Modelo predictivo para resultados clínicos de tuberculosis con redes neuronales

Resumen

Objetivo: Este estudio propone el desarrollo de un modelo basado en redes neuronales del tipo Multilayer Perceptron (MLP) para predecir desenlaces en el tratamiento de la tuberculosis, con énfasis en la identificación de casos de curación y abandono. Métodos: Los datos fueron preprocesados mediante imputación de valores faltantes, codificación categórica y normalización. Se aplicó la técnica SMOTETomek para el balanceo. La arquitectura de la MLP incluyó capas densas con activación ReLU, regularización con dropout (50%) y salida sigmoide. El modelo fue entrenado con validación y evaluado en escenarios con y sin balanceo. Resultados: En el escenario sin balanceo, el modelo obtuvo una precisión macro de 0,6235, precisión de 0,9115, recall de 0,9781 y F1-macro de 0,6584, indicando sesgo hacia la clase mayoritaria. Con balanceo, la precisión micro y el F1-micro alcanzaron 0,8571. La precisión fue de 0,8857 y el recall bajó a 0,8197. En el análisis por clase, el modelo mostró mejor rendimiento al predecir abandono (F1 = 0,8623) en comparación con curación (F1 = 0,8514). Conclusión: El balanceo de clases mejoró el rendimiento general del modelo. El uso de MLP, junto con estrategias de preprocesamiento y balanceo, fue eficaz para predecir desenlaces en el tratamiento de la tuberculosis.