Predicción de Enfermedades Cardíacas Utilizando el Teorema de Bayes: Un Enfoque Aplicado en R Studio

Carmen Mariana Sánchez Tenesaca, Mirya Liaceci Sanchez Salazar

Resumen


Este estudio se adentra en la compleja y uso de la aplicación del Teorema de Bayes para predecir de manera más precisa la aparición de diversas enfermedades a partir de variables clínicas que son fácilmente accesibles y pueden ser recogidas en un entorno clínico habitual. Se implementó un enfoque estadístico avanzado utilizando R Studio, lo que facilitó notablemente el modelado de la probabilidad de desarrollar una enfermedad bajo ciertas condiciones previas y conocidas. A partir de un conjunto de datos públicos, relacionados con el diagnóstico de diversas enfermedades, se desarrolló un modelo bayesiano predictivo que permite realizar evaluaciones más acertadas. Los hallazgos de este estudio demuestran de manera contundente la eficacia del enfoque probabilístico al momento de tomar decisiones clínicas cruciales, proporcionando así una mayor precisión diagnóstica, especialmente en contextos en los que los recursos son limitados y es esencial optimizar su uso. El artículo subraya de manera enfática la relevancia del teorema en situaciones concretas e importantes del ámbito de la salud pública, sugiriendo diversas aplicaciones para futuros estudios e investigaciones.


Palabras clave


Teorema de Bayes; predicción de enfermedades; estadística; probabilidad; R Studio.

Texto completo:

PDF HTML

Referencias


Cerda Lorca, J., Castro, R., Bambs, C., & Balcells, M. E. (2025). Análisis Bayesiano de un ensayo controlado aleatorizado: aspectos matemáticos y clínicos. Revista chilena de infectología.

Kabacoff, R. (2022). R in action, data analysis and graphics with R. Estados Unidos: Manning Publications .

Polotskaya, K., Muñoz Valencia, C. s., Rabasa, A., & Quesada, J. A. (2024). Bayesian Networks for the Diagnosis and Prognosis of Diseases: A Scoping Review.

Rumbaut Rangel, D., & Maridueña Arroyave, M. R. (2024). Modelo predictivo de enfermedades cardiovasculares basado en Redes Bayesianas. Dialnet.

Teng, J., Zhang, H., Liu, W., Shu, X., & Ye, F. (2022). A Dynamic Bayesian Model for Breast Cancer Survival Prediction. IEEE Journal of Biomedical and Health Informatics.

Vera Damián, D. V., & Altamirano Mego, G. (27 de Diciembre de 2024). Repositorio Institucional UNPRG. Obtenido de https://repositorio.unprg.edu.pe/handle/20.500.12893/14418

Escobar Castellanos, B., & Martínez Martínez, M. G. (2018). Factores de riesgo de caídas en el adulto mayor. Universidad de Sonora. Recuperado de https://www.researchgate.net/publication/327881264_Factores_de_riesgo_de_caidas_en_el_adul to_mayor

Saavedra López, D., Leyva Vázquez, M., & Armentero Moreno, Y. (2013). Representación del conocimiento causal. Aplicaciones en la medicina. IX Congreso

Internacional Informática en Salud. Universidad de las Ciencias Informáticas. https://eventos.sld.cu/informaticasalud2013/.




DOI: https://doi.org/10.23857/pc.v10i9.10528

Enlaces de Referencia

  • Por el momento, no existen enlaces de referencia
';





Polo del Conocimiento              

Revista Científico-Académica Multidisciplinaria

ISSN: 2550-682X

Casa Editora del Polo                                                 

Manta - Ecuador       

Dirección: Ciudadela El Palmar, II Etapa,  Manta - Manabí - Ecuador.

Código Postal: 130801

Teléfonos: 056051775/0991871420

Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com

URL: https://www.polodelconocimiento.com/