Opitz, DanielaEduardo, Inostroza Wachtendorff2022-06-102022-06-102022-01http://hdl.handle.net/11447/6203Proyecto de grado presentado a la Facultad de Ingeniería de la Universidad del Desarrollo para optar al grado académico de Magíster en Data ScienceLas enfermedades cardiovasculares (ECV) constituyen la principal causa de muerte entre las enfermedades no transmisibles a nivel mundial, y la tendencia del número de afectados es al alza. Los factores de riesgos son múltiples, van desde la predisposición genética, las condiciones del medio ambiente y el lugar de residencia de las personas, hasta sus comportamientos, edad y sexo. Existe evidencia de que estas patologías pueden disminuir si se atienden a tiempo los factores de riesgo, y aquí es donde los métodos de aprendizaje automático adquieren relevancia desde un enfoque preventivo. Esta investigación analiza seis modelos predictivos basados en aprendizaje supervisado, para diagnosticar la presencia de ECV en pacientes. El conjunto datos que vamos a utilizar, corresponde a diversas características pertenecientes a pacientes de la Clínica Cleveland en Ohio. Como conclusión, el modelo de Regresión Logística fue el óptimo, cuyo alto desempeño se manifestó con 91,2% accuracy y un recall del 88%. Se encontró que el sexo del paciente y el dolor de pecho bajo un ejercicio inducido son factores de riesgo que aumentan la probabilidad de que un paciente padezca una ECV38 p.esEnfermedades cardiovascularesDiagnósticoPrevención070037SThesis