Modelos de clasificación binaria para la predicción del desenlace del ictus
Autores:
Virgilijus Sakalauskas - Kauno kolegija Higher Education Institution (LT)
Dalia Kriksciuniene - Vilnius University (LT)
Resumen
El ictus constituye una de las principales causas de mortalidad y discapacidad a largo plazo en todo el mundo, lo que hace necesario disponer de modelos predictivos eficaces para identificar a las personas en riesgo y optimizar los planes de tratamiento.
En este estudio evaluamos el rendimiento de diversos algoritmos de aprendizaje automático (ML) para predecir la mortalidad relacionada con el ictus. Se aplicaron cinco modelos de clasificación binaria —Regresión Logística (LR), Random Forest (RF), Máquinas de Potenciación por Gradiente (XGBoost), Máquina de Vectores de Soporte (SVM) y Redes Neuronales (MLPClassifier)— a un conjunto de datos que contenía características clínicas y demográficas de pacientes con ictus registrados por el departamento de neurología del Clinical Centre of Montenegro.
Cada modelo fue entrenado y evaluado mediante métricas estándar de clasificación: exactitud, precisión, sensibilidad y puntuación F1. Asimismo, se analizó la importancia de las variables con el fin de identificar los principales predictores de mortalidad por ictus en los distintos modelos.
La investigación muestra un mejor rendimiento de Random Forest y XGBoost frente a modelos más simples, ofreciendo una exactitud y una interpretabilidad superiores.
Al analizar cómo cambian la precisión, la sensibilidad y la exactitud a lo largo de distintos umbrales de clasificación, obtuvimos una comprensión más profunda de la fiabilidad de los modelos bajo diferentes condiciones clínicas. Este análisis reveló compensaciones claras: los umbrales más bajos mejoran la sensibilidad —reduciendo el riesgo de omitir predicciones de fallecimiento—, mientras que los umbrales más altos aumentan la precisión —minimizando los falsos positivos—.
Los hallazgos respaldan la selección de valores de umbral adaptados a prioridades clínicas específicas, como la alerta temprana, la evaluación equilibrada del riesgo o la toma de decisiones con un alto grado de confianza.
Modele klasyfikacji binarnej do przewidywania wyników udaru mózgu
Autorzy: Virgilijus Sakalauskas, Dalia Kriksciuniene
Streszczenie:
Udar mózgu jest jedną z głównych przyczyn zgonów i długotrwałej niepełnosprawności na całym świecie, co stwarza potrzebę opracowania skutecznych modeli predykcyjnych umożliwiających identyfikację osób zagrożonych oraz optymalizację planów leczenia. W niniejszym badaniu oceniamy skuteczność różnych algorytmów uczenia maszynowego (ML) w przewidywaniu śmiertelności związanej z udarem mózgu. Pięć modeli klasyfikacji binarnej — regresję logistyczną (LR), las losowy (RF), maszyny wzmacniania gradientowego (XGBoost), maszynę wektorów nośnych (SVM) oraz sieci neuronowe (MLPClassifier) — zastosowano do zbioru danych zawierającego cechy kliniczne i demograficzne pacjentów z udarem mózgu zarejestrowanych przez oddział neurologii Centrum Klinicznego Czarnogóry. Każdy model wytrenowano i oceniono za pomocą standardowych miar klasyfikacyjnych: dokładności (accuracy), precyzji (precision), czułości (recall) oraz miary F1. Przeanalizowano również znaczenie poszczególnych cech, aby określić kluczowe predyktory śmiertelności po udarze w różnych modelach. Wyniki badania wskazują na przewagę modeli lasu losowego i XGBoost nad prostszymi rozwiązaniami, sugerując ich wyższą dokładność i interpretowalność. Analiza zmian precyzji, czułości i dokładności przy różnych progach klasyfikacji pozwoliła lepiej zrozumieć wiarygodność modeli w odmiennych warunkach klinicznych. Ujawniła ona wyraźne kompromisy: niższe progi zwiększają czułość (zmniejszając ryzyko niewykrycia przypadków zakończonych zgonem), natomiast wyższe progi poprawiają precyzję (ograniczając liczbę wyników fałszywie dodatnich). Uzyskane wyniki przemawiają za doborem wartości progowych dostosowanych do konkretnych priorytetów klinicznych, takich jak wczesne ostrzeganie, zrównoważona ocena ryzyka czy podejmowanie decyzji z wysokim poziomem pewności.
Stroke is found to be a leading cause of mortality and long-term disability worldwide, forcing effective predictive models to identify at-risk individuals and optimise treatment plans. In this study, we evaluate the performance of various machine learning (ML) algorithms in predicting stroke-related mortality. Five binary classification models—Logistic Regression (LR), Random Forest (RF), Gradient Boosting Machines (XGBoost), Support Vector Machine (SVM), and Neural Networks (MLPClassifier)-were applied to a dataset containing clinical and demographic features of stroke patients registered by the neurology department of the Clinical Centre of Montenegro. Each model was trained and evaluated using standard classification metrics: accuracy, precision, recall, and F1-score. Also, the importance of the feature was analysed to find the key predictors of stroke mortality across different models. The research shows the Random Forest and XGBoost performance over simpler models, proposing superior accuracy and interpretability. By analysing how precision, recall, and accuracy changes across a range of classification thresholds, we gained deeper insight into the model’s reliability under different clinical conditions. This analysis revealed clear trade-offs: lower thresholds improve recall (reducing the risk of missed death predictions), while higher thresholds enhance precision (minimising false positives). The findings support the selection of threshold values tailored to specific clinical priorities, such as early warning, balanced risk assessment, or high-confidence decision-making.