Modelo predictivo para la identificación de insuficiencia cardíaca en pacientes con hipertensión en el Hospital Alma Mater de Antioquia para los años 2021-2022

Introducción: La insuficiencia cardíaca (IC) es una condición en la que el corazón no puede satisfacer las necesidades metabólicas del cuerpo, a menudo relacionada con la hipertensión arterial (HTA). Esta enfermedad ha aumentado a nivel mundial, especialmente en personas mayores, y representa un grave problema de salud pública debido a su alta tasa de mortalidad. En Colombia, la relación entre IC y HTA es especialmente significativa en hombres mayores de 60 años. Ante este panorama, se hace urgente desarrollar modelos predictivos efectivos para mejorar el diagnóstico temprano y los resultados clínicos, particularmente en el Hospital Alma Mater de Antioquia. Esta investigación se enfoca en la alta prevalencia de insuficiencia cardíaca en pacientes con hipertensión, destacando la importancia de la detección temprana para prevenir su progresión. La colaboración con el Hospital Alma Mater de Antioquia y la disponibilidad de datos clínicos de 2021-2022 respaldan la viabilidad del estudio, evidenciando además la falta de investigaciones predictivas sobre IC y HTA en el contexto colombiano, lo que resalta la necesidad de un enfoque local. Metodología: El estudio se basó en un diseño observacional retrospectivo con el objetivo de desarrollar un modelo predictivo para identificar el riesgo de insuficiencia cardíaca en pacientes hipertensos atendidos en el Hospital Alma Mater de Antioquia durante 2021-2022. Se utilizaron datos clínicos y sociodemográficos, seleccionando una muestra aleatoria y estratificada: el 80% de los pacientes se destinó al entrenamiento del modelo, mientras que el 20% restante se utilizó para su validación. Se aplicaron análisis bivariados, regresión logística y máquinas de soporte vectorial (SVM) para identificar las variables predictoras, y se evaluó el desempeño del modelo utilizando métricas como precisión, exactitud y AUC-ROC. Resultados: El modelo desarrollado, basado en SVM, mostró un buen desempeño en la identificación temprana del riesgo de insuficiencia cardíaca en pacientes hipertensos. Se identificaron como variables clave para predecir IC la diabetes tipo 2 y la enfermedad renal crónica, que evidenciaron un impacto significativo en el desenlace, mientras que factores socioeconómicos como la educación y el empleo fueron considerados protectores. La evaluación de las métricas mostró ligeras variaciones entre los conjuntos de entrenamiento y validación, sugiriendo áreas para mejorar la generalización del modelo. Discusión: Los hallazgos subrayan la importancia de desarrollar modelos predictivos enfocados en la insuficiencia cardíaca, particularmente en el contexto colombiano, donde factores como la diabetes tipo 2 y la enfermedad renal crónica juegan un papel crucial en el riesgo de IC. El modelo basado en SVM destacó por su capacidad para identificar de manera temprana a los pacientes en riesgo de IC, aunque las variaciones en precisión y recall entre los conjuntos de datos indican la necesidad de optimizar la generalización del modelo. Se sugiere que la integración de factores socioeconómicos y clínicos en modelos predictivos puede mejorar su rendimiento y, por lo tanto, la toma de decisiones clínicas. Además, se plantea la necesidad de desarrollar modelos híbridos que combinen enfoques tradicionales y de aprendizaje automático para mejorar aún más la detección y manejo de la insuficiencia cardíaca. Este tipo de investigación no solo tiene un impacto en la salud pública, sino que también contribuirá a reducir la carga económica asociada a la enfermedad y a mejorar los resultados clínicos de los pacientes.

• Autores: Martínez Lopera, Jonatan; Arango Londoño, Mariana; Giraldo Henao, Ana María
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2025
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/45654
• Acceso en línea: https://hdl.handle.net/10495/45654
• Palabra clave: Hipertensión; Hypertension; Insuficiencia Cardíaca; Heart Failure; Máquina de Vectores de Soporte; Support Vector Machine; Diagnóstico Precoz; Early Diagnosis; Aprendizaje Automático; Machine Learning; Modelos Logísticos; Logistic Models; Máquina de Vectores de Soporte; 3. Ciencias Médicas y de la Salud; https://id.nlm.nih.gov/mesh/D006973; https://id.nlm.nih.gov/mesh/D006333; https://id.nlm.nih.gov/mesh/D060388; https://id.nlm.nih.gov/mesh/D042241; https://id.nlm.nih.gov/mesh/D000069550; https://id.nlm.nih.gov/mesh/D016015; ODS 3: Salud y bienestar. Garantizar una vida sana y promover el bienestar de todos a todas las edades
• Rights: openAccess
• License: https://creativecommons.org/licenses/by-nc-sa/4.0/