Year: 2025
Type: article
Abstract: Los algoritmos de Machine Learning han adquirido relevancia en el estudio de problemáticas de salud pública, como el trastorno por consumo de alcohol (AUD). Esta investigación tuvo como objetivo desarrollar, evaluar e interpretar modelos supervisados para predecir el riesgo de AUD utilizando datos de la encuesta NSDUH 2023 (n = 56,705). Se entrenaron modelos Random Forest, Balanced Random Forest (BRF), XGBoost y SVM, aplicando reducción de dimensionalidad mediante Análisis Factorial de Datos Mixtos (FAMD), balanceo de clases con SMOTE-NC y calibración del umbral de decisión mediante F₂-score, así como análisis explicativo con SHAP y LIME. El BRF calibrado obtuvo el mejor desempeño (AUC = 0.90; AUPRC = 0.44; recall = 0.77). Los análisis SHAP y LIME indicaron que la frecuencia, duración y continuidad del consumo fueron los predictores más influyentes, mientras que factores biopsicosociales como edad, empleo, estado civil y educación actuaron como moduladores del riesgo. En conjunto, los resultados muestran que los modelos balanceados y explicables son herramientas útiles para la detección temprana y la comprensión holística del AUD.
Author: Chaparro Mahecha, Sebastian
Language: Spanish
Subfield: Health Information Management
Field: Health Professions
Domain: Health Sciences
Open Access status: green
OpenAlex ID: W7171756960
