Abordaje de predicción de hipertensión en pacientes peruanos basado en algoritmos de Machine Learning

Abstract

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