Modelo Predictivo de Machine Learning para la Detección de Enfermedad Diarreica Aguda en Pacientes con Trasplante Renal en Colombia | Predictive Model of Machine Learning for the Detection of Acute Diarrheal Disease in Patients with Renal Transplant in Colombia.

En este artículo, se realizó un estudio detallado para predecir la enfermedad diarreica aguda en pacientes con trasplante renal utilizando modelos de aprendizaje automático. Se examinaron cuatro modelos diferentes, entre los cuales se incluyen regresión logística, redes neuronales, máquinas de soporte vectorial (SVM) y árboles de decisión. Se utilizaron procesos de validación cruzada, con una técnica de sobre muestreo alto para corregir los desequilibrios en el conjunto de datos de la clase objetivo que fue la minoritaria. Los resultados indican que las redes neuronales y los árboles de decisión se destacan como los modelos con las mejores métricas, demostrando una alta precisión y capacidad de predicción. La regresión logística y SVM también dan resultados válidos, pero su dominio predictivo es más limitado. Estos resultados brindan indicaciones consistentes para futuras implementaciones médicas en la predicción de la enfermedad diarreica aguda en pacientes con trasplante renal, previa realización de validaciones utilizando datos nuevos y externos para comprobar la generalización del modelo.

Universidad El Bosque

Colombiana de Trasplantes

Centro de Inteligencia Artificial Universidad El Bosque – ALBORITMO

Grupo SIGNOS

Grupo de Inmunología Celular y Molecular de la Universidad El Bosque

In this article, a detailed study was conducted to predict acute diarrheal disease in kidney transplant patients using machine learning models. Four different models, including logistic regression, neural network, support vector machine (SVM), and decision tree, were examined using cross-validation, with a high-oversampling technique to correct for imbalances in the class 1 dataset that was the minority. The results indicate that neural networks and decision trees stand out as the models with the best metrics, demonstrating high accuracy and predictive capacity. Logistic regression and SVM also give valid results, but their predictive domain is more limited. These results provide consistent indications for future medical implementations in the prediction of acute diarrheal disease in kidney transplant patients, after validations using new and external data to test the generalization of the model.