Procesos gaussianos heterogéneos de múltiple salida para la predicción del bajo peso al nacer en Medellín

Abstract

RESUMEN : El bajo peso al nacer (BPN) es un importante indicador de salud pública en la atención de la madre y el recién nacido, debido a la relación que tiene con las condiciones de vida, la salud de la población y de los cuidados médicos a la mujer gestante. En esta investigación se implementan diferentes modelos Machine Learning para la predicción independiente y conjunta del peso en gramos y clasificación de bajo peso (Si/No) al momento de nacer, usando información que se registra al nacimiento relacionada con variables propias del recién nacido y de la madre. Con los modelos de única salida (tarea de regresión) se logra un desempeño promedio de R^2 y MAE de 0.6748 ±0.0076 y 299.7097 ±3.8662 respectivamente usando un modelo de SVM con kernel polinomial de grado 2, en tanto en la clasificación por medio de Random Forest alcanza un promedio de accuracy y AUC de 0.8349±0.0105 y 0.8933±0.0088. El modelo HETMOGP logra desempeños similares en R^2 y accuracy, al abordar las dos tareas al tiempo lo que lo posiciona como una alternativa más eficiente en la predicción. Se recomienda la implementación del modelo HETMOGP para anticiparse al BPN y diseñar políticas de cuidado y atención prenatal que permitan reducir la incidencia de este evento en la ciudad.