Predicción de Enfermedad Cardiovascular Utilizando el Algoritmo de Machine Learning ExtraTreesClassifier

Las enfermedades cardiovasculares (ECV) son la principal causa de mortalidad a nivel mundial, por lo que se están utilizando tecnologías como el Machine Learning para mejorar el diagnóstico temprano y la toma de decisiones clínicas. El objetivo de este estudio fue desarrollar un modelo predictivo utilizando el algoritmo ExtraTreesClassifier para estimar el riesgo de ECV a partir de datos clínicos. Se utilizó un dataset público de Kaggle, con 3,652 registros y 15 variables. El preprocesamiento incluyó limpieza, normalización y balanceo mediante SMOTE. El modelo se entrenó en Python con scikit-learn, iniciando con 10 árboles (n_estimators = 10), logrando una exactitud del 84%. El modelo se optimizó posteriormente a 310 árboles para conseguir una mejor exactitud del 88%. Además, se desarrolló una interfaz web con un formulario interactivo, orientada a usuarios sin conocimientos técnicos. Los resultados mostraron un desempeño robusto y equilibrio entre las clases “Sí infarto” y “No infarto”. En conclusión, el modelo ExtraTreesClassifier demuestra ser una herramienta útil para la estratificación del riesgo cardiovascular, aportando valor clínico y facilitando decisiones más informadas p