Modelo de clasificación basado en entropía difusa para la identificación de factores que contribuyen a la prevalencia de anemia en niños peruanos

Abstract

La anemia infantil constituye uno de los principales problemas de salud pública en los países en desarrollo, donde las deficiencias nutricionales afectan gravemente el crecimiento y desarrollo de millones de niños. Según la Organización Mundial de la Salud (OMS), alrededor el 40 % de los niños de entre 6 y 59 meses sufren esta condición en todo el mundo. La identificación temprana es fundamental para diseñar intervenciones eficaces; Sin embargo, los métodos tradicionales y los modelos convencionales de aprendizaje automático presentan limitaciones en la gestión de la complejidad e incertidumbre de los datos clínicos. En este estudio, se propone un modelo de clasificación que combina lógica difusa, entropía difusa y un clasificador de Extreme Gradient Boosting (XGBoost) con ajuste de umbral. El objetivo es captar tanto la incertidumbre como las relaciones no lineales presentes en los historiales médicos. Se evaluaron siete configuraciones: cuatro arquitecturas modernas de línea base (Random Forest, XGBoost, LightGBM y CatBoost), dos modelos mejorados con entropía difusa (Random Forest y XGBoost) y el modelo híbrido propuesto. Los resultados indican que el modelo XGBoost con entropía difusa y ajuste de umbral logró el mejor rendimiento, logrando una Precisión de 0,904, una puntuación F de 0,865, un ROC-AUC de 0,963 y un PR-AUC de 0,938, superando todas las configuraciones de referencia. Estos hallazgos demuestran que la integración de representaciones difusas de la incertidumbre con técnicas avanzadas de clasificación ofrece una estrategia robusta y flexible para apoyar la toma de decisiones en salud pública y fortalecer la detección de la prevalencia de la anemia infantil.