diversas técnicas de muestreo para abordar el desequilibrio de clases y se entrenaron múltiples algoritmos. El modelo Light GBoost con SMOTEENN, entrenado en un conjunto de datos con 29 variables y 353,968 registros, demostró el mejor rendimiento, con un recall de 0.8450 y un AUC-ROC de 0.8139. Se identificaron como factores de riesgo clave la edad avanzada, el sexo masculino, los bajos niveles socioeconómicos (ingresos y educación) y dormir poco. Los resultados destacan la importancia de considerar factores socioeconómicos y de estilo de vida, además de los factores tradicionales, en la evaluación del riesgo cardiovascular. Si bien se reconocen limitaciones como la naturaleza autorreportada de los datos y la ausencia de algunas variables clínicas, este trabajo contribuye al desarrollo de herramientas de predicción más precisas, y enfatiza la necesidad de abordar los determinantes sociales en las políticas de prevención de enfermedades cardiovasculares.

Cardiovascular diseases are the leading cause of death worldwide. Given their importance in public health, it is necessary to understand the risk factors that contribute to the development of these diseases and how to prevent and treat them effectively. This work aimed to develop a predictive model for cardiovascular diseases using machine learning techniques and a dataset of risk factors collected by the Centers for Disease Control and Prevention (CDC) in the United States. Furthermore, the goal was to identify the most significant risk factors associated with these diseases. Various sampling techniques were applied to address class imbalance, and multiple machine learning algorithms were trained. The Light GBoost model with SMOTEENN, trained on a dataset with 29 variables and 353,968 records, demonstrated the best performance, with a recall of 0.8450 and an AUC-ROC of 0.8139. Key risk factors identified included advanced age, male gender, low socioeconomic status (encompassing income and educational attainment), and insufficient sleep duration. The findings underscore the importance of considering socioeconomic and lifestyle factors, in addition to traditional factors, in the assessment of cardiovascular risk. Although limitations such as the self-reported nature of the data and the absence of some clinical variables are acknowledged, this work contributes to the development of more accurate prediction tools and emphasizes the need to address social determinants in cardiovascular disease prevention policies.

Les malalties cardiovasculars són la principal causa de mort a nivell mundial. Donada la seva importància en la salut pública, es fa necessari comprendre els factors de risc que contribueixen al desenvolupament d'aquestes malalties i com prevenir-les i tractar-les de manera efectiva. Aquest treball va tenir com a objectiu desenvolupar un model predictiu de malalties cardiovasculars utilitzant tècniques d'aprenentatge automàtic i un conjunt de dades de factors de risc recopilats pels Centres per al Control i la Prevenció de Malalties (CDC) dels Estats Units. Així mateix, es buscava identificar els factors de risc més significatius associats a aquestes malalties. Es van aplicar diverses tècniques de mostreig per abordar el desequilibri de classes i es van entrenar múltiples algoritmes. El model Light GBoost amb SMOTEENN, entrenat en un conjunt de dades amb 29 variables i 353.968 registres, va demostrar el millor rendiment, amb un recall de 0,8450 i un AUC-ROC de 0,8139. Es van identificar com a factors de risc clau l'edat avançada, el sexe masculí, els baixos nivells socioeconòmics (ingressos i educació) i dormir poc. Els resultats destaquen la importància de considerar factors socioeconòmics i d'estil de vida, a més dels factors tradicionals, en l'avaluació del risc cardiovascular. Tot i que es reconeixen limitacions com la naturalesa autoreportada de les dades i l'absència d'algunes variables clíniques, aquest treball contribueix al desenvolupament d'eines de predicció més precises, i emfatitza la necessitat d'abordar els determinants socials en les polítiques de prevenció de malalties cardiovasculars.