Hipertensión arterial en adultos: análisis de riesgo y clasificación predictiva mediante Random Forest
La hipertensión arterial (HTA) ha sido considerada un reto en la salud debido a su impacto en la morbimortalidad cardiovascular y a su frecuente diagnóstico tardío. Se abordó el problema mediante el desarrollo de un modelo de clasificación predictiva basado en Random Forest, con el objetivo de ident...
Guardado en:
| Autores principales: | , , , , , |
|---|---|
| Formato: | Artículo |
| Lenguaje: | español |
| Publicado: |
2025
|
| Materias: | |
| Acceso en línea: | Enlace permanente (DOI o Handle) Descargar el archivo |
| Etiquetas: |
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| _version_ | 1881700490288300032 |
|---|---|
| author | Daniel Lévano Flor Elizabeth Cerdán-León Jesus Inocencio Lopez Rodriguez Mauricio Antonio Alaluna Godinez Siloh Draguichy Valladares Salas Diego Pereira Sartori |
| author_browse | Daniel Lévano Diego Pereira Sartori Flor Elizabeth Cerdán-León Jesus Inocencio Lopez Rodriguez Mauricio Antonio Alaluna Godinez Siloh Draguichy Valladares Salas |
| author_facet | Daniel Lévano Flor Elizabeth Cerdán-León Jesus Inocencio Lopez Rodriguez Mauricio Antonio Alaluna Godinez Siloh Draguichy Valladares Salas Diego Pereira Sartori |
| author_sort | Daniel Lévano |
| collection | Producción científica |
| description | La hipertensión arterial (HTA) ha sido considerada un reto en la salud debido a su impacto en la morbimortalidad cardiovascular y a su frecuente diagnóstico tardío. Se abordó el problema mediante el desarrollo de un modelo de clasificación predictiva basado en Random Forest, con el objetivo de identificar individuos en riesgo de hipertensión a partir de variables clínicas, demográficas y metabólicas. Se utilizó una base de datos proveniente de pacientes en México; mediante la técnica SMOTE-Tomek fue sometida a procesos de limpieza, normalización y balanceo. Se entrenó el modelo con el 70% de los datos y se validó con el 30% restante, aplicando validación cruzada k-fold (k=10). Se evaluó el rendimiento del modelo mediante métricas como precisión, sensibilidad, puntaje F1 y matriz de confusión. Se comparó el modelo con otros métodos como KNN y Decisión Tree. Se alcanzó una exactitud del 98% con el modelo optimizado (127 árboles, profundidad 20) destacando como predictores claves el índice de masa corporal, la presión arterial, la actividad física, el peso y la circunferencia de cintura. Aunque también se evaluaron biomarcadores metabólicos, estos presentaron menor relevancia en la clasificación frente a los predictores antropométricos. Los resultados obtenidos confirman que Random Forest es una herramienta robusta y precisa para la detección temprana del riesgo de hipertensión. Gracias a su integración mediante una API y un formulario interactivo, el modelo resulta accesible incluso para usuarios sin formación técnica, lo que contribuye a estrategias preventivas de salud pública |
| format | Article |
| id | openalex:W4413334184 |
| institution | UPeU |
| language | Spanish |
| publishDate | 2025 |
| publishDateRange | 2025 |
| publishDateSort | 2025 |
| record_format | dspace |
| spelling | openalex:W4413334184Hipertensión arterial en adultos: análisis de riesgo y clasificación predictiva mediante Random ForestDaniel LévanoFlor Elizabeth Cerdán-LeónJesus Inocencio Lopez RodriguezMauricio Antonio Alaluna GodinezSiloh Draguichy Valladares SalasDiego Pereira Sartorihypertensionhypertension risk predictionearly detectionrandom forestpredictive classification modelsanthropometric predictorsbody mass indexwaist circumferencephysical activityblood pressuremetabolic biomarkersSMOTE-Tomekclass imbalancehypertension preventionArtificial Intelligence in HealthcareBlood Pressure and Hypertension StudiesData Mining and Machine Learning ApplicationsLa hipertensión arterial (HTA) ha sido considerada un reto en la salud debido a su impacto en la morbimortalidad cardiovascular y a su frecuente diagnóstico tardío. Se abordó el problema mediante el desarrollo de un modelo de clasificación predictiva basado en Random Forest, con el objetivo de identificar individuos en riesgo de hipertensión a partir de variables clínicas, demográficas y metabólicas. Se utilizó una base de datos proveniente de pacientes en México; mediante la técnica SMOTE-Tomek fue sometida a procesos de limpieza, normalización