Diseño de una aplicación basada en técnicas de aprendizaje automático para la detección temprana de ataques cardiovasculares

Las enfermedades cardiovasculares (ECV) representan una de las principales causas de mortalidad a nivel mundial, siendo responsables de millones de muertes cada año. Su impacto en los sistemas de salud pública es significativo, ya que suelen estar asociadas a factores prevenibles como el sedentarismo, el tabaquismo, la mala alimentación y condiciones crónicas como la hipertensión o la diabetes. Ante este escenario, la presente investigación propone el diseño y desarrollo de un modelo predictivo basado en técnicas de aprendizaje automático (Machine Learning, ML) para estimar de manera precisa el riesgo de padecer ECV en adultos. Utilizando el conjunto de datos del Behavioral Risk Factor Surveillance System (BRFSS), que contiene información detallada sobre más de 400,000 individuos, se entrenará el modelo con variables clave relacionadas con el estado de salud y los hábitos de vida. El objetivo principal es crear una herramienta personalizada que permita detectar a tiempo a personas con alto riesgo y facilitar intervenciones preventivas. Este modelo será implementado en una plataforma web interactiva, en la que los usuarios podrán ingresar sus datos y obtener una predicción del riesgo en tiempo real. Se espera que esta aplicación contribuya significativamente a mejorar las estrategias de prevención, detección temprana y gestión de las ECV mediante el uso de tecnologías avanzadas de analítica y ciencia de datos.

• Autores: Rans, Nathalia de la; Gamez, Juan; Linero, Diego
• Fecha de publicación: 2025
• Institución: Universidad del Norte
• Repositorio: Repositorio Uninorte
• Idioma: spa
• OAI Identifier: oai:manglar.uninorte.edu.co:10584/13385
• Acceso en línea: http://hdl.handle.net/10584/13385
• Palabra clave: Enfermedades cardiovasculares, Machine Learning, Predicción, BRFSS, Salud pública, Predicción de riesgo, Random Forest, Plataforma web; Cardiovascular diseases, Machine Learning, Prediction, BRFSS, Public health, Risk prediction, Random Forest, Web platform
• License: Universidad del Norte