ModeloTransformer para diagnosticar cardiopatía isquémica crónica derivada de diabetes mellitus tipo2

Abstract

La cardiopatía isquémica crónica (CIC) constituye una complicación frecuente en pacientes con diabetes mellitus tipo 2 (DM2), y su diagnóstico oportuno resulta fundamental para mejorar el tratamiento y pronóstico del paciente. Sinembargo, el diagnóstico se dificulta por la presencia atípica de síntomas y la diversidad de factores de riesgo. Esta investigación presenta el desarrollo, implementación, optimización y evaluación de un modelo de red neuronal tipo Transformer adaptado para datos tabulares (Tab Transformer), capaz de diagnosticar CIC a partir de registros clínicos reales de pacientes con DM2. Se utilizó un conjunto de datos con información longitudinal de pacientes mexicanos atendidos en el Instituto Mexicano del Seguro Social de Michoacán, México durante el periodo comprendido entre los años 2005 y 2020. El modelo alcanzó un rendimiento destacable con una ccuracy de 87.72%, un recall de90.16% y un valor de 0.9434 para el área bajo la curva ROC. Se priorizó especialmente el recall como métrica principal, aspecto crítico en el diagnóstico de enfermedades cardiovasculares. Mediante un proceso riguroso de selección de características e implementando un algoritmo genético adaptativo para la optimización de hiperparámetros, se identificaron 18 variables determinantes para el diagnóstico. El modelo TabTransformer superó significativamente a los enfoques tradicionales de aprendizaje automático como regresión logística, k-vecinos más cercanos y árboles de decisión, de mostrando una mayor capacidad para capturar relaciones complejas entre variables clínicas gracias a su mecanismo de atención. Los resultados confirman la efectividad del enfoque propuesto para el diagnóstico de CIC en pacientes diabéticos.