Predicción con IA de complicaciones a 6-12 meses en pacientes con diabetes, hipertensión y enfermedad renal crónica

Resumen

Las enfermedades crónicas no transmisibles, particularmente la diabetes mellitus tipo 2, la hipertensión arterial y la enfermedad renal crónica, representan un desafío para los sistemas de salud debido a su elevada prevalencia y al riesgo de complicaciones que afectan la calidad de vida de los pacientes. La identificación tardía de estas complicaciones limita la implementación de estrategias preventivas y aumenta la demanda de servicios asistenciales. En este contexto, se propone desarrollar y evaluar modelos de aprendizaje automático orientados a predecir el riesgo de complicaciones clínicas en un horizonte de 6 a 12 meses, mediante el análisis de variables demográficas, clínicas y biomarcadores. La metodología contemplará un enfoque cuantitativo y computacional, basado en la integración de datos reales provenientes del Sistema Integral de Información de la Protección Social (SISPRO) y conjuntos de datos públicos disponibles en Kaggle, complementados con registros clínicos simulados para representar variables y escenarios no disponibles en las fuentes originales. Se realizarán procesos de depuración, análisis exploratorio, ingeniería de características y entrenamiento de modelos supervisados, incluyendo regresión logística, Random Forest y XGBoost. Su desempeño se evaluará mediante métricas de exactitud, precisión, sensibilidad, F1-score y área bajo la curva ROC, considerando el desbalance de clases. Se espera identificar modelos con capacidad para discriminar perfiles de riesgo y analizar la contribución de las principales variables predictoras. Los resultados permitirán establecer la viabilidad computacional de la propuesta y sentar las bases para futuras validaciones con información clínica longitudinal real, orientadas al desarrollo de herramientas de apoyo a la prevención y al seguimiento de pacientes con enfermedades crónicas.