TÉCNICAS DE INTELIGENCIA COMPUTACIONAL PARA EL ANÁLISIS Y PROCESAMIENTO DE DATOS: APLICACIÓN DE TÉCNICAS DE MACHINE LEARNING EN EL DIAGNÓSTICO DE ENFERMEDADES GERIÁTRICAS

Resumen

El Accidente Cerebrovascular es una de las principales causas de muerte y discapacidad en el mundo. La enfermedad requiere un diagnóstico rápido para minimizar secuelas y mejorar el pronóstico de los pacientes. En este sentido, algunas técnicas de Aprendizaje Automático han demostrado ser herramientas prometedoras para apoyar el triaje prehospitalario. Este trabajo presenta la implementación y evaluación de cuatro modelos de clasificación: K-Nearest Neighbors, Random Forest, eXtreme Gradient Boosting y Support Vector Machine, aplicados al conjunto de datos "Stroke Prediction" de Kaggle, el cual fue sometido a etapas de preprocesamiento, balanceo de clases y optimización de hiperparámetros. Además, se aplicó la técnica SelectKBest para identificar las variables más relevantes, con vistas a futuras aplicaciones en sistemas embebidos. Los resultados indicaron un buen desempeño en todos los modelos, destacándose Random Forest, que alcanzó una precisión del 98,9 % con 12 variables, y mantuvo el 96,9 % al reducirse a solo cuatro variables clave (edad, hipertensión, enfermedad cardíaca y glucemia media). Los experimentos demuestran que los modelos de aprendizaje automático pueden apoyar eficazmente la detección temprana de enfermedad, permitiendo su integración en aplicaciones móviles o dispositivos de bajo costo orientados al triaje rápido y confiable.