Browsing by Author "Serrano Leal, Romilia Fabiana"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Algoritmo de predicción de sepsis basado en machine learning.
    (Universidad de Concepción, 2026) Serrano Leal, Romilia Fabiana; Figueroa Iturrieta, Rosa Liliana
    En este proyecto de memoria se abordó la grave problemática de la sepsis, una de las condiciones que posee una tasa de mortalidad del 19,8 % a nivel mundial, y especialmente delicada en pacientes internados en unidades críticas. Ante la elevada tasa de letalidad y lo rápido que progresa esta condición, su detección temprana y atención inmediata son fundamentales para asegurar la mejora del paciente, por lo cual el objetivo del proyecto es desarrollar un algoritmo predictivo de sepsis basado en Machine Learning. Para lograrlo, se realizó una revisión bibliográfica para identificar los principales factores de riesgo, síntomas de la condición y modelos de aprendizaje automático ya utilizados, junto con las variables que poseen mayor incidencia en el desempeño de estos modelos. Utilizando la información recolectada, se procedió a avanzar en el desarrollo del modelo trabajando con los registros de la base de datos eICU CRD. Se preparó la base de datos seleccionando una cohorte y las variables más significativas según la bibliografía para, posteriormente, aplicar el preprocesamiento, que abarcó el análisis exploratorio de los datos, el manejo de datos faltantes, la eliminación de variables con alta correlación, la codificación de variables categóricas y el escalado de variables numéricas, el manejo de outliers, la gestión del desbalanceo de la clase objetivo y la selección de características según su nivel de importancia. Finalmente, con la base de datos preprocesada se aplicaron y evaluaron distintos modelos, tales como Regresión Logística, Support Vector Machine, Random Forest, XGBoost, LightGBM, CatBoost y una Red Neuronal de tipo Perceptrón Multicapa (MLP), a los cuales se le aplicó la optimización de sus hiperparámetros mediante Optuna. Al evaluar su desempeño se identificó que los modelos de potenciadores de gradiente poseen un desempeño superior, destacado el modelo de LightGBM, con un desempeño en AUC de 0,88. Además, se validó la interpretabilidad del modelo mediante el análisis SHAP de características, evidenciando como las variables más influyentes en la predicción concuerdan con síntomas o marcadores característicos de la condición de sepsis.
Síguenos en...