Análisis predictivo de Alzheimer y Parkinson a partir de datos médicos usando minería de datos

Resumen

Las enfermedades neurodegenerativas como Alzheimer y Parkinson representan un desafío en la salud global debido a la complejidad del diagnóstico temprano. Este estudio aplica minería de datos y machine learning para crear modelos predictivos que permitan la diferenciación diagnóstica entre ambas patologías. Utilizando datasets públicos (ADNI para Alzheimer y PPMI para Parkinson), se integraron y analizaron variables clínicas, demográficas, cognitivas y funcionales mediante cinco algoritmos: Decision Trees (DT), Random Forest (RF), Gradient Boosting Machine (GBM), Support Vector Machines (SVM) y Artificial Neural Networks (ANN). El pipeline metodológico incluyó preprocesamiento con imputación y estandarización, selección de características y validación cruzada estratificada. Los resultados muestran que para Parkinson (PPMI), el modelo Gradient Boosting Machine alcanzó una precisión del 96.52%, F1-macro de 0.936 y AUC de 0.995. Para Alzheimer (ADNI), el mismo algoritmo obtuvo una precisión del 90.29%, F1-macro de 0.900 y AUC de 0.987. Se concluye que la integración de datos multimodales con técnicas de aprendizaje automático permite construir herramientas de apoyo clínico no invasivas, objetivas y escalables para mejorar el diagnóstico temprano y la estratificación de pacientes.