Acceso usuarios
Alexander Almeida Espinosa, Diego Robledo, Juan de Dios González Torres, César Rodríguez Garavito
Objetivo: Desarrollar un modelo de aprendizaje profundo (Deep Learning) para la detección temprana del riesgo de hipertensión arterial en adultos mayores del municipio de Armenia, Antioquia, integrando fuentes de datos institucionales para apoyar la toma de decisiones en salud pública. Metodología: Se aplicó la metodología CRISP-DM para guiar las fases del proyecto: comprensión del problema, análisis y preparación de datos, modelado, evaluación y aplicación. Se integraron datos socioeconómicos del SISBEN con registros clínicos de los RIPS, consolidando un conjunto de entrenamiento con 2.233 registros y 104 variables predictoras. Se construyó una red neuronal profunda (DNN) utilizando TensorFlow/Keras, con técnicas de regularización y balanceo de clases para mejorar la precisión. Resultados: El modelo alcanzó un AUC de 0.85, demostrando alta capacidad discriminativa. Tras la optimización del umbral de decisión (0.44), se logró una sensibilidad del 91.6% y una mejora en la precisión general. Se aplicó el modelo sobre 5.731 individuos del SISBEN, clasificándolos en riesgo alto (13.7%), medio (25.1%) y bajo (61.2%). Conclusión: El modelo desarrollado constituye una herramienta efectiva y replicable para identificar poblaciones en riesgo de hipertensión, optimizar recursos y fortalecer estrategias de prevención, marcando un avance significativo hacia una atención más predictiva y personalizada en salud pública.
Objective: To develop a deep learning model for the early detection of hypertension risk in older adults from the municipality of Armenia, Antioquia, by integrating institutional data sources to support evidence-based decision-making in public health. Methodology: The CRISP-DM methodology was used to guide theproject phases: problem understanding, data analysis and preparation, modeling, evaluation, and application. Socioeconomic data from SISBEN and clinical records from RIPS were integrated, resulting in a training dataset of 2,233 individuals and 104 predictive features. A deep neural network (DNN) was built using TensorFlow/Keras, incorporating regularization techniques and class weighting to address data imbalance and enhance model accuracy. Results: The model achieved a robust performance with an AUC of 0.85, indicating strong discriminative power. After optimizing the decision threshold to 0.44, the model reached a sensitivity of 91.6% and improved overall precision. When applied to the full SISBEN dataset of 5,731 individuals, the model stratified the population into high (13.7%), medium (25.1%), and low (61.2%) hypertension risk categories. Conclusion: The developed model offers an effective and replicable tool for identifying high-risk individuals, optimizing healthcare resource allocation, and enhancing prevention strategies. It represents a significant step toward predictive, personalized, and data-driven public health interventions.
