Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 910
PREDICCIÓN DEL RIESGO CARDIOVASCULAR EN POBLACIÓN JOVEN MEDIANTE
APRENDIZAJE AUTOMÁTICO Y DATOS LONGITUDINALES
CARDIOVASCULAR RISK PREDICTION IN YOUNG POPULATIONS THROUGH
MACHINE LEARNING AND LONGITUDINAL DATA
Autores: ¹Milton Daniel Chicaiza Criollo, ²José Renato Cumbal Simba.
¹ORCID ID:
https://orcid.org/0009-0009-8478-0625
²ORCID ID: https://orcid.org/0000-0001-8182-5343
¹E-mail de contacto: dchicaizac@est.ups.edu.ec
²E-mail de contacto: rcumbal@ups.edu.ec
Afiliación:
1*2*
Universidad Politécnica Salesiana, (Ecuador).
Artículo recibido: 15 de Enero del 2026
Artículo revisado: 28 de Enero del 2026
Artículo aprobado: 06 de Febrero del 2026
¹Estudiante de Ingeniería Biomédica egresado de la Universidad Politécnica Salesiana, (Ecuador).
²Ingeniero en Electrónica y Telecomunicaciones. Magíster en Gerencia de Sistemas de Información egresado de la Universidad Politécnica
Salesiana, (Ecuador). Profesor de la Universidad Politécnica Salesiana, Quito, Ecuador, y miembro del Grupo de Investigación en
Telecomunicaciones (GIETEC). Doctorante en Ingeniería, Universidad Pontificia Bolivariana, Medellín, (Colombia).
Resumen
El proyecto se centra en la predicción temprana
del riesgo cardiovascular incidente en
población joven mediante la evaluación y
comparación de tres algoritmos de aprendizaje
automático: Regresión Logística, Random
Forest y Redes Neuronales. Las Enfermedades
Cardiovasculares (ECV) constituyen la
principal causa de mortalidad global, y
marcadores clínicos tempranos como la
hipertensión arterial desempeñan un papel
determinante en la evolución futura del riesgo.
La evidencia científica indica que los
fundamentos de esta patología se presentan en
la adultez temprana (18-35 años). Los modelos
tradicionales de estratificación de riesgo han
mostrado desempeño limitado en población
joven. Para abordar esta limitación, se emplea
un diseño metodológico basado en datos
clínicos longitudinales armonizados de la
Encuesta Nacional de Salud y Nutrición del
Ecuador (ENSANUT), realizando una
comparación sistemática de modelos de
aprendizaje automático. El rendimiento
predictivo se evalúa mediante métricas como
precisión, sensibilidad, F1-score y AUC. Los
resultados indican que Random Forest +
SMOTE logra el mejor equilibrio entre
precisión (PR-AUC: 0.345) y capacidad de
detección de casos positivos, mientras que la
Regresión Logística + SMOTE alcanza el
mayor F1-score (0.404), destacándose por su
interpretabilidad clínica. El estudio demuestra
que los modelos de aprendizaje automático
superan significativamente a los enfoques
lineales tradicionales en la identificación
temprana del riesgo cardiovascular en adultos
jóvenes.
Palabras clave: Riesgo cardiovascular,
Población joven, Aprendizaje automático,
Datos longitudinales, Hipertensión arterial,
Predicción clínica.
Abstract
This research project focuses on early
prediction of incident cardiovascular risk in
young populations through evaluation and
comparison of three machine learning
algorithms: Logistic Regression, Random
Forest, and Neural Networks. Cardiovascular
Disease (CVD) is the leading cause of death
worldwide, and early clinical markers such as
arterial hypertension play a decisive role in
future cardiovascular risk evolution. Scientific
evidence indicates that foundations of this
pathology emerge in early adulthood (18-35
years). Traditional risk stratification models
have shown limited performance in young
populations. To address this limitation, a
methodological design based on harmonized
longitudinal clinical data from Ecuador's
National Health and Nutrition Survey
(ENSANUT) is employed, performing
systematic comparison of machine learning
models. Predictive performance is evaluated
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 911
using metrics such as accuracy, sensitivity, F1-
score, and AUC. Results indicate that Random
Forest + SMOTE achieves the best balance
between precision (PR-AUC: 0.345) and
positive case detection capacity, while Logistic
Regression + SMOTE reaches the highest F1-
score (0.404), standing out for its clinical
interpretability. The study demonstrates that
machine learning models significantly
outperform traditional linear approaches in
early identification of cardiovascular risk in
young adults.
