Detección temprana de condición metabólica mediante ML
Problema
La detección tardía de condiciones metabólicas es uno de los problemas más costosos para los sistemas de salud. El diagnóstico suele llegar cuando la enfermedad ya ha progresado, aumentando la carga asistencial y reduciendo las opciones terapéuticas. El objetivo de este proyecto fue construir un modelo predictivo capaz de identificar pacientes en riesgo antes de que aparezcan síntomas clínicos evidentes.
Solución
Pipeline completo de clasificación supervisada: Preprocesamiento y limpieza de datos clínicos; Selección de variables con criterio clínico y estadístico; Entrenamiento comparativo de múltiples algoritmos (Logistic Regression, Decision Tree, Random Forest, XGBoost); Optimización de hiperparámetros; Evaluación con métricas clínicamente relevantes: AUC-ROC, sensibilidad, especificidad, valor predictivo positivo.
Resultado
Mejor modelo: Random Forest. AUC-ROC: 0.942. Análisis de interpretabilidad: XAI/SHAP para identificar las variables clínicas con mayor poder predictivo y explicar las predicciones individuales del modelo.
Marco regulatorio
El proyecto incorporó un análisis de cumplimiento normativo europeo aplicado al despliegue de modelos de IA en entornos clínicos: RGPD (gestión de datos de salud), EU AI Act (IA de alto riesgo en ámbito sanitario) y EHDS (consideraciones para el uso secundario de datos clínicos).
Conclusión
Este proyecto demuestra que es posible construir modelos predictivos clínicamente útiles con datasets reales, combinando rigor metodológico, interpretabilidad y cumplimiento regulatorio desde el diseño. El AUC-ROC de 0.942 representa una capacidad discriminativa alta para el contexto clínico de detección temprana.