Estado del arte en Modelos Predictivos de Machine Learning para Eventos Cardiovasculares: Una Revisión Narrativa breve de Técnicas, Variables Predictoras y Desempeño reportado en la literatura global.

Resumen

Las padecimientos cardiovasculares son la causa más frecuente de muerte en el mundo. Es por ello que la implementación de modelos predictivos basados en Machine Learning es de suma importancia para lograr detectar de manera precoz esta enfermedad. En este artículo se realiza una revisión exhaustiva de las técnicas, variables predictoras y desempeño reportado, que fueron analizados en diferentes trabajos académicos incluyendo el establecido para el Instituto de Previsión Social (IPS) de Coronel Oviedo, Paraguay (Espinoza et al., 2024) p. 11. En ella se identificó y comparó el rendimiento de tres modelos de Machine Learning de aprendizaje supervisado: Regresión Logística, Árboles de Decisión y Random Forest. El estudio tuvo como base un conjunto de datos y registros, estableciendo como  variables en los casos clínicos, el estilo de vida y otros indicadores de salud. Los resultados arrojaron que el modelo Random Forest alcanzó la mejor métrica, reportando una exactitud del 90% lo que posiciona a los modelos preferentes para la predicción de eventos cardiovasculares.