Predicting Cardiovascular Risk in a Primary Care Population Using Machine Learning
Article Sidebar
Main Article Content
Abstract
Cardiovascular diseases (CVDs) represent a global health challenge, being the leading cause of mortality worldwide in 2023. This study constructs predictive models to estimate an individual’s risk of developing CVD. The study population comprises users of the Centro de Salud Familiar Portezuelo (CESFAM) through the 2023 chronic and preventive program. Four predictive models were employed: Decision Tree, Neural Network, Support Vector Machine (SVM), and Naive Bayes. The SVM algorithm demonstrated superior performance, achieving over 85% in the evaluated metrics. High-importance attributes were identified, categorized as modifiable behavioral and metabolic factors, with an optimal threshold value of 0.45 to distinguish between patients likely and unlikely to develop CVD. These findings enable the development of a preventive plan to reduce the CVD rate in the study population. In conclusion, the predictive model proves to be an effective complementary tool for clinical decision-making.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Los autores conservan los derechos de autor y ceden a la revista el derecho de la primera publicación y pueda editarlo, reproducirlo, distribuirlo, exhibirlo y comunicarlo en el país y en el extranjero mediante medios impresos y electrónicos. Asimismo, asumen el compromiso sobre cualquier litigio o reclamación relacionada con derechos de propiedad intelectual, exonerando de responsabilidad a la Editorial Tecnológica de Costa Rica. Además, se establece que los autores pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
References
NCD Risk Factor Collaboration (NCD-RisC), «Worldwide trends in hypertension prevalence and progress in treatment and control from 1990 to 2019: a pooled analysis of 1201 population-representative studies with 104 million participants.,» The Lancet, vol. 398, pp. 957-980, 2021.
A. Gheorghe, U. Griffiths, A. Murphy, H. Legido, P. Lamptey y P. Perel, «The economic burden of cardiovascular disease and hypertension in low- and middle-income countries: a systematic review,» BMC Public Health, vol. 18, nº 975, 2018.
Organización Mundial de la Salud, «Organización Mundial de la Salud,» [En línea]. Available: https://www.who.int/es. [Último acceso: 05 01 2024].
Departamento de Estadísticas e Información de Salud, «Departamento de Estadísticas e Información de Salud,» [En línea]. Available: https://deis.minsal.cl/. [Último acceso: 01 05 2024].
P. Varleta, M. Acevedo, G. Valentino, S. Brienza y M. del Sueldo, «Conciencia de Enfermedad Cardiovascular y Conocimiento sobre Factores de Riesgo y Prevención Cardiovascular: Resultados Chilenos de Encuesta SIAC Cono Sur,» Revista chilena de cardiología, vol. 41, nº 2, 2022.
Y. Sethi, N. Patel, N. Kaka, O. Kaiwan, J. Kar, A. Moinuddin, A. Goel, H. Chopra y S. Cavalu, «Precision Medicine and the future of Cardiovascular Diseases: A Clinically Oriented Comprehensive Review,» Journal of Clinical Medicine, vol. 12, nº 5, p. 1799, 2023.
J. Campo, K. Parra, F. Mendoza y A. De La Hoz, «Análisis de técnicas de MD en diagnóstico de enfermedades cardiovasculares,» EIEI ACOFI, 2015.
R. Bharti, A. Khamparia, M. Shabaz, G. Dhiman, S. Pande y P. Singh, «Prediction of Heart Disease Using a Combination of Machine Learning and Deep Learning,» Computational Intelligence and Neuroscience, 2021.
A. Gupta, R. Kumar, H. Singh y B. Raman, «MIFH: A Machine Intelligence Framework for Heart Disease Diagnosis,» IEEE Access, vol. 8, pp. 14659-14674, 2020.
E. Sánchez, Y. Hernandez y J. Ortiz, «Breve revisión de la literatura sobre Modelos Predictivos para la Detección de Enfermedades Cardiovasculares,» Ciencia y Tecnología Aplicada, vol. 5, nº 1, 2022.
J. Moon, H. Posada y K. Chon, «A literature embedding model for cardiovascular disease prediction using risk factors, symptoms, and genotype information,» Expert Systems with Applications, vol. 213, nº A, p. 118930, 2023.
O. Chavez, L. Galindo, A. Barriendos y M. Cuadros, «Aplicación Móvil para Predecir la Probabilidad de Pertenecer al Grupo de Riesgo Cardiovascular Utilizando Machine Learning,» International Institute of Informatics and Cybernetics, pp. 158-163, 2022.
S. Timarán, I. Hernández, S. Caicedo, A. Hidalgo y J. Alvarado, «El proceso de descubrimiento de conocimiento en bases de datos,» de Descubrimiento de patrones de desempeño acádemico con árboles de decisión en las competencias génericas de la formación profesional, Bogotá: Ediciones Universidad Cooperativa de Colombia, 2016, pp. 63-86.
C. Andersson, M. Nayor, C. Tsao y R. Vasan, «Framingham Heart Study: JACC Focus Seminar,» J Am Coll Cardiol, vol. 77, nº 21, pp. 2680-2692, 2021.
«Una revisión de la literatura para la detección y proyección de enfermedades cardiovasculares mediante el aprendizaje automático,» EAI Endorsed Transactions on Internet of Things, vol. 10, 2024.
H. Ayatollahi y L. Gholamhosseini, «Predicting coronary artery disease: a comparison between two data mining algorithms,» BMC Public Health, vol. 19, nº 448, 2019.
H. Benhar, A. Idri y J. Fernández, «Data preprocessing for heart disease classification: A systematic literature review,» Comput Methods Programs Biomed, vol. 195, 2020.