Cruz Rodriguez, Joseph IbrahimArce Saavedra, Eduardo AntonioOrbegoso Bardales, FranciscoTorres Sánchez, Ronald2025-03-312025-03-312025-02-24http://repositorio.upeu.edu.pe/handle/20.500.12840/8602La hipertensión arterial es una de las principales causas de mortalidad a nivel mundial, y su detección temprana es crucial para prevenir complicaciones graves. Este estudio tiene como objetivo desarrollar un modelo de inteligencia artificial para predecir la hipertensión arterial de manera eficiente. Se utilizó una metodología cuantitativa basada en un diseño transversal descriptivo, analizando datos de 70,692 encuestas del conjunto "Diabetes, Hypertension and Stroke Prediction". La preparación de los datos incluyó limpieza, imputación de valores faltantes y normalización de características. Durante la construcción del modelo, se entrenaron varios clasificadores utilizando Scikit-Learn, logrando métricas de exactitud, recuperación y F1-Score del 100%. Además, se implementó una API en Python que facilita el acceso a las predicciones, permitiendo su integración en entornos clínicos. Este enfoque no solo mejora la precisión en la identificación de casos, sino que también allana el camino para una intervención más temprana y efectiva en el manejo de la hipertensión, contribuyendo así a la mejora de los resultados de salud de los pacientes.application/pdfspainfo:eu-repo/semantics/openAccessHipertensión ArterialAprendizaje AutomáticoScikit-Learn, APIModelo predictivo.info:eu-repo/semantics/bachelorThesishttp://purl.org/pe-repo/ocde/ford#2.02.04