Keywords: Cardiovascular risk, Young
adults, Machine learning, Longitudinal
data, Arterial hypertension, Clinical
prediction.
Sumário
O projeto concentra-se na previsão precoce do
risco cardiovascular incidente em população
jovem mediante avaliação e comparação de três
algoritmos de aprendizagem automática:
Regressão Logística, Random Forest e Redes
Neurais. As Doenças Cardiovasculares (DCV)
constituem a principal causa de mortalidade
global, e marcadores clínicos precoces como a
hipertensão arterial desempenham papel
determinante na evolução futura do risco. A
evidência científica indica que os fundamentos
desta patologia apresentam-se na idade adulta
precoce (18-35 anos). Os modelos tradicionais
de estratificação de risco mostraram
desempenho limitado em população jovem.
Para abordar esta limitação, emprega-se um
desenho metodológico baseado em dados
clínicos longitudinais harmonizados da
Pesquisa Nacional de Saúde e Nutrição do
Equador (ENSANUT), realizando uma
comparação sistemática de modelos de
aprendizagem automática. O desempenho
preditivo é avaliado mediante métricas como
precisão, sensibilidade, F1-score e AUC. Os
resultados indicam que Random Forest +
SMOTE alcança o melhor equilíbrio entre
precisão (PR-AUC: 0.345) e capacidade de
detecção de casos positivos, enquanto a
Regressão Logística + SMOTE atinge o maior
F1-score (0.404), destacando-se pela sua
interpretabilidade clínica. O estudo demonstra
que os modelos de aprendizagem automática
superam significativamente as abordagens
lineares tradicionais na identificação precoce
do risco cardiovascular em adultos jovens.
Palavras-chave: Risco cardiovascular,
População jovem, Aprendizagem
automática, Dados longitudinais,
Hipertensão arterial, Previsão clínica
Introducción
Las enfermedades cardiovasculares (ECV)
representan la principal causa de mortalidad
global, generando una demanda creciente de
recursos sanitarios y un impacto económico
considerable asociado a hospitalizaciones,
tratamientos crónicos y pérdida de
productividad (WHO, 2023). Comprender las
ECV como un proceso acumulativo y
progresivo, no como eventos aislados, se vuelve
fundamental para la práctica médica moderna y
el diseño de estrategias preventivas efectivas
(Rajkomar et al., 2019). Investigaciones
recientes demuestran que las alteraciones
cardiovasculares comienzan en edades
tempranas. Factores como el aumento
progresivo de la presión arterial, dislipidemia
subclínica y aumento del índice de masa
corporal aparecen desde la juventud, incluso de
manera asintomática (Salah y Srinivas, 2022;
Liu et al., 2023). El riesgo cardiovascular se
operacionaliza mediante la predicción de
hipertensión arterial (HTA) incidente, ya que la
presión arterial elevada en edades tempranas es
un determinante clave en la progresión futura de
enfermedad cardiovascular (Martin et al.,
2024). La población joven (18-35 años)
constituye un grupo sustancial que determina la
evolución del riesgo cardiovascular a largo
plazo.
Los modelos tradicionales de estimación de
riesgo cardiovascular, como Framingham Risk
Score o ASCVD, no han sido diseñados para
población joven, mostrando desempeño
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 912
limitado. En respuesta, la comunidad científica
ha desarrollado modelos de aprendizaje
automático (Machine Learning, ML) como
herramientas complementarias. Algoritmos
como Random Forest, regresión logística y
redes neuronales han evidenciado mejor
desempeño en el reconocimiento de relaciones
no lineales y patrones complejos dentro de datos
clínicos de alta dimensionalidad (Salah y
Srinivas, 2022; Banerjee y Paçal, 2025). Un
avance significativo corresponde a la
integración sistemática de datos longitudinales,
que facilita el estudio de trayectorias
individuales mediante mediciones repetidas de
variables como presión arterial, perfil lipídico o
glucosa. Esta metodología permite detectar
variaciones discretas pero clínicamente
significativas que anteceden a eventos
cardiovasculares, ofreciendo una
representación más fiel del riesgo que las
aproximaciones transversales (Nguyen et al.,
2021; Liu et al., 2023).
