Modelo analítico longitudinal aplicado a la identificación de riesgo de abandono y deterioro clínico en programas de riesgo cardiovascular en población del Caribe colombiano
DOI:
https://doi.org/10.63862/rhs-v1n2-66-80-2026Keywords:
Analítica en salud; riesgo cardiovascular; abandono asistencial; machine learning; continuidad del cuidado; salud digitalAbstract
Las enfermedades cardiovasculares representan una de las principales causas de morbimortalidad y carga asistencial en Colombia, particularmente en pacientes diagnosticados con hipertensión arterial (HTA), diabetes mellitus (DM) y enfermedad renal crónica (ERC). Uno de los principales desafíos de los programas de riesgo cardiovascular corresponde a las dificultades relacionadas con continuidad del cuidado, adherencia terapéutica y seguimiento longitudinal de pacientes en escenarios poblacionales complejos. El objetivo del presente estudio fue desarrollar un modelo analítico longitudinal aplicado a datos reales de atención en salud para identificar patrones de abandono y deterioro clínico en programas de riesgo cardiovascular mediante integración de información clínica, operativa y de laboratorio. Se realizó un estudio observacional retrospectivo con enfoque cuantitativo sobre una población consolidada de 26.732 pacientes pertenecientes a las regiones Atlántico y Cesar durante el periodo abril 2025 – marzo 2026. La integración y procesamiento de información fue desarrollada mediante SQL Server, Python y técnicas de Machine Learning basadas en Random Forest con interpretabilidad SHAP. Los resultados evidenciaron diferencias relevantes entre escenarios poblacionales masivos y focalizados. Atlántico presentó crecimiento acelerado de cohortes incidentes y presión operativa sostenida, mientras Cesar mostró un comportamiento más estable y focalizado. El modelo predictivo obtuvo un AUC aproximado de 0.659, identificando como variables de mayor impacto la edad, el control de HTA, la continuidad asistencial y la adherencia. Se concluye que la integración de analítica descriptiva, evolutiva y predictiva fortalece procesos de continuidad del cuidado, priorización clínica y toma de decisiones basadas en datos dentro de programas de riesgo cardiovascular.
Downloads
References
American Diabetes Association. (2025). Standards of medical care in diabetes—2025. Diabetes Care, 48(Suppl. 1), S1–S350. https://doi.org/10.2337/dc25-SINT
Beam, A. L., & Kohane, I. S. (2018). Big data and machine learning in health care. JAMA, 319(13), 1317–1318. https://doi.org/10.1001/jama.2017.18391
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. https://doi.org/10.1023/A:1010933404324
Collins, G. S., Reitsma, J. B., Altman, D. G., & Moons, K. G. M. (2015). Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): The TRIPOD statement. Annals of Internal Medicine, 162(1), 55–63. https://doi.org/10.7326/M14-0697
Lundberg, S. M., & Lee, S. I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765–4774.
Organización Mundial de la Salud. (2023). Enfermedades cardiovasculares. https://www.who.int/es/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds)
Rajkomar, A., Dean, J., & Kohane, I. (2019). Machine learning in medicine. New England Journal of Medicine, 380(14), 1347–1358. https://doi.org/10.1056/NEJMra1814259
Topol, E. J. (2019). High-performance medicine: The convergence of human and artificial intelligence. Nature Medicine, 25(1), 44–56. https://doi.org/10.1038/s41591-018-0300-7
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Jair de Jesús Díaz Lora
This work is licensed under a Creative Commons Attribution 4.0 International License.
