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

Simple item page
dc.contributor.advisorLópez Gonzales, Javier Linkolk
dc.contributor.authorAuqui Aguilar, Gabriela Maria
dc.contributor.authorCastillo Ramos, Jack Cosme
dc.contributor.authorMoran Nureña, Luis Felipe Humberto
dc.date.accessioned2025-12-17T21:45:58Z
dc.date.available2025-12-17T21:45:58Z
dc.date.issued2025-09-18
dc.description.abstractLa 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
dc.description.escuelaEscuela Profesional de Ingeniería de Sistemas
dc.description.lineadeinvestigacionInteligencia artificial
dc.description.sedeLima
dc.formatapplication/pdf
dc.identifier.urihttps://hdl.handle.net/20.500.12840/9580
dc.language.isospa
dc.publisherUniversidad Peruana Unión
dc.publisher.countryPE
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subjectHipertensión
dc.subjectMachine Learning
dc.subjectInteligencia artificial
dc.subjectHistorias clínicas
dc.subjectSalud Pública
dc.subject.ocdehttp://purl.org/pe-repo/ocde/ford#2.02.04
dc.titleAbordaje de predicción de hipertensión en pacientes peruanos basado en algoritmos de Machine Learning
dc.typeinfo:eu-repo/semantics/bachelorThesis
renati.advisor.dni46071566
renati.advisor.orcidhttps://orcid.org/0000-0003-0847-0552
renati.author.dni77044557
renati.author.dni71975408
renati.discipline612076
renati.jurorCuellar Rodríguez, Immer Elías
renati.jurorSaboya Rios, Nemias
renati.jurorPineda Anco, Ferdinan Edgardo
renati.jurorSoria Quijaite, Juan Jesus
renati.jurorLópez Gonzales, Javier Linkolk
renati.levelhttps://purl.org/pe-repo/renati/level#tituloProfesional
renati.typehttp://purl.org/pe-repo/renati/type#tesis
thesis.degree.disciplineIngeniería de Sistemas
thesis.degree.grantorUniversidad Peruana Unión. Facultad de Ingeniería y Arquitectura
thesis.degree.nameIngeniero de Sistemas

Files

Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Gabriela_Tesis_Licenciatura_2025.pdf
Size:
1.43 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Autorización.pdf
Size:
1.33 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Reporte de similitud.pdf
Size:
814.96 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

Ingeniería de Sistemas