Comparación de modelos predictivos de riesgo de hipertensión en la población de Cartagena usando aprendizaje automático

Abstract

Para la elaboración de este trabajo se realizaron en parte investigaciones distintas unas más profundas que las otras y se analizaron varias propuestas para la realización de algoritmos que utilizan inteligencia artificial, entonces es cuando se encuentra que es posible aplicar el machine learning para dar soluciones de ayuda en algunos casos. De todas las ideas se halló un proyecto donde aplicamos aprendizaje automático para casos de hipertensión en la ciudad de Cartagena, para la implementación de las diferentes técnicas, primero se recopilo toda la información necesaria de varios conjuntos de datos de pacientes que se unificaron para su preparación y selección de características. Para la salud estas herramientas son bastante útil donde podemos aplicar técnicas de machine learning para detectar o clasificar personas que están en riegos de hipertensión. En esta parte se inició la investigación de objetivos, antecedentes y sobre todo el conjunto de datos para los modelos predictivos, pero para hacer el proyecto más alcanzable se define como metal final realizar una comparación de los modelos de aprendizaje automático desarrollados a través de la librería sklearn en Python para determinar cuál es el modelo más óptimo para obtener mejores resultados en termino de predicción. Todos los algoritmos, técnicas o métodos fueron desarrollados bajo el lenguaje de programación Python, para el cual se utilizó la plataforma especialmente utilizada para laboratorios de ciencia de datos e inteligencia artificial, esta se llama anaconda la cual es muy fácil de manejar y ofrece muchas ayudas las cuales hacen más fácil la codificación.

Anaconda incluye toda la suite de paquetes básicos que se van a requerir para el análisis y creación de los modelos predictivos, no es necesario instalar librerías externas ya que de todas formas la plataforma maneja las dependencias de manera organizada. Primero se recolectó toda la información con la que se va a trabajar en los algoritmos, luego se debe organizo para presentarla de manera unificada en un archivo que se va a leer através de métodos y librerías.

Se realizaron todos los algoritmos y técnicas para la preparación de los datos y el manejo entre los diferentes modelos, del conjunto de datos original se realizó una segmentación de datos dividiendo los datos en entrenamiento y prueba que sirven para el entrenamiento y validación de los modelos, se realizaron todas las pruebas posibles para evaluar los modelos lo cual se hace para identificar los comportamientos y efectos. Luego se evaluaron los subconjuntos de datos obtenidos para comparar cada uno de los modelos seleccionados, realizando un análisis de clasificadores de acuerdo a las variables seleccionadas para elegir el mejor modelo, por último, concluyo cuál es el modelo más óptimo de los comparados. El más apto para asumir la responsabilidad de predecir casos de hipertensión, sabiendo que los modelos de predicción no son 100% certeros son datos que nos ayudarán en gran parte a tomar decisiones que pueden prevenir riesgo de casos de hipertensión en la salud.