Resumen:
El uso de aprendizaje automático en datos clínicos ha ganado interés en los últimos años, especialmente en tareas de clasificación supervisada aplicadas a la medicina. Sin embargo, su implementación enfrenta retos importantes cuando se busca predecir características estructurales internas a partir de variables clínicas periféricas. Esta tesis tuvo como objetivo analizar el desempeño de ocho algoritmos de aprendizaje automático para clasificar a pacientes con hipertensión, diabetes o dislipidemia de acuerdo con su anatomía vascular cervical, una variable habitualmente determinada por imagenología.
Se trabajó con un conjunto de datos clínicos estructurados, afectado por un notable desbalance entre clases (relación 1:3), lo cual se abordó mediante la técnica SMOTE. Los algoritmos evaluados incluyeron: Regresión Logística, Bayes Ingenuo, k-vecinos más cercanos, Máquinas de Vectores de Soporte, Árboles de Decisión, Análisis Discriminante Regularizado, Redes Neuronales y Cópula Gaussiana. Se evaluaron ocho métricas de desempeño mediante validación cruzada estratificada con cinco iteraciones.
Los resultados revelaron diferencias estadísticamente significativas entre clasificadores en la mayoría de las métricas. Algunos modelos como Análisis Discriminante Regularizado y Cópula Gaussiana destacaron por su exactitud, mientras que k-vecinos más cercanos y Redes Neuronales mostraron un mejor equilibrio entre sensibilidad, F1 y exactitud balanceada. La Regresión Logística y las Máquinas de Vectores de Soporte obtuvieron los desempeños más bajos en sensibilidad. En todos los algoritmos, la exactitud balanceada fue menor que la exactitud bruta, reflejando el impacto del desbalance de clases.
Estos hallazgos subrayan la importancia de utilizar múltiples métricas para evaluar clasificadores en contextos clínicos. Asimismo, sugieren que no existe un modelo único óptimo, y que la selección del algoritmo debe guiarse por las prioridades clínicas específicas del problema, como la necesidad de minimizar falsos negativos.
Abstract:
The use of machine learning in clinical data analysis has gained increasing attention, particularly for supervised classification tasks in medical applications. However, its implementation faces significant challenges when attempting to predict internal anatomical features using peripheral clinical variables. This thesis aimed to evaluate the performance of eight machine learning algorithms in classifying patients with hypertension, diabetes, or dyslipidemia according to their cervical vascular anatomy, a variable typically assessed through imaging studies.
The study utilized a structured clinical dataset characterized by notable class imbalance (3:1 ratio), which was addressed using the SMOTE technique. The evaluated algorithms included Logistic Regression, Naive Bayes, k-Nearest Neighbors, Support Vector Machines, Decision Trees, Regularized Discriminant Analysis, Neural Networks, and Gaussian Copula. Eight performance metrics were assessed using stratified cross-validation.
The results showed statistically significant differences among classifiers across most metrics. Some models, such as Regularized Discriminant Analysis and Gaussian Copula, stood out in terms of accuracy, while k-Nearest Neighbors and Neural Networks demonstrated better balance across sensitivity, F1 score, and balanced accuracy. Logistic Regression and Support Vector Machines yielded the lowest sensitivity scores. All classifiers showed a drop in balanced accuracy compared to raw accuracy, highlighting the effect of class imbalance.
These findings emphasize the importance of evaluating multiple performance metrics in clinical classification problems. They also suggest that no single model is universally optimal, and that algorithm selection should be guided by specific clinical priorities, such as minimizing false negatives.
