Modelos de aprendizaje automático para la predicción de la progresión de la enfermedad renal crónica

Abstract

Los modelos predictivos basados en técnicas de inteligencia artificial han evidenciado su capacidad de establecer predicciones del riesgo de diferentes patologías asociadas a variables clínicas con el fin de generar sistemas que faciliten la toma de decisiones médicas. Debido a que muchos de estos modelos de predicción no generan buenos resultados cuando faltan valores predictores, muchas veces no se pueden detectar de manera temprana la progresión de las enfermedades. El propósito de esta investigación es la implementación de un CDSS basado en métodos de imputación de datos para entrenar modelos de aprendizaje automático que permita la predicción de la TFG en un periodo de 2 años con intervalos de 6 meses. La metodología se dividirá en dos etapas(i) la preparación de los datos conformada por 482 pacientes con ERC en estadios 1 a 4 en un periodo mayor de 2 años de seguimiento en el programa, donde se realiza la limpieza filtrado e imputación de las variables seleccionadas para alimentar los modelos (ii) implementación de un modelo de predicción en el tiempo y evaluación métricas error MAE average en las diferentes configuraciones de los hiperparámetro de los modelos. Entre los enfoques evaluados las Redes Neuronales Convolucionales (CNN) se desempeñó mejor con un conjunto de testeo y validación con dos arquitecturas diferentes para una para los periodos de 6ª 12 y otra de 18 a 24 con un MAE 5.48, 6.46, 6.76, 6.53 para los períodos respectivamente en los datos de validación.