Modelo y predicción de enfermedades cardiacas con algoritmos de inteligencia artificial

Las herramientas de clasificación

Inteligencia Artificial, Machine Learning y Deep Learning son algunos de los conceptos más utilizados en los últimos años. Y es que no son pocas las áreas en las que genera un gran impacto siendo la medicina una de ellas. Pero ¿Qué podemos hacer con estás novedosas herramientas?

Las tareas de clasificación con Machine Learning son más comunes de lo que se imagina. Se experimenta con ellas todos los días. Con tan solo revisar la bandeja de SPAM en el correo electrónico, se puede observar una aplicación directa. Esta técnica, se basa en generar clases en un número limitado de clases; es decir, categorías arbitrarias según lo que se desea utilizar en una lista de datos como referencia. Algunas técnicas para generar esta clasificación son aquellas que se menciona a continuación:

• Nearest Neighbors: Se basa en encontrar un número predefinido de muestras de entrenamiento más cercanas en distancia al nuevo punto y predecir la etiqueta a partir de ellas.

• Random Forest: Es un meta estimador que se ajusta a varios clasificadores de árboles de decisión en varias submuestras del conjunto de datos y usa promedios para mejor la precisión.

• Decisión Tree: Similar a los árboles de decisión, su objetivo se fundamenta en la predicción de un valor de una variable objetivo mediante el aprendizaje de reglas de decisión simples inferidas de las características de los datos.

• Naive Bays: Es un conjunto de algoritmos de aprendizaje supervisado basados en la aplicación del teorema de Bayes con la suposición del efecto condicional entre cada par de características.

Una manera de visualizar la precisión de las técnicas de clasificación es por medio de matrices de confusión. Estas, muestran y comparan los resultados predichos con los reales agrupándolos en verdaderos positivos, verdaderos negativos, falsos positivos y falsos negativos.

Factores de riesgo cardiovasculares

Las Enfermedades Cardiovasculares (ECV) o enfermedades cardíacas, son una de las principales causas de muerte en los Estados Unidos. El Centro para la Prevención del Control de Enfermedades calcula 647.000 muertes al año.

CVD es un término general que abarca diferentes afecciones cardíacas que incluyen vasos sanguíneos enfermos (aterosclerosis o vasculitis), problemas estructurales (cardiomegalia) y latidos cardíacos irregulares (arritmia). La investigación ha identificado factores de riesgo asociados con el desarrollo de ECV dividiéndolos entre factores no modificables o factores modificables. Entre los factores modificables, se pueden encontrar:

• Edad

• Sexo biológico

• Hereditario

Y de igual manera, existen aquellos que sí pueden ser modificables.

• Fumar tabaco

• Colesterol alto en sangre

• Alta presión sanguínea

• Inactividad física

• Obesidad

• Diabetes

Objetivos

Se plantearon los siguiente objetivos para el proyecto.

• Crear un modelo de clasificación para saber si un paciente puede o no tener una enfermedad cardiaca.

• Analizar algoritmos de clasificación para encontrar el modelo que se desempeñe mejor con el problema dado

• Generar la clasificación utilizando matrices de confusión para observar el desempeño de cada modelo.

Dataset

Los datos utilizados para realizar este análisis provienen de un conjunto de datos compilado por cuatro hospitales en Cleveland, Hungría, Suiza y VA Long Beach. Los datos se conocen como el conjunto de datos de enfermedades cardíacas de la UCI. Este conjunto de datos consta de 303 individuos con 14 atributos donde 138 individuos se presentan sin ECV y 165 individuos se presentan con ECV.

Originalmente, había 76 atributos, pero los experimentos publicados se refieren al uso de un subconjunto de solo 14 atributos. De estos 14 seleccionamos 4 conteniendo tanto a los modificables como los no modificables. La variable objetivo es el diagnóstico de enfermedad cardíaca mediante el estrechamiento del diámetro en cualquier vaso sanguíneo principal.

• Sexo

• Edad

• Presión sanguínea

• Dolor de pecho

Metodología

Para la realización de este proyecto se utilizó un cuaderno de Jupyter en Google Colab que fácilmente puede localizarse en el área de anexos y bibliografía. En este cuaderno, se cargaron los datos referentes al estudio del dataset escogido. Posteriormente, se analizaron variables de interés imprimiendo sus gráficas y supervisando su comportamiento.

Se estudiaron los modelos con ayuda de la librería de sklearn. Para ello, se dividieron los datos en 80% y 20% para pasar a formar parte del training set y el testing set respectivamente. Primeramente, se generaron los valores de precisión para cada herramienta y posteriormente la impresión de matrices de confusión para observar su desempeño de una mejor manera.

Los modelos de interés fueron KNeighbor, Decision Tree, Random Forest y Gaussian naive Bayes. Todos los clasificadores se trabajaron con los parámetros dados en el club 6 de Clubes de Ciencia México 2021.