Detección del riesgo de muerte súbita cardíaca en población pediátrica mediante algoritmos de aprendizaje automático
Abstract
La muerte súbita cardíaca (MSC) en población
pediátrica representa un desafío clínico significativo debido a la
diversidad de sus causas y la ausencia de herramientas predictivas
especializadas. A diferencia de los adultos, donde la cardiopatía
isquémica predomina, en niños la MSC se asocia principalmente
con enfermedades arrítmicas, anomalías coronarias congénitas
y trastornos eléctricos cardíacos hereditarios. Este trabajo
presenta el desarrollo y evaluación de un módulo de software
para la predicción del riesgo de MSC en niños utilizando
técnicas de aprendizaje automático. La metodología implementa
un enfoque híbrido que combina modelos de lógica difusa
especializados por grupos etarios con algoritmos de clasificación
supervisada. Se utilizó un conjunto de datos sintético de 3,866
casos distribuidos en nueve grupos etarios (12 meses a 18
años), con variables electrocardiográficas y clínicas validadas
por cardiólogos pediatras. De los siete algoritmos evaluados
(Regresión Logística, Random Forest, Gradient Boosting, SVM,
KNN, Naive Bayes y Árbol de Decisión), Naive Bayes y SVM
obtuvieron el mejor desempeño promedio (96.81% exactitud,
96.77% F1-Score), alcanzando el grupo de 18-24 meses la mayor
precisión individual (99.07% con SVM). El sistema propuesto
constituye una herramienta de apoyo a la decisión clínica que
contribuye a la detección temprana del riesgo de MSC en
población pediátrica.
pediátrica representa un desafío clínico significativo debido a la
diversidad de sus causas y la ausencia de herramientas predictivas
especializadas. A diferencia de los adultos, donde la cardiopatía
isquémica predomina, en niños la MSC se asocia principalmente
con enfermedades arrítmicas, anomalías coronarias congénitas
y trastornos eléctricos cardíacos hereditarios. Este trabajo
presenta el desarrollo y evaluación de un módulo de software
para la predicción del riesgo de MSC en niños utilizando
técnicas de aprendizaje automático. La metodología implementa
un enfoque híbrido que combina modelos de lógica difusa
especializados por grupos etarios con algoritmos de clasificación
supervisada. Se utilizó un conjunto de datos sintético de 3,866
casos distribuidos en nueve grupos etarios (12 meses a 18
años), con variables electrocardiográficas y clínicas validadas
por cardiólogos pediatras. De los siete algoritmos evaluados
(Regresión Logística, Random Forest, Gradient Boosting, SVM,
KNN, Naive Bayes y Árbol de Decisión), Naive Bayes y SVM
obtuvieron el mejor desempeño promedio (96.81% exactitud,
96.77% F1-Score), alcanzando el grupo de 18-24 meses la mayor
precisión individual (99.07% con SVM). El sistema propuesto
constituye una herramienta de apoyo a la decisión clínica que
contribuye a la detección temprana del riesgo de MSC en
población pediátrica.