Puentes Morales, CarlosCastañeda Silva, Liceth Viviana2024-01-242024-01-242023https://hdl.handle.net/20.500.12495/11985En este artículo, se realizó un estudio detallado para predecir la enfermedad diarreica aguda en pacientes con trasplante renal utilizando modelos de aprendizaje automático. Se examinaron cuatro modelos diferentes, entre los cuales se incluyen regresión logística, redes neuronales, máquinas de soporte vectorial (SVM) y árboles de decisión. Se utilizaron procesos de validación cruzada, con una técnica de sobremuestreo alto para corregir los desequilibrios en el conjunto de datos de la clase objetivo que fue la minoritaria. Los resultados indican que las redes neuronales y los árboles de decisión se destacan como los modelos con las mejores métricas, demostrando una alta precisión y capacidad de predicción. La regresión logística y SVM también dan resultados válidos, pero su dominio predictivo es más limitado. Estos resultados brindan indicaciones consistentes para futuras implementaciones médicas en la predicción de la enfermedad diarreica aguda en pacientes con trasplante renal, previa realización de validaciones utilizando datos nuevos y externos para comprobar la generalización del modelo.spaTrasplante renalEnfermedad diarreica agudaInmunosupresoresAprendizaje automáticoSobremuestreoAUC ROCModelo Predictivo de Machine Learning para la Detección de Enfermedad Diarreica Aguda en Pacientes con Trasplante Renal en ColombiaKidney transplantationAcute diarrheal diseaseImmunosuppressantsOversamplingMachine LearningAUC ROCPredictive Model of Machine Learning for the Detection of Acute Diarrheal Disease in Patients with Renal Transplant in Colombia.Acceso cerradoinfo:eu-repo/semantics/closedAccesshttps://purl.org/coar/access_right/c_14cb