Desarrollo de modelos predictivos de machine learning para la reducción de hospitalizaciones en pacientes con insuficiencia cardíaca en la segunda fase del macroproyecto de monitoreo domiciliario con el FIT Seat del Laboratorio de Biomedicina Computacional del Instituto Tecnológico de Rochester

El presente trabajo de investigación se enmarca dentro del macroproyecto “Inconspicuous Daily Monitoring to Reduce Hospitalizations in Heart Failure Patients”, desarrollado por el Instituto tecnológico de Rochester (RIT por sus siglas en inglés) en colaboración con el Centro Médico de la Universidad de Rochester (URMC por sus siglas en inglés). Su objetivo fue contribuir al desarrollo de un modelo predictivo basado en machine learning para anticipar hospitalizaciones en pacientes con insuficiencia cardíaca (IC), utilizando datos fisiológicos recopilados por el FIT Seat, un dispositivo pasivo de monitoreo. La investigación se desarrolló bajo la modalidad de pasantía en el Laboratorio de Biomedicina Computacional del RIT, dirigido por la Dra. Linwei Wang. El estudio se estructuró en cuatro etapas: (I) Contextualización del macroproyecto, (II) Análisis exploratorio y preprocesamiento de datos, (III) Exploración y evaluación de modelos predictivos, y (IV) Ampliación del reclutamiento de pacientes para la cohorte observacional. Durante la etapa I, se revisaron los documentos metodológicos y se analizaron las variables clínicas, lo que reveló que el macroproyecto se retrasó más de lo previsto, con un número reducido de pacientes reclutados y una alta proporción de datos faltantes. En la etapa II, se realizó un análisis exploratorio del conjunto de datos, encontrando que el 42.09% de los registros diarios carecían de información sobre variables clínicas clave. Esto condujo a la implementación de estrategias para mejorar la consistencia de la selección de la muestra y reducir los sesgos en la segmentación temporal de los datos. En la etapa III, se evaluaron modelos como random forest, AdaBoost, bagging, máquinas de vectores de soporte y redes neuronales, aplicando validación cruzada y ajuste de hiperparámetros mediante búsqueda en cuadrícula. Se identificaron modelos con un rendimiento aceptable, logrando valores iguales o superiores a 0.65 en el área bajo la curva de la característica operativa del receptor (AUCROC, por sus siglas en inglés), indicador que mide la capacidad del modelo para discriminar entre eventos positivos y negativos. No obstante, varios modelos presentaron signos de sobreajuste y una baja estabilidad en sus métricas, principalmente debido a la escasa cantidad de eventos positivos registrados en la cohorte. Como resultado, se concluyó que avanzar a la siguiente fase del estudio no era viable sin ampliar la base de datos. En respuesta a esta necesidad, una etapa adicional se centró en ampliar el reclutamiento de pacientes, instalando el Asiento FIT en los hogares de tres nuevos participantes, con una integración exitosa en dos de ellos. Finalmente, los hallazgos fueron incluidos en el informe anual del macroproyecto, presentado a los Institutos Nacionales de Salud (NIH), donde se concluyó que es necesario aumentar la cantidad de datos recolectados antes de desarrollar un modelo con potencial de implementación clínica.

• Autores: Dorado Muñoz, Daniel
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2025
• Institución: Universidad Autónoma de Occidente
• Repositorio: RED: Repositorio Educativo Digital UAO
• Idioma: spa
• OAI Identifier: oai:red.uao.edu.co:10614/16139
• Acceso en línea: https://hdl.handle.net/10614/16139; https://red.uao.edu.co/
• Palabra clave: Ingeniería Biomédica; Aprendizaje automático; Insuficiencia cardíaca; Predicción de eventos adversos; Monitoreo pasivo; Análisis exploratorio de datos; Hospitalización; Machine learning; Heart failure; Hospitalization; Adverse event prediction; Passive monitoring; FIT Seat; Exploratory data analysis
• Rights: closedAccess
• License: Derechos reservados - Universidad Autónoma de Occidente, 2025