Sin embargo, existen pocos estudios que
comparen directamente bajo un mismo diseño
metodológico modelos clásicos como regresión
logística con técnicas más complejas aplicadas
específicamente a población joven (Nguyen et
al., 2021). Esta carencia dificulta determinar
con precisión qué modelo presenta el mejor
equilibrio entre precisión predictiva e
interpretabilidad clínica. Al no contar con
modelos predictivos adaptados a adultos
jóvenes, estos pueden ser clasificados
sistemáticamente como población de bajo
riesgo, aunque desarrollen trayectorias
metabólicas negativas que requieran
intervenciones tempranas (Martin et al., 2024).
El objetivo de esta investigación es comparar el
desempeño de tres modelos en la predicción del
riesgo cardiovascular operacionalizado
mediante HTA incidente en adultos jóvenes,
empleando datos clínicos longitudinales de
ENSANUT. La pregunta guía es: ¿qué modelo
predictivo ofrece mayor precisión y utilidad
clínica para identificar riesgo cardiovascular
futuro en población joven considerando la
evolución temporal de sus factores de riesgo
Materiales y Métodos
Estudio observacional, analítico y comparativo
basado en datos longitudinales, orientado al
desarrollo, evaluación y comparación de tres
modelos predictivos. Este enfoque longitudinal
responde a recomendaciones metodológicas
actuales que priorizan mediciones repetidas en
el tiempo para captar la evolución real del riesgo
cardiovascular con mayor precisión que los
cortes transversales (Nguyen et al., 2021; Liu et
al., 2023). Los datos provienen de la Encuesta
Nacional de Salud y Nutrición del Ecuador
(ENSANUT), ciclos 2012, 2018 y 2022, que
constituyen las fuentes oficiales más completas
disponibles a nivel nacional. Estos ciclos
comparten diseño muestral probabilístico,
metodologías de medición estandarizadas y
protocolos clínicos consistentes. Se realizó un
proceso de armonización de variables clínicas
unificando definiciones operativas, unidades de
medida y criterios de inclusión, conservando
únicamente aquellas variables presentes de
forma consistente en todos los periodos. Este
procedimiento permitió construir una base de
datos longitudinal coherente para evaluar la
evolución temporal de los factores de riesgo
cardiovascular en población joven.
La población comprende individuos entre 18 y
35 años. Se excluyeron registros fuera de este
rango y observaciones con inconsistencias
clínicas (valores fisiológicamente imposibles,
registros incompletos). La variable objetivo se
definió a partir de mediciones reales de presión
arterial, considerando la HTA como marcador
clínico temprano del riesgo cardiovascular
(Martin et al., 2024; Nguyen et al., 2021). Las
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 913
variables seleccionadas incluyen: edad, presión
arterial sistólica (PAS), presión arterial
diastólica (PAD), glucosa, colesterol total,
HDL, LDL y triglicéridos. La selección se
fundamenta en su uso recurrente en modelos
predictivos de riesgo cardiovascular y su
disponibilidad consistente en ENSANUT. La
variable objetivo binaria HTA se definió según
criterios estándar: PAS ≥ 140 mmHg o PAD ≥
90 mmHg, alineándose con prácticas habituales
en estudios epidemiológicos (Nguyen et al.,
2021).
El preprocesamiento garantizó la calidad y
estabilidad de los modelos. Se filtró la
población por rango etario (18-35 años) y se
seleccionaron las variables clínicas de interés.
