Modelado del riesgo neonatal en recién nacidos prematuros mediante aprendizaje automático supervisado utilizando datos abiertos de acceso público

Abstract

En el presente trabajo se analizó el riesgo de mortalidad neonatal en recién nacidos prematuros mediante técnicas de aprendizaje automático supervisado. Se caracterizaron variables clínicas y perinatales, tales como peso al nacer, edad gestacional, puntaje APGAR y supervivencia neonatal. Los datos fueron adquiridos de repositorios públicos: el dataset SPNeoDeath, con registros de nacimientos y mortalidad neonatal del estado de São Paulo, Brasil (Beluzo et al., 2020); el dataset de prematuros extremos del Centro Médico Samsung, publicado en PLOS ONE (Park et al., 2017); y el dataset "Development Preterm Infant" de Mendeley Data (Faramarzi et al., 2023), utilizado como fuente complementaria para el análisis del desarrollo motor. A partir de la limpieza, el análisis exploratorio y la validación estadística, se entrenaron y compararon algoritmos de clasificación supervisada para predecir la mortalidad neonatal en esta población. El desempeño de los modelos fue evaluado mediante métricas de clasificación, obteniendo un AUC de 0.959 con Regresión Logística sobre el dataset principal, lo que sugiere que las variables perinatales medidas en los primeros minutos de vida tienen alto poder predictivo sobre el riesgo neonatal.