Análisis y Visualización de Datos Clínicos: Enfoque Analítico para la Predicción de Insuficiencia Cardíaca
DOI:
https://doi.org/10.69639/arandu.v11i2.401Palabras clave:
analítica de datos, diagnóstico clínico, enfermedad cardiacaResumen
Este estudio analiza el Heart Failure Prediction Dataset para identificar factores de riesgo asociados con la insuficiencia cardíaca mediante técnicas de visualización y análisis estadístico. El dataset incluye 11 características clínicas relevantes, como edad, género, tipo de dolor torácico, presión arterial en reposo, y otros indicadores cardiovasculares. Se preprocesaron los datos para garantizar su calidad, incluyendo la creación de variables lógicas y la segmentación por género, además de la eliminación de valores faltantes. Se emplearon diferentes tipos de visualizaciones, como histogramas, diagramas de caja y dispersión, para analizar la relación entre las variables y la probabilidad de insuficiencia cardíaca. Los resultados destacan que los hombres mayores de 55 años, con dolor torácico atípico (ASY) y angina inducida por ejercicio, presentan un riesgo significativamente mayor de desarrollar insuficiencia cardíaca. Otras variables, como el colesterol, la frecuencia cardíaca máxima y el nivel de glucosa en ayunas, no mostraron una influencia relevante en este contexto. Además, la pendiente del segmento ST (Slope) y la presión arterial en reposo en mujeres se identificaron como factores importantes en la predicción de la enfermedad. Este análisis refuerza la importancia de enfoques basados en datos para comprender mejor los factores de riesgo cardiovascular y desarrollar estrategias de prevención personalizadas.
Descargas
Citas
Aghapanah, H., Rasti, R., Tabesh, F., Pouraliakbar, H., Sanei, H., & Kermani, S. (2025). MECardNet: A novel multi-scale convolutional ensemble model with adaptive deep supervision for precise cardiac MRI segmentation. Biomedical Signal Processing and Control, 100, 106919. https://doi.org/10.1016/j.bspc.2024.106919
Ayshwarya, B., George, A., & M, D. (2024). Heart Failure Prediction for a Patient Using Hybrid African Buffalo Optimization with Naive Bayes Machine Learning Techniques (pp. 141–154). https://doi.org/10.1007/978-981-99-8612-5_12
Dhaka, P., Sehrawat, R., & Bhutani, P. (2024). An efficient heart disease prediction model using particle swarm–optimized ensemble classifier model. In Securing Next-Generation Connected Healthcare Systems (pp. 123–135). Elsevier. https://doi.org/10.1016/B978-0-443-13951-2.00005-2
Garai, S., Kashyap, P., Irfan, S., & Pareek, A. (2024). Cardiac Disease Risks Pattern Recognition Using Advanced Predictive Analytics. In Healthcare Analytics and Advanced Computational Intelligence (pp. 164–179). CRC Press. https://doi.org/10.1201/9781032624891-12
Hernly, E., Hu, H., & Laskin, J. (2024). MSIGen: An Open-Source Python Package for Processing and Visualizing Mass Spectrometry Imaging Data. Journal of the American Society for Mass Spectrometry, 35(10), 2315–2323. https://doi.org/10.1021/jasms.4c00178
Höhn, M., Schwindt-Drews, S., Hahn, S., Patyna, S., Büttner, S., & Kohlhammer, J. (2024). RenalViz: Visual analysis of cohorts with chronic kidney disease. Computers & Graphics, 125, 104120. https://doi.org/10.1016/j.cag.2024.104120
Ijuin, S., Inoue, A., Hifumi, T., Taira, T., Suga, M., Nishimura, T., Sakamoto, T., Kuroda, Y., & Ishihara, S. (2025). Analysis of factors associated with favorable neurological outcomes in patients with initial PEA who underwent ECPR - A secondary analysis of the SAVE-J II study. Journal of Critical Care, 85, 154917. https://doi.org/10.1016/j.jcrc.2024.154917
Li, H., & Xia Dou, Y. (2025). Resource optimization in smart electronic health systems using IoT for heart disease prediction via feedforward neural networks. Cluster Computing, 28(1), 21. https://doi.org/10.1007/s10586-024-04726-7
Meyer, L., Eling, N., & Bodenmiller, B. (2024). cytoviewer: an R/Bioconductor package for interactive visualization and exploration of highly multiplexed imaging data. BMC Bioinformatics, 25(1), 9. https://doi.org/10.1186/s12859-023-05546-z
Nasr, H. A., Aref, N.-E. M., Ellah, M. R. A., & Abdelhakiem, M. A. H. (2024). Cardiac biomarkers as tools in the prediction and diagnosis of traumatic pericarditis and traumatic reticuloperitonitis in cattle and buffaloes. BMC Veterinary Research, 20(1), 329. https://doi.org/10.1186/s12917-024-04174-w
Ning, J., Zhao, H., & Xu, X. (2024). A volume rendering visualization method oriented to explosion field features. AIP Advances, 14(9). https://doi.org/10.1063/5.0226283
Sharma, P., & Agarwal, S. (2024). Cardiovascular Disease Analysis Using Different Machine Learning Techniques. 2024 2nd International Conference on Artificial Intelligence and Machine Learning Applications Theme: Healthcare and Internet of Things (AIMLA), 1–6. https://doi.org/10.1109/AIMLA59606.2024.10531431
Tavani, S., Corradetti, A., Rizzo, R. E., & Seers, T. D. (2024). Best practices towards the digitization of 3D traces from virtual outcrop models. Journal of Structural Geology, 186, 105222. https://doi.org/10.1016/j.jsg.2024.105222
Tiwari, S., Singh, S., & Tiwari, D. (2024). Comparative Strategies for Anticipating Cardiovascular Maladies: An In-Depth Analytical Interpretation. 2024 2nd International Conference on Disruptive Technologies (ICDT), 981–985. https://doi.org/10.1109/ICDT61202.2024.10489512
Vanami, N. V. J., Chintalapati, L. R., Challagundla, Y., & Mohanty, S. N. (2024). Feature Selection Using Data Mining Techniques for Prognostication of Cardiovascular Diseases (pp. 344–353). https://doi.org/10.1007/978-3-031-50571-3_24
Verma, P., & Khatoon, A. (2024). Data Mining Applications in Healthcare: A Comparative Analysis of Classification Techniques for Diabetes Diagnosis Using the PIMA Indian Diabetes Dataset. 2024 4th International Conference on Innovative Practices in Technology and Management (ICIPTM), 1–5. https://doi.org/10.1109/ICIPTM59628.2024.10563296
Vinay, N. A., Vidyasagar, K. N., Rohith, S., Pruthviraja, D., Supreeth, S., & Bharathi, S. H. (2024). An RNN-Bi LSTM Based Multi Decision GAN Approach for the Recognition of Cardiovascular Disease (CVD) From Heart Beat Sound: A Feature Optimization Process. IEEE Access, 12, 65482–65502. https://doi.org/10.1109/ACCESS.2024.3397574
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Erika Cristina Lozada Martínez , José Ezequiel Naranjo Robalino, Marcelo Vladimir García Sánchez
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Esta publicación está bajo una 
