Abordaje de predicción de hipertensión en pacientes peruanos basado en algoritmos de Machine Learning
La hipertensión es un problema de salud pública con alta prevalencia en Perú, afectando significativamente la calidad de vida y la sostenibilidad del sistema de salud. Los métodos tradicionales de análisis de datos han demostrado ser insuficientes para procesar el gran volumen de información médica...
Guardado en:
| Autores principales: | , , |
|---|---|
| Otros Autores: | |
| Formato: | Tesis de pregrado |
| Lenguaje: | español |
| Publicado: |
Universidad Peruana Unión
2025
|
| Materias: | |
| Acceso en línea: | Enlace permanente (DOI o Handle) |
| Etiquetas: |
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| _version_ | 1881510729590243328 |
|---|---|
| author | Auqui Aguilar, Gabriela Maria Castillo Ramos, Jack Cosme Moran Nureña, Luis Felipe Humberto |
| author2 | Lopez Gonzales, Javier Linkolk |
| author_browse | Auqui Aguilar, Gabriela Maria Castillo Ramos, Jack Cosme Lopez Gonzales, Javier Linkolk Moran Nureña, Luis Felipe Humberto |
| author_facet | Lopez Gonzales, Javier Linkolk Auqui Aguilar, Gabriela Maria Castillo Ramos, Jack Cosme Moran Nureña, Luis Felipe Humberto |
| author_sort | Auqui Aguilar, Gabriela Maria |
| collection | Repositorio institucional |
| description | La hipertensión es un problema de salud pública con alta prevalencia en Perú, afectando significativamente la calidad de vida y la sostenibilidad del sistema de salud. Los métodos tradicionales de análisis de datos han demostrado ser insuficientes para procesar el gran volumen de información médica disponible. En este estudio, se exploró el uso de algoritmos de machine learning para predecir la hipertensión en pacientes peruanos, basándose en 1631 registros extraídos de historias clínicas electrónicas. Se implementaron tres modelos predictivos: Regresión Logística, Random Forest y Support Vector Machine (SVM). Los resultados evidencian la capacidad de los algoritmos para identificar patrones y factores de riesgo asociados a la hipertensión, lo que permite una detección temprana y una mejor planificación de estrategias preventivas. La integración de machine learning en el ámbito sanitario peruano representa una oportunidad para optimizar la toma de decisiones médicas y fomentar una cultura de prevención en la población. El modelo Random Forest mostró el mejor rendimiento, con una precisión (accuracy) de 92.05%, un ROC-AUC score de 0.9484, y un F1-Score de 0.85 para la clase de hipertensos. En comparación, el modelo SVM presentó una precisión de 79.20%, un ROC-AUC score de 0.8162, y un F1-Score de 0.57. Por otro lado, el modelo de Regresión Logística mostró un rendimiento inferior, con una precisión de 71.25% y un F1-Score de 0.04, destacándose por su menor capacidad para identificar correctamente los casos de hipertensión |
| escuela_str_mv | Escuela Profesional de Ingeniería de Sistemas |
| format | info:eu-repo/semantics/bachelorThesis |
| id | oai:repositorio.upeu.edu.pe:20.500.12840/9580 |
| institution | UPeU |
| language | Spanish |
| linea_str_mv | Inteligencia artificial |
| ocde_area_str_mv | Ingeniería y tecnología |
| ocde_disciplina_str_mv | Ingeniería eléctrica, electrónica e informática |
| ocde_str_mv | 2.02.04 |
| programa_nombre_str_mv | Ingeniería de Sistemas |
| programa_pxx_str_mv | P27 |
| programa_uri_str_mv | http://upeu.edu.pe/sys/programas/programa/ingenieria-de-sistemas |
| publishDate | 2025 |
| publishDateRange | 2025 |
| publishDateSort | 2025 |
| publisher | Universidad Peruana Unión |
| publisherStr | Universidad Peruana Unión |
| record_format | dspace |
| sede_str_mv | Lima |