Los valores faltantes se abordaron mediante
imputación por la mediana, estrategia confiable
frente a distribuciones asimétricas, aplicada
únicamente a variables predictoras. Las
variables PAS y PAD no fueron imputadas en la
definición de la etiqueta para evitar sesgos.
Opcionalmente se aplicó estandarización
mediante StandardScaler para modelos
sensibles a la escala. Se evaluaron cuatro
modelos de clasificación que contrastan
enfoques lineales y no lineales: Regresión
Logística, Perceptrón simple, Random Forest y
Red Neuronal Multicapa (MLP). El vector de
características clínicas es x = [edad, pas, pad,
glucosa, col_total, hdl, ldl, trigliceridos]T, y la
etiqueta binaria y = hta ∈ {0, 1}. La Regresión
Logística se implementó como referente lineal
por su transparencia clínica, estimando la
probabilidad de HTA mediante función
sigmoide:
p ˆ("hta"=1|x)=σ(z)=1/(1+exp(-z))
donde z=β_0+∑_(i=1)^8 β_i x_i. La decisión
final se obtiene por umbral: y ˆ=I[p ˆ≥τ], con
τ=0.5.
El Perceptrón simple se incluyó como modelo
neuronal base de baja complejidad para
contrastar el beneficio de arquitecturas más
profundas. Calcula un puntaje afín y aplica
función de decisión:
a=w^T x+b,y ˆ=I[a≥0]
Random Forest representa un enfoque no lineal
basado en ensambles. Compuesto por T árboles
de decisión, cada árbol produce predicción y ˆ
^((t))∈{0,1} y la salida se determina por
votación mayoritaria. En modo probabilístico:
p ˆ("hta"=1|x)=1/T ∑_(t=1)^T▒ y ˆ^((t))
La Red Neuronal Multicapa (MLP) se utilizó
como modelo de mayor capacidad para
aprender interacciones no lineales. Con una
capa oculta, la propagación hacia adelante es:
h=g(W_1 x+b_1),p ˆ("hta"=1|x)=σ(W_2
h+b_2)
donde g(·) es una activación no lineal. Para el
ajuste se utilizó entropía cruzada binaria:
L=-[ylog(p ˆ)+(1-y)log(1-p ˆ)]
El conjunto de datos se segmentó
estratificadamente (80/20): 80% entrenamiento,
20% prueba. El desbalance de clases se abordó
exclusivamente sobre el conjunto de
entrenamiento mediante SMOTE, evitando
contaminación del conjunto de prueba. La
imputación de valores faltantes se aplicó
únicamente sobre variables predictoras, no
sobre la variable objetivo, preservando la
validez del marcador de riesgo. El rendimiento
se evaluó mediante validación cruzada
estratificada con cinco pliegues (k = 5),
utilizando métricas complementarias: matriz de
confusión, exactitud, F1-score, ROC-AUC y
PR-AUC. Se reportó el desempeño en el
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 914
conjunto de prueba y el promedio con
desviación estándar durante la validación
cruzada, dando mayor importancia a F1 y PR-
AUC debido al desequilibrio de clases.
Resultados y Discusión
Desempeño sin balanceo de clases
Sin balanceo, el Accuracy se mantuvo alrededor
de 0.76 para varios modelos, pero los valores de
F1-score fueron cercanos a cero para Regresión
Logística, Random Forest y MLP, indicando
desempeño deficiente en detección de la clase
positiva (HTA). El Perceptrón presentó F1-
score mayor pero con reducción marcada del
Accuracy, sugiriendo sesgo hacia la clase
minoritaria con mayor cantidad de falsos
positivos.
Desempeño con balanceo mediante SMOTE
Al incorporar SMOTE, se observó incremento
sustancial en F1-score para todos los modelos,
reflejando mayor capacidad para recuperar la
clase positiva. La Regresión Logística +
SMOTE obtuvo el mejor F1-score (0.404),
mientras que Random Forest + SMOTE logró el
mayor PR-AUC (0.345), resaltando su
capacidad para mantener precisión al
incrementar recall bajo desbalance. El MLP +
SMOTE presentó desempeño competitivo,
confirmando que modelos no lineales capturan
patrones complejos en variables clínicas.
