Evaluación de modelos de aprendizaje automático para la predicción de enfermedades cardíacas

Abstract

Las enfermedades cardiovasculares siguen siendo una de las principales causas de muerte a nivel mundial, lo que motiva la búsqueda de herramientas predictivas eficaces para su detección temprana. Este trabajo analiza y compara cinco modelos de aprendizaje automático —SVM, Random Forest, Árbol de Decisión, Red Neuronal Artificial y XGBoost— mediante un enfoque de clasificación multiclase aplicado al conjunto de datos Cleveland Heart Disease. Los modelos se entrenaron aplicando técnicas de preprocesamiento avanzado, balanceo de clases con SMOTE y selección de variables mediante ANOVA F-test. El rendimiento se evaluó a través de métricas como F1-macro, exactitud y reportes de clasificación. Para mejorar la interpretabilidad, se empleó SHAP, permitiendo analizar la importancia de las variables por clase. Los resultados respaldan el uso de modelos interpretables de aprendizaje automático en la toma de decisiones médicas