Machine learning para predecir la preeclampsia de gestantes en un hospital público, Lima, 2025

• Autor: Torres Mamani, Antonni Angelo
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Cesar Vallejo
• Repositorio: UCV-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucv.edu.pe:20.500.12692/175549
• Enlace del recurso: https://hdl.handle.net/20.500.12692/175549
• Nivel de acceso: acceso abierto
• Materia: Madres; preeclampsia; embarazadas; https://purl.org/pe-repo/ocde/ford#2.02.04

La preeclampsia, una complicación seria que afecta un alarmante 22% en Perú, representa un riesgo significativo para la salud de madres y bebés. Su pronta identificación y tratamiento son cruciales, además representa un obstáculo significativo en los esfuerzos por disminuir la mortalidad de gestantes, según el Minsa. El presente trabajo tuvo como finalidad de determinar la influencia del machine learning para predecir la preeclampsia de gestantes en un Hospital Público se enfocó en evaluar la exactitud, precisión y sensibilidad de los modelos predictivos en un contexto clínico real., además como objetivo de desarrollo sostenible (ODS) 9, al aplicar machine learning los hospitales públicos evitaron la preeclampsia en mujeres gestantes La metodología es de tipo aplicada, cuantitativo y pre-experimental trabajando con una población y muestra de 1814 mujeres embarazadas atendidas en un hospital público. Recopilamos datos clave como edad, peso, talla y antecedentes médicos, utilizando fichas de registro. Los resultados son bastante prometedores, al emplear el algoritmo de árbol de decisión y bosque aleatorio, logramos una precisión, exactitud y sensibilidad del 100% en la predicción de la preeclampsia. Estos hallazgos superan notablemente investigaciones anteriores, lo que subraya la eficacia de nuestra propuesta y su potencial para transformar la atención prenatal, permitiendo intervenciones más oportunas y personalizadas.