Modelo de predicción de insuficiencia renal crónica basado en machine learning y deep learning

• Autores: Alvarez Fuentes, Jonatan, Mejía Paredes, Carlos Armando
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Tecnológica del Perú
• Repositorio: UTP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utp.edu.pe:20.500.12867/14429
• Enlace del recurso: https://hdl.handle.net/20.500.12867/14429
• Nivel de acceso: acceso abierto
• Materia: Insuficiencia renal; Predicción clínica; Modelos algorítmicos; https://purl.org/pe-repo/ocde/ford#2.02.04

La insuficiencia renal crónica se refiere a una progresiva pérdida de la función renal al perder su capacidad para filtrar los desechos y la detección de líquidos en el cuerpo presentando síntomas tales como: fatiga, debilidad, hinchazón de pies, tobillos, manos, dificultad para orinar, hipertensión, calambres musculares llegando hasta las convulsiones, pérdida de conciencia, edema pulmonar, exceso de potasio y acumulación de toxinas que pueden ocasionar la muerte del paciente por lo que la detección temprana es necesaria para retrasar su progresión y que el paciente tenga una mejor calidad de vida. El objetivo es implementar un modelo de predicción de insuficiencia renal crónica basado en algoritmos de Machine Learning y Deep Learning, haciendo uso de un dataset con datos clínicos de pacientes para entrenar los modelos de predicción y así evaluar su desempeño, el cual puede servir de apoyo a nuevas investigaciones y estudios posteriores. La metodología consiste en procesar los registros médicos de un dataset de casos de insuficiencia renal crónica para la construcción de un modelo de predicción con ocho modelos algorítmicos de los cuales el modelo con Gated Recurrent Units (GRU) tuvo el puntaje más alto dentro de las cuatro métricas que son: accuracy del 98.450%, precisión del 98.482%, recall de 98.450% y F1-Score de 98.450%. Y luego del tuneo por hiperparámetros obteniendo resultados precisos como 99.0839% de accuracy, 98.454% de precisión, 98.417% de recall y 98.417% de puntuación F1-Score. Concluyendo en la robustez del modelo propuesto con un rendimiento excepcional.