Investigadores de la UDLA, Yachay Tech y universidades aliadas demostraron que el algoritmo de bosque aleatorio supera a otros m\u00e9todos de inteligencia artificial en la detecci\u00f3n de insuficiencia card\u00edaca. Esta innovaci\u00f3n representa un gran avance para la medicina preventiva.<\/p>\n\n\n\n
El equipo utiliz\u00f3 una base de datos consolidada de m\u00e1s de 900 registros cl\u00ednicos, aplic\u00f3 t\u00e9cnicas avanzadas de preprocesamiento (incluida la eliminaci\u00f3n de outliers) y afin\u00f3 los hiperpar\u00e1metros para mejorar el rendimiento de los modelos.<\/p>\n\n\n\n “Este estudio evidencia el potencial de la inteligencia artificial para apoyar diagn\u00f3sticos m\u00e9dicos precisos y r\u00e1pidos”, destaca Acosta Vargas.<\/p>\n\n\n\n Adem\u00e1s de su precisi\u00f3n t\u00e9cnica, el modelo tiene potencial para integrarse a sistemas de apoyo cl\u00ednico en tiempo real, optimizando recursos hospitalarios y mejorando la atenci\u00f3n a pacientes con enfermedades card\u00edacas.<\/p>\n\n\n\n
En un estudio publicado por la revista Life<\/em> (Q1), el equipo liderado por la docente investigadora Patricia Acosta Vargas evalu\u00f3 cinco modelos de clasificaci\u00f3n de machine learning para detectar casos de insuficiencia card\u00edaca. Tras comparar modelos como regresi\u00f3n log\u00edstica, \u00e1rbol de decisi\u00f3n, k-NN, MLP y Random Forest, este \u00faltimo obtuvo los mejores resultados: una especificidad de 0.93, AUC de 0.97 y un MCC de 0.83.<\/p>\n\n\n\n