Tabla 1. Comparación global del desempeño de
los modelos evaluados
Modelo
F1-score
PR-AUC
Observación
Regresión
Logística +
SMOTE
0.404
0.341
Mejor F1;
interpretable
Random
Forest +
SMOTE
0.393
0.345
Mejor PR-
AUC
MLP +
SMOTE
0.397
0.340
Desempeño
competitivo
Sin balanceo
< 0.05
< 0.34
No
recomendado
Fuente: Elaboración propia
Comparación global
La Regresión Logística + SMOTE destaca por
su mejor F1-score y ventaja de
interpretabilidad, haciéndola atractiva para
implementación clínica. Random Forest +
SMOTE ofrece el mejor PR-AUC, siendo
opción sólida cuando se prioriza discriminación
de clase positiva a distintos umbrales. El MLP
+ SMOTE mantiene desempeño consistente,
aunque su interpretabilidad es menor y requiere
mayor cuidado en entrenamiento.
Curvas de aprendizaje y matrices de
confusión
Las curvas de pérdida para MLP y SGD
mostraron rápida disminución inicial y posterior
estabilización, con brechas pequeñas entre
entrenamiento y validación, indicando
convergencia sin sobreajuste severo. Las
matrices de confusión revelaron que Random
Forest alcanza mejor equilibrio en clasificación
de ambas clases. El MLP presentó mayor
número de falsos negativos. Desde perspectiva
clínica, los falsos negativos (casos de HTA no
detectados) representan limitación relevante al
retrasar intervenciones preventivas tempranas.
Se evaluó Random Forest con umbral
optimizado (t = 0.19), priorizando reducción de
falsos negativos. Esto evidenció incremento
significativo en detección de casos positivos de
HTA, a costa de aumento controlado de falsos
positivos. Este compromiso resulta
clínicamente deseable en prevención primaria,
donde el costo de no identificar un caso real
supera al de realizar evaluaciones adicionales.
Importancia de variables
La importancia estimada por Random Forest
mostró que PAS y PAD concentran la mayor
relevancia, coherente con la definición clínica
de HTA y su rol como predictoras principales.
Las variables metabólicas (glucosa y perfil
lipídico) contribuyen complementariamente,
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 915
aportando información adicional sobre el perfil
cardiometabólico.
Comparación entre modelos clásicos y de
aprendizaje automático
Al comparar directamente modelos clásicos con
enfoques de ML, se observa brecha clara en el
equilibrio entre desempeño predictivo y
flexibilidad. La regresión logística ofrece
estructura interpretable y sencilla, pero su
rendimiento se limita por relaciones no lineales.
Random Forest demostró robustez,
manteniendo alta capacidad predictiva a pesar
de correlación entre variables y datos
imputados. Además, permitió analizar
importancia relativa de variables clínicas,
facilitando interpretación de factores con mayor
impacto en riesgo cardiovascular. Este aspecto
resulta especialmente valioso en el ámbito
clínico, donde la interpretabilidad es requisito
clave para adopción de modelos predictivos. La
red neuronal multicapa alcanzó rendimiento
comparable o superior en términos de AUC,
aunque su naturaleza de "caja negra" limita la
interpretación directa. Mayor desempeño
predictivo no siempre implica adopción
inmediata en práctica médica si no se acompaña
de mecanismos adecuados de explicación.
Impacto del preprocesamiento y datos
longitudinales
Las técnicas de preprocesamiento tuvieron
impacto importante. La imputación mediante
mediana permitió mantener mayor número de
registros sin introducir sesgos extremos.
SMOTE aplicado únicamente sobre
entrenamiento ayudó a mitigar desbalance de
clases sin comprometer validez del conjunto de
prueba. El enfoque longitudinal capturó la
evolución temporal de factores de riesgo,
ofreciendo representación más fiel del proceso
de desarrollo de ECV. Este análisis facilita
identificación de trayectorias de riesgo que
pueden pasar desapercibidas en enfoques
transversales. Estos resultados coinciden con
estudios previos que destacan el valor de datos
longitudinales en predicción de eventos
cardiovasculares, particularmente en población
joven donde los cambios metabólicos se
manifiestan gradualmente.
