Modelos predictivos en la clasificación de nacidos vivos y mortinatos: un estudio comparativo entre técnicas de machine learning y regresión logística en función de variables sociodemográficas y clínicas

Introducción: La mortalidad fetal continúa siendo un problema de salud pública en Colombia, que afecta significativamente el bienestar familiar y social. Es fundamental identificar los factores asociados y predecir el riesgo para implementar intervenciones efectivas. Objetivo: Desarrollar un modelo estadístico para clasificar a las gestantes en riesgo de mortalidad fetal en Colombia durante el año 2022. Métodos: Se realizó un estudio de casos y controles utilizando datos de nacidos vivos y defunciones fetales reportados por el Departamento Administrativo Nacional de Estadística. Se aplicaron técnicas de imputación de datos faltantes y balanceo de clases mediante el método SMOTE. Se evaluaron cuatro modelos de clasificación: regresión logística, K-Nearest Neighbors (KNN), árbol de decisión y máquina de soporte vectorial. El rendimiento de los modelos se comparó utilizando métricas de exactitud, sensibilidad, especificidad, puntaje F1 y precisión. Resultados: El conjunto de datos final incluyó 566.806 registros, con 562.828 nacidos vivos y 3.978 muertes fetales. El modelo KNN presentó el mejor rendimiento, con una exactitud de 0,988, sensibilidad de 0,989, especificidad de 0,986 y puntaje F1 de 0,988. Los factores asociados significativamente con la probabilidad de nacer vivo incluyeron el número de hijos, el sexo, el área de residencia, el régimen de afiliación, las semanas de gestación, el peso al nacer, la edad y el nivel educativo de la madre. Conclusión: El modelo KNN demostró ser efectivo en la predicción del riesgo de mortalidad fetal. Los resultados resaltan la importancia de factores socioeconómicos y clínicos en la supervivencia neonatal, sugiriendo la necesidad de intervenciones focalizadas para reducir las muertes fetales en Colombia.

• Autores: Araujo Zarate, Pedro; Martínez Lobo, Danny; Contreras Chávez, John
• Tipo de recurso: Article of journal
• Fecha de publicación: 2024
• Institución: Universidad de Cartagena
• Repositorio: Repositorio Universidad de Cartagena
• Idioma: spa
• OAI Identifier: oai:repositorio.unicartagena.edu.co:11227/19530
• Acceso en línea: https://hdl.handle.net/11227/19530; https://doi.org/10.32997/rcb-2024-4940
• Palabra clave: Mortalidad fetal; Modelos estadísticos; Salud pública; Machine learning; Fetal Death; Statistical Models; Public Health; Machine Learning
• Rights: openAccess
• License: Pedro Araujo Zarate, Danny Martínez, John Jairo Contreras Chávez - 2024