Hipertensión arterial en adultos: análisis de riesgo y clasificación predictiva mediante Random Forest

• Autores: Lévano Rodriguez, Daniel, Cerdán León, Flor Elizabeth, Lopez Rodriguez, Jesus Inocencio, Alaluna Godinez, Mauricio Antonio, Valladares Salas, Siloh Draguichy, Pereira Sartori, Diego
• Formato: artículo
• Fecha de Publicación: 2025
• Institución: Universidad Nacional Micaela Bastidas de Apurímac
• Repositorio: UNMB-Riqchary
• Lenguaje: español
• OAI Identifier: oai:revistas.unamba.edu.pe:article/210
• Enlace del recurso: https://revistas.unamba.edu.pe/index.php/riqchary/article/view/210
• Nivel de acceso: acceso abierto
• Materia: Machine learning; risk factors; public health; Aprendizaje automático; factores de riesgo; salud pública

La hipertensión arterial (HTA) ha sido considerada un reto en la salud debido a su impacto en la morbimortalidad cardiovascular y a su frecuente diagnóstico tardío. Se abordó el problema mediante el desarrollo de un modelo de clasificación predictiva basado en Random Forest, con el objetivo de identificar individuos en riesgo de hipertensión a partir de variables clínicas, demográficas y metabólicas. Se utilizó una base de datos proveniente de pacientes en México; mediante la técnica SMOTE-Tomek fue sometida a procesos de limpieza, normalización y balanceo. Se entrenó el modelo con el 70% de los datos y se validó con el 30% restante, aplicando validación cruzada k-fold (k=10). Se evaluó el rendimiento del modelo mediante métricas como precisión, sensibilidad, puntaje F1 y matriz de confusión. Se comparó el modelo con otros métodos como KNN y Decisión Tree. Se alcanzó una exactitud del 98% con el modelo optimizado (127 árboles, profundidad 20) destacando como predictores claves el índice de masa corporal, la presión arterial, la actividad física, el peso y la circunferencia de cintura. Aunque también se evaluaron biomarcadores metabólicos, estos presentaron menor relevancia en la clasificación frente a los predictores antropométricos. Los resultados obtenidos confirman que Random Forest es una herramienta robusta y precisa para la detección temprana del riesgo de hipertensión. Gracias a su integración mediante una API y un formulario interactivo, el modelo resulta accesible incluso para usuarios sin formación técnica, lo que contribuye a estrategias preventivas de salud pública