| spelling | Abordaje de predicción de hipertensión en pacientes peruanos basado en algoritmos de Machine Learning Auqui Aguilar, Gabriela Maria Castillo Ramos, Jack Cosme Moran Nureña, Luis Felipe Humberto Lopez Gonzales, Javier Linkolk Hipertensión Machine Learning Inteligencia artificial Historias clínicas Salud Pública La hipertensión es un problema de salud pública con alta prevalencia en Perú, afectando significativamente la calidad de vida y la sostenibilidad del sistema de salud. Los métodos tradicionales de análisis de datos han demostrado ser insuficientes para procesar el gran volumen de información médica disponible. En este estudio, se exploró el uso de algoritmos de machine learning para predecir la hipertensión en pacientes peruanos, basándose en 1631 registros extraídos de historias clínicas electrónicas. Se implementaron tres modelos predictivos: Regresión Logística, Random Forest y Support Vector Machine (SVM). Los resultados evidencian la capacidad de los algoritmos para identificar patrones y factores de riesgo asociados a la hipertensión, lo que permite una detección temprana y una mejor planificación de estrategias preventivas. La integración de machine learning en el ámbito sanitario peruano representa una oportunidad para optimizar la toma de decisiones médicas y fomentar una cultura de prevención en la población. El modelo Random Forest mostró el mejor rendimiento, con una precisión (accuracy) de 92.05%, un ROC-AUC score de 0.9484, y un F1-Score de 0.85 para la clase de hipertensos. En comparación, el modelo SVM presentó una precisión de 79.20%, un ROC-AUC score de 0.8162, y un F1-Score de 0.57. Por otro lado, el modelo de Regresión Logística mostró un rendimiento inferior, con una precisión de 71.25% y un F1-Score de 0.04, destacándose por su menor capacidad para identificar correctamente los casos de hipertensión 2025-09-18 2025-12-17T21:45:58Z 2025-12-17T21:45:58Z info:eu-repo/semantics/bachelorThesis https://hdl.handle.net/20.500.12840/9580 spa info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ application/pdf Universidad Peruana Unión PE oai:repositorio.upeu.edu.pe:20.500.12840/9580 2026-11-10T21:39:33Z |
| spellingShingle | Hipertensión Machine Learning Inteligencia artificial Historias clínicas Salud Pública Auqui Aguilar, Gabriela Maria Castillo Ramos, Jack Cosme Moran Nureña, Luis Felipe Humberto Abordaje de predicción de hipertensión en pacientes peruanos basado en algoritmos de Machine Learning |
| title | Abordaje de predicción de hipertensión en pacientes peruanos basado en algoritmos de Machine Learning |
| title_full | Abordaje de predicción de hipertensión en pacientes peruanos basado en algoritmos de Machine Learning |
| title_fullStr | Abordaje de predicción de hipertensión en pacientes peruanos basado en algoritmos de Machine Learning |
| title_full_unstemmed | Abordaje de predicción de hipertensión en pacientes peruanos basado en algoritmos de Machine Learning |
| title_short | Abordaje de predicción de hipertensión en pacientes peruanos basado en algoritmos de Machine Learning |
| title_sort | abordaje de prediccion de hipertension en pacientes peruanos basado en algoritmos de machine learning |
| topic | Hipertensión Machine Learning Inteligencia artificial Historias clínicas Salud Pública |
| topic_facet | Hipertensión Machine Learning Inteligencia artificial Historias clínicas Salud Pública |
| url | https://hdl.handle.net/20.500.12840/9580 |
| work_keys_str_mv | AT auquiaguilargabrielamaria abordajedepredicciondehipertensionenpacientesperuanosbasadoenalgoritmosdemachinelearning AT castilloramosjackcosme abordajedepredicciondehipertensionenpacientesperuanosbasadoenalgoritmosdemachinelearning AT morannurenaluisfelipehumberto abordajedepredicciondehipertensionenpacientesperuanosbasadoenalgoritmosdemachinelearning |