Conclusiones
De los resultados mostrados, su análisis y
discusión, se pueden obtener las siguientes
conclusiones sobre la predicción del riesgo
cardiovascular en población joven mediante
aprendizaje automático:
➢ Los modelos de aprendizaje automático
con balanceo de clases (SMOTE) superan
significativamente a los enfoques sin
balanceo, incrementando el F1-score de
<0.05 a valores superiores a 0.39,
demostrando su efectividad para detectar
casos positivos de hipertensión arterial en
población joven.
➢ La Regresión Logística + SMOTE alcanza
el mejor F1-score (0.404) y ofrece alta
interpretabilidad clínica, constituyendo la
opción más equilibrada para
implementación en contextos donde la
explicabilidad del modelo es prioritaria.
➢ Random Forest + SMOTE obtiene el mejor
PR-AUC (0.345), destacándose como la
alternativa más robusta cuando se requiere
optimizar la discriminación de casos
positivos a diferentes umbrales de decisión,
particularmente útil en prevención
primaria.
➢ El uso de datos longitudinales armonizados
de ENSANUT (2012, 2018, 2022) permite
capturar la evolución temporal de factores
de riesgo cardiovascular, superando las
limitaciones de los enfoques transversales
tradicionales en la identificación de
trayectorias clínicas relevantes.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 916
➢ La presión arterial sistólica y diastólica se
confirman como los predictores más
importantes según el análisis de
importancia de variables en Random
Forest, validando su rol determinante en la
predicción temprana de riesgo
cardiovascular en adultos jóvenes.
➢ El ajuste del umbral de decisión (de 0.5 a
0.19 en Random Forest) permite priorizar
la reducción de falsos negativos, estrategia
clínicamente deseable en prevención
primaria donde el costo de no detectar un
caso real supera al de realizar evaluaciones
adicionales.
Agradecimiento
Se agradece a la Universidad Politécnica
Salesiana y al Grupo de Investigación en
Telecomunicaciones (GIETEC) por el apoyo
brindado en el desarrollo de esta investigación.
Referencias Bibliográficas
Banerjee, T. y Paçal, İ. (2025). A systematic
review of machine learning in heart disease
prediction. Turkish Journal of Biology, 49,
600.
https://pmc.ncbi.nlm.nih.gov/articles/PMC1
2614364/
Liu, W., Laranjo, L., Klimis, H., Chiang, J.,
Yue, J., Marschner, S., Quiroz, J., Jorm, L. y
Chow, C. (2023). Machine-learning versus
traditional approaches for atherosclerotic
cardiovascular risk prognostication in
primary prevention cohorts: A systematic
review and meta-analysis. European Heart
Journal, 310-322.
Martin, S., Aday, A., Almarzooq, Z., Anderson,
C., Arora, P., Avery, C., Baker-Smith, C.,
Gibbs, B., Beaton, A., Boehme, A.,
Commodore-Mensah, Y., Currie, M.,
Elkind, M., Evenson, K., Generoso, G.,
Heard, D., Hiremath, S., Johansen, M.,
Kalani, R. y Palaniappan, L. (2024). 2024
heart disease and stroke statistics: A report of
US and global data from the American Heart
Association. Circulation, 149, E347–E913.
https://pubmed.ncbi.nlm.nih.gov/38264914/
Nguyen, H., Vasconcellos, H. y Keck, K.
(2021). Longitudinal clinical data analysis
for cardiovascular risk prediction using
machine learning. Journal of Medical
Systems, 45(8), 78.
Rajkomar, A., Dean, J. y Kohane, I. (2019).
Machine learning in medicine. New England
Journal of Medicine, 380, 1347–1358.
Salah, H. y Srinivas, S. (2022). Explainable
machine learning framework for predicting
long-term cardiovascular disease risk among
adolescents. Scientific Reports, 12, 12.
World Health Organization. (2023). World
heart report 2023. World Health
Organization.
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Milton Daniel
Chicaiza Criollo, José Renato Cumbal Simba.
