Modelo de aprendizaje automático para predecir el riesgo cardiovascular usando variables clínicas y del diario vivir.
| dc.contributor.advisor | Figueroa Iturrieta, Rosa Liliana | es |
| dc.contributor.author | Hernández Torres, Rocío Arantzazú | es |
| dc.date.accessioned | 2024-11-24T22:38:01Z | |
| dc.date.available | 2024-11-24T22:38:01Z | |
| dc.date.issued | 2024 | |
| dc.description | Tesis presentada para optar al título de Ingeniero/a Civil Biomédico. | es |
| dc.description.abstract | Las enfermedades cardiovasculares (ECV) son una de las principales causas de defunción en el mundo. Solo en Chile representan el 23% de los decesos. Por esta razón que existen diversos programas mundiales y nacionales para prevenir eventos cardiovasculares, tales como Programa de Salud Cardiovascular (PSCV), los promueven un estilo de vida saludable, como llevar una dieta balanceada o ejercitar frecuentemente. Pese a esto, muchas personas cuyos hábitos de vida son considerados saludables, también pueden llegar a sufrir una ECV, lo que ha motivado a muchos investigadores a estudiar las causas de estas enfermedades, buscando métodos para medir el riesgo cardiovascular. Por esta razón que en este trabajo de memoria de título se busca estudiar la forma de predecir el riesgo cardiovascular usando variables del diario vivir presentes en la base de datos Cardiovascular Health Study (CHS). Para lograr el objetivo propuesto, primero se hizo un análisis exploratorio dentro de la base de datos y un procesamiento de las características seleccionadas, con el fin de identificar las variables más relevantes para entrenar el modelo usando distintos métodos. Posteriormente se entrenaron los modelos con los distintos métodos seleccionados. Para la selección de características, se utilizaron métodos de filtros, de envoltura, y algoritmos específicos como FeatureWiz, SelectKBest y SelectFromModel. Además, se implementaron redes neuronales para mejorar la capacidad de predicción. Los resultados obtenidos no fueron excelentes, pero tampoco desalentadores. El modelo con el mejor rendimiento fue el modelo entrenado con el método de envoltura, alcanzando un 61% de accuracy y un puntaje f1 de 0,59. Estos resultados, aunque no óptimos, indican que las variables seleccionadas para este proyecto no fueron suficientemente relevantes para predecir el riesgo cardiovascular. Sin embargo, este resultado no descarta la posibilidad de seguir investigando si eventos de la vida diaria pueden afectar el correcto funcionamiento del músculo cardíaco, lo que sugiere la necesidad de aplicar más técnicas de ingeniería de datos. | es |
| dc.description.abstract | Cardiovascular diseases (CVD) are one of the leading causes of death worldwide. In Chile alone, they account for 23% of deaths. For this reason, there are various global and national programs to prevent cardiovascular events, such as the Cardiovascular Health Program (PSCV), which promote a healthy lifestyle, including maintaining a balanced diet and exercising frequently. Despite this, many people with habits considered healthy can still suffer from CVD, motivating many researchers to study the causes of these diseases and seek methods to measure cardiac risk. It is for this reason that this thesis work seeks to study the way to predict cardiac risk using daily living variables present in the Cardiovascular Health Study (CHS) database. To achieve the proposed objective, an exploratory analysis was first conducted within the database and the selected features were processed in order to identify the most relevant variables for training the model using different methods. Subsequently, the models were trained using the selected methods. For feature selection, filter methods, wrapper methods, and specific algorithms such as FeatureWiz, SelectKBest, and SelectFromModel were used. Additionally, neural networks were implemented to improve prediction capability. The results obtained were not excellent, but neither were they discouraging. The best-performing model was logistic regression, achieving an accuracy of 61% and an F1 score of 0.59. These results, although not optimal, indicate that the variables selected for this project were not sufficiently relevant to predict cardiac risk. However, this result does not rule out the possibility of further investigating whether daily life events can affect the proper functioning of the heart muscle, suggesting the need to apply more data engineering techniques. | en |
| dc.description.campus | Concepción | es |
| dc.description.departamento | Departamento de Ingeniería Eléctrica | es |
| dc.description.facultad | Facultad de Ingeniería | es |
| dc.identifier.uri | https://repositorio.udec.cl/handle/11594/10285 | |
| dc.language.iso | es | es |
| dc.publisher | Universidad de Concepción | es |
| dc.rights | CC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 International | en |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | Enfermedades cardiovasculares | es |
| dc.subject | Aprendizaje de máquina | es |
| dc.subject | Redes neurales (ciencia de la computación) | es |
| dc.title | Modelo de aprendizaje automático para predecir el riesgo cardiovascular usando variables clínicas y del diario vivir. | es |
| dc.type | Thesis | en |