Omar Chavez Olivera, Luis Galindo Honores, Alfredo Barrientos Padilla, Miguel Cuadros Galvez

Memorias de la Décima Segunda Conferencia Iberoamericana de Complejidad, Informática y Cibernética: CICIC 2022, pp. 158-163 (2022); https://doi.org/10.54808/CICIC2022.01.158

Omar Chavez Olivera
Escuela de Ingeniería de Sistemas y Computación, Universidad Peruana de Ciencias Aplicadas, Lima, Perú

Luis Galindo Honores
Escuela de Ingeniería de Sistemas y Computación, Universidad Peruana de Ciencias Aplicadas, Lima, Perú

Alfredo Barrientos Padilla
Escuela de Ingeniería de Sistemas y Computación, Universidad Peruana de Ciencias Aplicadas, Lima, Perú

Miguel Cuadros Galvez
Escuela de Ingeniería de Sistemas y Computación, Universidad Peruana de Ciencias Aplicadas, Lima, Perú

Cite this paper as:
Chavez Olivera, O., Galindo Honores, L., Barrientos Padilla, A., Cuadros Galvez, M. (2022). Aplicación Móvil para Predecir la Probabilidad de Pertenecer al Grupo de Riesgo Cardiovascular Utilizando Machine Learning. En N. Callaos, J. Horne, E. F. Ruiz-Ledesma, B. Sánchez, A. Tremante (Eds.), Memorias de la Décima Segunda Conferencia Iberoamericana de Complejidad, Informática y Cibernética: CICIC 2022, pp. 158-163. International Institute of Informatics and Cybernetics. https://doi.org/10.54808/CICIC2022.01.158

El uso de aplicaciones móviles para ayudar en la salud de las personas es cada vez más común, así lo demuestran investigaciones publicadas en los últimos años. Sin embargo, esta puede ser complementada con el uso de técnicas y algoritmos de machine learning para ayudar a resolver un problema en particular. Debido a ello el presente estudio se centra en la creación de una aplicación móvil que tiene por principal funcionalidad la predicción de pertenecer al grupo de riesgo cardiovascular en personas mayores de 50 años. Para lograr esto se ha investigado sobre distintas variables y algoritmos de machine learning que permiten lograr esta tarea. Es así como se decidió que el motor de inferencia sería un modelo ensamblado, donde el metaclasificador final es un modelo de Naive Bayes y los modelos base son Random Forest y Logistic Regresion. El proceso de validación de la aplicación lo realizó un especialista en cardiología, el cual comprobó el nivel de precisión del modelo.