Modelo longitudinal para la identificación temprana del riesgo de deterioro sostenido de la función renal en pacientes de programas de riesgo cardiovascular del Caribe colombiano

Autores

  • JAIR DE JESUS DIAZ LORA Investigador independiente en analítica de datos aplicada en salud Autor/a

DOI:

https://doi.org/10.63862/rhs-v1n3-746-769-2026

Palavras-chave:

enfermedad renal crónica, tasa de filtración glomerular, aprendizaje automático, análisis longitudinal, riesgo cardiovascular, Random Forest, Caribe colombiano

Resumo

Las enfermedades cardiovasculares, la hipertensión arterial, la diabetes mellitus y la enfermedad renal crónica conforman un entramado clínico en el que el deterioro de la función renal puede progresar silenciosamente. Esta segunda investigación de la línea longitudinal del autor analiza la progresión del deterioro funcional renal, entendido operacionalmente como una reducción sostenida de la tasa de filtración glomerular (TFG), sin constituir una nueva definición diagnóstica. Se realizó un estudio observacional retrospectivo, cuantitativo, longitudinal y predictivo sobre 191.096 registros correspondientes a 26.717 pacientes únicos. La arquitectura PALIC-PY-10 V12.1.0 construyó 18.326 landmarks, uno por paciente, con horizonte prospectivo de 365 días; 15.430 fueron evaluables y se registraron 124 eventos primarios (0,804%). El desenlace exigió una reducción sostenida ≥40% de la TFG respecto del valor índice, con cruce a ≤60% y confirmación al menos 30 días después. En la prueba temporal canónica, Random Forest alcanzó ROC-AUC 0,8689, PR-AUC 0,4956 y Brier 0,00619. El bootstrap de 1.500 remuestras obtuvo IC95% de 0,7912–0,9436 para ROC-AUC y 0,3433–0,6645 para PR-AUC. PALIC-PY-10 constituye además un framework metodológico-computacional desarrollado y fortalecido mediante seis auditorías científicas adversariales. Los resultados representan evidencia interna prometedora, pero no constituyen validación externa, utilidad clínica, diagnóstico ni demostración de generalización fuera del contexto estudiado.

Downloads

Os dados de download ainda não estão disponíveis.

Biografia do Autor

  • JAIR DE JESUS DIAZ LORA, Investigador independiente en analítica de datos aplicada en salud

    Ingeniero de Sistemas con más de veinte años de experiencia en tecnologías de la información, gestión estratégica de datos y transformación digital, desarrollando soluciones orientadas a convertir información clínica, administrativa y operativa en conocimiento para la toma de decisiones.


    Mi experiencia profesional integra calidad de datos, análisis de información, inteligencia denegocio e investigación aplicada, participando en procesos de consolidación de múltiples fuentes de información, construcción de consultas SQL, validación de datos, generación de indicadores y análisis longitudinal de cohortes poblacionales para apoyar la continuidad del
    cuidado y la gestión del riesgo.


    Como resultado de esta evolución profesional, desarrollé una investigación científica publicada en revista indexada, donde se aplicó un modelo analítico longitudinal para identificar tempranamente el riesgo de abandono y deterioro clínico en programas de riesgo cardiovascular, integrando SQL Server, Python, Machine Learning e Inteligencia Artificial Explicable sobre una población superior a 26.000 pacientes.


    Articulo científico publicado “Modelo analítico longitudinal aplicado a la identificación de riesgo de abandono y deterioro clínico en programas de riesgo cardiovascular en población del Caribe colombiano.”, Revista Hambatu Science, ISSN: 3151-815X,
    Volumen 1 • Número 2 • 2026, DOI: 10.63862/rhs-v1n2-66-80-2026.


    Actualmente curso una Especialización en Ciencia de Datos, fortaleciendo competencias en analítica avanzada, inteligencia artificial e investigación aplicada para aportar soluciones basadas en evidencia a organizaciones que buscan optimizar procesos, fortalecer la calidad de la información y apoyar la toma de decisiones estratégicas.

Referências

Díaz Lora, J. de J. (2026). Modelo analítico longitudinal aplicado a la identificación de riesgo de abandono y deterioro clínico en programas de riesgo cardiovascular en población del Caribe colombiano. Revista Hambatu Science, 1(2), 66–80. https://doi.org/10.63862/rhs-v1n2-66-80-2026

Breiman, L. (2001). Random forests. Machine Learning, 45, 5–32. https://doi.org/10.1023/A:1010933404324

Chan, L., et al. (2021). Derivation and validation of a machine learning risk score using biomarker and electronic patient data to predict progression of diabetic kidney disease. Diabetologia, 64, 1504–1515. https://doi.org/10.1007/s00125-021-05444-0

Collins, G. S., Moons, K. G. M., Dhiman, P., Riley, R. D., Beam, A. L., van Calster, B., Ghassemi, M., Liu, X., Reitsma, J. B., van Smeden, M., et al. (2024). TRIPOD+AI statement: Updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ, 385, e078378. https://doi.org/10.1136/bmj-2023-078378

Kidney Disease: Improving Global Outcomes (KDIGO) CKD Work Group. (2024). KDIGO 2024 clinical practice guideline for the evaluation and management of chronic kidney disease. Kidney International, 105(Suppl. 4S), S117–S314. https://doi.org/10.1016/j.kint.2023.10.018

Moons, K. G. M., Wolff, R. F., Riley, R. D., Whiting, P. F., Westwood, M., Collins, G. S., Reitsma, J. B., Kleijnen, J., & Mallett, S. (2019). PROBAST: A tool to assess risk of bias and applicability of prediction model studies. Annals of Internal Medicine, 170(1), 51–58. https://doi.org/10.7326/M18-1376

Cuenta de Alto Costo. (2024). Situación de la enfermedad renal crónica, la hipertensión arterial y la diabetes mellitus en Colombia 2023. Fondo Colombiano de Enfermedades de Alto Costo.

Rojas, L. H., Pereira-Morales, A. J., Amador, W., Montenegro, A., Buelvas, W., & de la Espriella, V. (2025). Development and validation of interpretable machine learning models to predict glomerular filtration rate in chronic kidney disease Colombian patients. Annals of Clinical Biochemistry, 62(1), 57–66. https://doi.org/10.1177/00045632241285528

Tangri, N., et al. (2022). Development and external validation of a machine learning model for progression of chronic kidney disease. Kidney International Reports, 7(8), 1772–1781. https://doi.org/10.1016/j.ekir.2022.05.004

Tangri, N., Ferguson, T. W., Bamforth, R. J., Leon, S. J., Arnott, C., Mahaffey, K. W., Kotwal, S., Heerspink, H. J. L., Perkovic, V., Fletcher, R. A., & Neuen, B. L. (2024). Machine learning for prediction of chronic kidney disease progression: Validation of the Klinrisk model in the CANVAS Program and CREDENCE trial. Diabetes, Obesity and Metabolism, 26(8), 3371–3380. https://doi.org/10.1111/dom.15678

Publicado

2026-09-18

Como Citar

Modelo longitudinal para la identificación temprana del riesgo de deterioro sostenido de la función renal en pacientes de programas de riesgo cardiovascular del Caribe colombiano. (2026). Revista Hambatu Science, 1(3), 746-769. https://doi.org/10.63862/rhs-v1n3-746-769-2026

Artigos mais lidos pelo mesmo(s) autor(es)