Resumen
Los síntomas previos al infarto difieren entre hombres y mujeres, siendo menos
notorios en el sexo femenino; esto es debido a diferencias fisiológicas y
hormonales entre ambos sexos, siendo más sutiles y no claramente reconocibles
por ellas o el personal médico, esto es debido a que históricamente han sido
poco estudiados en mujeres. En el presente documento se explora la posibilidad
de concebir una herramienta digital que ayude a identificar infarto en mujeres.
Para conseguir esto proponemos hacer análisis de datos de mujeres que
sufrieron un infarto o tienen afecciones coronarias similares, esto con el objetivo
de lograr identificar factores de riesgo relacionados con este padecimiento que
sean especificas para la mujer, y consecuentemente, obtener una herramienta
clasificadora. En nuestros resultados obtuvimos que los factores de riesgo que
mayor impacto generan en mujeres según las diversas fuentes utilizadas en los
modelos de aprendizaje automático son: último grado de estudios, si es fumador
actual, cuantos cigarrillos al día consume, si sufrió de un evento cerebrovascular,
si sufre de hipertensión (incluyendo hipertensión medicada), su índice de masa
corporal, su edad, el tipo de dolor de pecho, los niveles de glucosa en sangre, si
tuvo diabetes gestacional, si padece enfermedad de los riñones, piezas dentales
removidas, horas de sueño, grupo étnico, altura en metros, padecer VIH, padecer
cáncer de piel, sufrir de alcoholismo, haber sido vacunada de neumonía y de la
gripe. Nuestros distintos modelos obtuvieron una precisión de 86%, 100%, 70%,
86% y del 100%. Destacamos la importancia de incorporar en futuros estudios
una mayor cantidad de factores de riesgo en mujeres, lo cual permitirá
incrementar la precisión de modelos específicos en la clasificación de mujeres en
riesgo de enfermedad cardiovascular y permitirá conocer mejor aún el impacto de
cada uno de los factores de riesgo específicos en la mujer.
Palabras clave: Aprendizaje Automático, Datos clínicos, Sistema para el Apoyo en
la Toma de Decisiones, Enfermedad Cardiovascular en Mujeres.
Abstract
The symptoms prior to the infarction differ between men and women, being less
noticeable in the female sex; this is due to physiological and hormonal differences
between both sexes, being more subtle and not clearly recognizable by them or
the medical personnel, this is due to the fact that historically they have been little
studied in women. This document explores the possibility of conceiving a digital
tool that helps identify heart attack in women. To achieve this, we propose to
analyze data from women who suffered a heart attack or have similar coronary
diseases, with the aim of identifying risk factors related to this condition that are
specific to women, and consequently, obtaining a classification tool. In our results
we obtained that the risk factors that generate the greatest impact on women
according to the various sources used in the machine learning models are: last
degree of studies, if you are a current smoker, how many cigarettes per day you
use, if you suffered from a cerebrovascular event, if you suffer from hypertension
(including medicated hypertension), your body mass index, your age, the type of
chest pain, blood glucose levels, if you had gestational diabetes, if you have
kidney disease, teeth removed, hours of sleep, ethnic group, height in meters,
suffering from HIV, suffering from skin cancer, suffer Of alcoholism, having been
vaccinated for pneumonia and the flu. Our different models obtained an accuracy
of 86%, 100%, 70%, 86% and 100%. We emphasize the importance of
incorporating a greater number of risk factors in women for future studies, this will
increase the accuracy of specific models in the classification of women at risk of
cardiovascular disease and will allow an even better understanding of the impacts
of each of the specific risk factors in women.
