Diseño de modelos explicativos de aprendizaje automático para detención de insuficiencia renal

Abstract

La presente tesis aborda el desafío de la detección temprana de complicaciones renales en pacientes con diabetes tipo 2 mediante el uso de Inteligencia Artificial Explicable (XAI). El objetivo central fue evaluar y comparar la eficacia de modelos intrínsecamente interpretables frente a explicaciones post-hoc para garantizar diagnósticos precisos y transparentes en el entorno clínico .La investigación se desarrolló en tres fases críticas en la primera, se validó el algoritmo Explainable Boosting Machine (EBM) utilizando un conjunto de datos internacional (UCI) de enfermedad renal crónica, logrando una precisión del 99%e identificando marcadores bioquímicos clave como la gravedad específica y la creatinina se rica. En la segunda fase, se analizó el dataset DiabetIA (42,182 instancias de población mexicana), donde el modelo Random Forest alcanzo un rendimiento del 80%. Mediante la técnica LIME, se demostró que, en el contexto nacional, la hipertensión esencial y la edad son los factores de riesgo dominantes. Finalmente, se realizó una auditoría de interpretabilidad cruzada comparando EBM y SHAP. Los resultados revelaron una vulnerabilidad crítica en los modelos: un sesgo que tiende a subestimar el riesgo en pacientes normotensos (Falsos Negativos), donde la ausencia de hipertensión oculta otras señales de alarma. Se concluye que la integración de XAI no solo iguala el rendimiento de los algoritmos de caja negra”, sino que actúa como una herramienta de auditoría clínica indispensable para reducir omisiones diagnósticas y fortalecer la medicina de precisión en el sistema de salud mexicano,