DIAGNÓSTICO TEMPRANO DE CARDIOPATÍAS MEDIANTE APRENDIZAJE AUTOMÁTICO MULTIMODAL: UN ENFOQUE INTEGRADO BASADO EN ALGORITMOS DE CLASIFICACIÓN AVANZADA

Resumen

Las enfermedades cardiovasculares, en particular la insuficiencia cardíaca congestiva (CHF) y la enfermedad arterial coronaria (CAD), continúan siendo una de las principales causas de mortalidad global, lo que demanda estrategias diagnósticas más precisas y adaptadas al perfil clínico del paciente. Este estudio tuvo como objetivo diseñar un enfoque computacional eficiente para la detección temprana de ambas patologías mediante la aplicación de métodos científicos cuantitativos, con diseño no experimental y método correlacional-predictivo. Se utilizaron técnicas avanzadas de análisis de datos, incluyendo preprocesamiento (escalado MinMax, codificación categórica, imputación de valores), segmentación de datos (entrenamiento/prueba) y entrenamiento supervisado de modelos de clasificación como Support Vector Machines, Random Forest, Regresión Logística y LightGBM. Los datos clínicos multivariados utilizados fueron obtenidos de plataformas abiertas. Para CHF, el modelo Random Forest alcanzó una precisión del 90% y F1 Score equivalente; mientras que para CAD, LightGBM obtuvo un F1 de 90.9%, posicionándose como el clasificador más robusto. Como parte de la validación práctica, se desarrolló una plataforma digital que permite el ingreso de variables clínicas y la generación de diagnósticos predictivos en tiempo real. Los resultados confirmaron que el enfoque propuesto no solo mejora la precisión diagnóstica frente a métodos tradicionales, sino que también fortalece la toma de decisiones clínicas, consolidando el aprendizaje automático como una herramienta transformadora en el abordaje preventivo, eficiente y centrado en el paciente frente a enfermedades cardiovasculares.