Predicción de riesgo cardiovascular
Boix Miralles, Carolina
Suppi Boldrito, Remo, tut. (Universitat Autònoma de Barcelona. Departament d'Arquitectura de Computadors i Sistemes Operatius)
Universitat Autònoma de Barcelona. Escola d'Enginyeria

Data:	2025
Descripció:	9 pag.
Resum:	Las enfermedades cardiovasculares continúan siendo la principal causa de mortalidad mundial. Este trabajo analiza la capacidad predictiva de padecer o no enfermedad cardiovascular con el estudio de distintos algoritmos de inteligencia artificial -Random Forest, regresión logística y redes neuronales profundas- aplicados a un conjunto de datos clínicos de 70K y 11 variables clínicas extraído de una base abierta de la plataforma Kaggle. Tras una fase exhaustiva de preprocesamiento y depuración del conjunto de datos, se procedió al análisis mediante la plataforma BigML, con el objetivo de evaluar el riesgo cardiovascular individual a partir de factores de riesgo tradicionales. El estudio no solo permite aplicar distintos algoritmos de aprendizaje automático, sino también valorar la importancia relativa de cada variable clínica en la predicción del riesgo. Para ello, se emplearon varios tamaños muestrales y diferentes particiones de entrenamiento y prueba, lo que permitió comparar el rendimiento y la estabilidad de los modelos bajo distintas configuraciones, aportando solidez metodológica a los resultados obtenidos.
Resum:	Cardiovascular diseases remain the leading cause of mortality worldwide. This study analyzes the predictive capacity of developing or not developing cardiovascular disease by applying various artificial intelligence algorithms -Random Forest, logistic regression, and deep neural networks- to a clinical dataset consisting of 70,000 records and 11 clinical variables, obtained from an open-access database hosted on the Kaggle platform. After an exhaustive phase of data preprocessing and cleaning, the analysis was carried out using the BigML platform, with the aim of evaluating individual cardiovascular risk based on traditional risk factors. The study not only allowed the implementation of different machine learning algorithms, but also made it possible to assess the relative importance of each clinical variable in the prediction of cardiovascular risk. Multiple sample sizes and different training/test partitions were used to compare the performance and stability of the models under various configurations, thereby providing methodological robustness to the results obtained.
Drets:	Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, la comunicació pública de l'obra i la creació d'obres derivades, sempre i quan aquestes es distribueixin sota la mateixa llicència que regula l'obra original i es reconegui l'autoria.
Llengua:	Castellà
Titulació:	Màster en Intel·ligència Artificial i Big Data en Salut
Pla d'estudis:	Màster en Intel·ligència Artificial i Big Data en Salut [4291]
Document:	Treball de fi de postgrau
Matèria:	Enfermedad Cardiovascular ; Factores de riesgo ; Machine learning ; Presión arterial sistólica ; Cardiovascular disease ; Risk factors ; Systolic blood pressure

10 p, 1011.3 KB

El registre apareix a les col·leccions:
Documents de recerca > Treballs de recerca i projectes de final de carrera > Enginyeria. TFM