Clasificación del estadio de pacientes diagnosticados con enfermedad renal crónica en un régimen de salud exceptuado en Colombia mediante algoritmos de aprendizaje supervisado

Abstract

La Enfermedad Renal Crónica (ERC) se caracteriza por la pérdida gradual de la función renal, siendo una condición médica sin cura conocida hasta la fecha. El enfoque para el manejo de esta enfermedad se dirige a frenar su progresión y mitigar los síntomas asociados. Actualmente se están desarrollando diversas soluciones basadas en modelos de aprendizaje supervisado con el objetivo de diagnosticar y detectar anomalías y variables que faciliten el control del deterioro y progresión de la enfermedad. En este artículo, se presentan varios algoritmos de aprendizaje supervisado tradicionales y modernos, incluidos la regresión logística multinomial, el Random Forest, el XGBoost, CatBoost, Corn-Ordinal-NeuralNet, las redes neuronales Feedforward y las máquinas soporte vectorial (SVM). Utilizando un conjunto final de 14 variables y 3.189 observaciones, se realiza una clasificación predictiva con el fin de identificar el nivel de progresión de la enfermedad. El modelo con mejor rendimiento resulta ser XGBoost, el cual se utiliza en la fase de implementación con observaciones no utilizadas en las fases de entrenamiento y prueba para la generación de métricas. El propósito de este modelo es realizar clasificaciones de forma predictiva acerca de los estadios de la enfermedad en que se encontraran los pacientes diagnosticados con la condición con el fin de servir como herramienta para proyectar los recursos para el tratamiento médico y brindar servicios de salud dentro de los parámetros establecidos en los modelos de atención.