Predicción de enfermedades cardiovasculares mediante aprendizaje automático aplicados a datos clínicos: una revisión sistemática

• Autores: Barturen Rivera, Luis Jesus, Olano Sandoval, Adalberto Isrrael
• Formato: tesis de grado
• Fecha de Publicación: 2026
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/17096
• Enlace del recurso: https://hdl.handle.net/20.500.12802/17096
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje automático; Enfermedades cardiovasculares; Datos clínicos; Predicción de riesgo; Machine Learning; https://purl.org/pe-repo/ocde/ford#2.02.04

Las enfermedades cardiovasculares representan una de las principales causas de mortalidad a nivel mundial, lo que ha impulsado el desarrollo de herramientas predictivas basadas en análisis de datos clínicos. En este contexto, el aprendizaje automático se ha convertido en una metodología clave para la identificación temprana de riesgos y la detección de patrones que no pueden ser reconocidos mediante métodos tradicionales. Sin embargo, la variedad de técnicas, métricas y fuentes de información ha generado la necesidad de sintetizar la evidencia reciente para evaluar su rigor metodológico y aplicabilidad clínica. El objetivo de esta revisión sistemática fue analizar las tendencias, avances y limitaciones en el uso de algoritmos de aprendizaje automático para la predicción de enfermedades cardiovasculares empleando datos clínicos reales. La revisión se realizó siguiendo PRISMA 2020, utilizando las bases de datos Scopus y Web of Science. De 381 estudios identificados, 57 cumplieron los criterios de elegibilidad y fueron incluidos para el análisis. Los resultados evidenciaron un incremento significativo en la producción científica entre 2022 y 2025, con un predominio de modelos supervisados. Random Forest destacó con métricas promedio de AUC superiores a 0.90, seguido por XGBoost y Support Vector Machines. Además, se identificaron desafíos recurrentes como la falta de validación externa, sesgos en los conjuntos de datos y limitada integración en entornos clínicos reales. En conclusión, el aprendizaje automático muestra un potencial importante para mejorar la predicción de enfermedades cardiovasculares; no obstante, su adopción clínica depende de superar limitaciones metodológicas y fortalecer la calidad de los datos utilizados.