Modelo predictivo de enfermedades cardiovasculares basado en Redes Bayesianas

• Rumbaut Rangel, Dayron ^[1] ; Maridueña Arroyave, Milton Rafael ^[1]
  1. [1] Universidad Bolivariana del Ecuador
• Localización: epsir: European Public & Social Innovation Review, ISSN-e 2529-9824, Nº. 9, 19, 2024 (Ejemplar dedicado a: Innovando en salud y sanidad)
• Idioma: español
• Títulos paralelos:
  • Predictive Model of cardiovascular diseases based on Bayesian Networks
• Enlaces
  • Texto completo
• Resumen
  • español

    Introducción: Este estudio presenta un análisis y comparación de varios modelos de redes bayesianas para la predicción de enfermedades cardiovasculares, utilizando datos clínicos para identificar los modelos más efectivos. Metodología: Los algoritmos evaluados incluyen Naive Bayes, TAN_cl, TAN_hcsp, FSSJ, BSEJ y KDB, los cuales fueron entrenados y validados para medir su desempeño. Para evaluar el rendimiento se utilizó un conjunto de datos clínicos de pacientes, combinando cinco bases de datos públicas. Las métricas usadas fueron como precisión, sensibilidad, especificidad, F1 Score y además una validación cruzada para asegurar la consistencia de los resultados. Resultados: El modelo BSEJ presentó el mejor rendimiento en todas las métricas evaluadas, destacándose por su capacidad de eliminar dependencias irrelevantes, manteniendo así un equilibrio óptimo entre complejidad y precisión. Discusión: Las redes bayesianas ofrecen una potente herramienta para la predicción de ECV, ya que no solo proporcionan predicciones precisas, sino que también facilitan la interpretación de las relaciones entre los factores de riesgo, lo cual es crucial en el ámbito clínico. Conclusiones: Las redes bayesianas, y en particular los modelos BSEJ y KDB, se destacan por su efectividad en la predicción de enfermedades cardiovasculares, proporcionando soporte a la toma de decisiones clínicas de manera informada.

  • English

    Introduction: This study presents an analysis and comparison of several Bayesian network models for cardiovascular disease prediction, using clinical data to identify the most effective models. Methodology: The algorithms evaluated include Naive Bayes, TAN_cl, TAN_hcsp, FSSJ, BSEJ and KDB, which were trained and validated to measure their performance. A clinical dataset of patients, combining five public databases, was used to evaluate performance. The metrics used were accuracy, sensitivity, specificity, F1 Score and also a cross validation to ensure consistency of results. Results: The BSEJ model presented the best performance in all the metrics evaluated, standing out for its ability to eliminate irrelevant dependencies, thus maintaining an optimal balance between complexity and accuracy. Discussions: Bayesian networks offer a powerful tool for CVD prediction, as they not only provide accurate predictions, but also facilitate the interpretation of relationships between risk factors, which is crucial in the clinical setting. Conclusions: Bayesian networks, and in particular the BSEJ and KDB models, stand out for their effectiveness in predicting CVD, providing informed clinical decision support.