y balanceo. Se entrenó el modelo con el 70% de los datos y se validó con el 30% restante, aplicando validación cruzada k-fold (k=10). Se evaluó el rendimiento del modelo mediante métricas como precisión, sensibilidad, puntaje F1 y matriz de confusión. Se comparó el modelo con otros métodos como KNN y Decisión Tree. Se alcanzó una exactitud del 98% con el modelo optimizado (127 árboles, profundidad 20) destacando como predictores claves el índice de masa corporal, la presión arterial, la actividad física, el peso y la circunferencia de cintura. Aunque también se evaluaron biomarcadores metabólicos, estos presentaron menor relevancia en la clasificación frente a los predictores antropométricos. Los resultados obtenidos confirman que Random Forest es una herramienta robusta y precisa para la detección temprana del riesgo de hipertensión. Gracias a su integración mediante una API y un formulario interactivo, el modelo resulta accesible incluso para usuarios sin formación técnica, lo que contribuye a estrategias preventivas de salud públicaArticlehttps://doi.org/10.57166/riqchary.v7.n2.2025.1https://revistas.unamba.edu.pe/index.php/riqchary/article/download/210/295W4413334184esC&T Riqchary Revista de investigación en ciencia y tecnología2706-543X2810-81242025-08-19 |
| spellingShingle | hypertension hypertension risk prediction early detection random forest predictive classification models anthropometric predictors body mass index waist circumference physical activity blood pressure metabolic biomarkers SMOTE-Tomek class imbalance hypertension prevention Artificial Intelligence in Healthcare Blood Pressure and Hypertension Studies Data Mining and Machine Learning Applications Daniel Lévano Flor Elizabeth Cerdán-León Jesus Inocencio Lopez Rodriguez Mauricio Antonio Alaluna Godinez Siloh Draguichy Valladares Salas Diego Pereira Sartori Hipertensión arterial en adultos: análisis de riesgo y clasificación predictiva mediante Random Forest |
| title | Hipertensión arterial en adultos: análisis de riesgo y clasificación predictiva mediante Random Forest |
| title_full | Hipertensión arterial en adultos: análisis de riesgo y clasificación predictiva mediante Random Forest |
| title_fullStr | Hipertensión arterial en adultos: análisis de riesgo y clasificación predictiva mediante Random Forest |
| title_full_unstemmed | Hipertensión arterial en adultos: análisis de riesgo y clasificación predictiva mediante Random Forest |
| title_short | Hipertensión arterial en adultos: análisis de riesgo y clasificación predictiva mediante Random Forest |
| title_sort | hipertension arterial en adultos analisis de riesgo y clasificacion predictiva mediante random forest |
| topic | hypertension hypertension risk prediction early detection random forest predictive classification models anthropometric predictors body mass index waist circumference physical activity blood pressure metabolic biomarkers SMOTE-Tomek class imbalance hypertension prevention Artificial Intelligence in Healthcare Blood Pressure and Hypertension Studies Data Mining and Machine Learning Applications |
| topic_facet | hypertension hypertension risk prediction early detection random forest predictive classification models anthropometric predictors body mass index waist circumference physical activity blood pressure metabolic biomarkers SMOTE-Tomek class imbalance hypertension prevention Artificial Intelligence in Healthcare Blood Pressure and Hypertension Studies Data Mining and Machine Learning Applications |
| url | https://doi.org/10.57166/riqchary.v7.n2.2025.1 https://revistas.unamba.edu.pe/index.php/riqchary/article/download/210/295 |
| work_keys_str_mv | AT daniellevano hipertensionarterialenadultosanalisisderiesgoyclasificacionpredictivamedianterandomforest AT florelizabethcerdanleon hipertensionarterialenadultosanalisisderiesgoyclasificacionpredictivamedianterandomforest AT jesusinocenciolopezrodriguez hipertensionarterialenadultosanalisisderiesgoyclasificacionpredictivamedianterandomforest AT mauricioantonioalalunagodinez hipertensionarterialenadultosanalisisderiesgoyclasificacionpredictivamedianterandomforest AT silohdraguichyvalladaressalas hipertensionarterialenadultosanalisisderiesgoyclasificacionpredictivamedianterandomforest AT diegopereirasartori hipertensionarterialenadultosanalisisderiesgoyclasificacionpredictivamedianterandomforest |