Modelo predictivo para la prevención de accidentes cerebrovasculares

Abstract

El objetivo de este estudio fue aplicar y evaluar diferentes algoritmos de Machine Learning para la predicción de un ACV, con algunas métricas de predicción como la accuracy, ROC AUC área bajo la curva ROC, precisión, recall sensibilidad y F1 Score. El diseño de la investigación tiene un corte transversal, correlacional y predictivo. Este enfoque permite recopilar datos en un único punto temporal, analizar las relaciones entre diversas variables, y desarrollar modelos que predicen la probabilidad de ocurrencia de un ACV. El conjunto de datos se obtuvo del repositorio digital Kaggle, esta consta de 5,110 registros y 12 variables. El estudio utiliza una metodología de análisis predictivo de datos que comprende varias fases clave para el desarrollo del proyecto, entre ellas la recolección de los datos, la limpieza, el análisis EDA y la selección y preparación de variables. Posteriormente, se aplican modelos de Machine Learning, como regresión logística, random forest y redes neuronales, para construir y evaluar estos modelos, utilizando Python y algunas librerías como Pandas, Seaborn, Matplotlib y NumPy. Finalmente, se realizó una evaluación de los resultados de cada modelo, donde se determinó que el que más se ajusta a nuestro objetivo es la regresión logística.