CD_10 Original + Derivados

SPO de craniectomía y evacuación de Hematoma subdural

Conjunto de datos de Neurocirugía Intensiva enfocado en recuperación post-evacuación de hematoma subdural. Incluye variables de técnica quirúrgica (Aspiración por Overholt) y soporte farmacológico combinado.

📈 Eficacia Predictiva Detallada

Comparación detallada de las métricas de clasificación para los modelos entrenados con el conjunto de datos original y el conjunto sintético generado.

📊 Conjunto Original

Clase	Precisión	Recall	F1-Score	Soporte
Clase 0	0.66	0.86	0.75	29
Clase 1	0.00	0.00	0.00	13
Accuracy	0.60
Macro Avg	0.33	0.43	0.37	42
Weighted Avg	0.45	0.60	0.52	42

AUC-ROC: 0.50

F1-Score (weighted): 0.52

Accuracy: 0.60

➡️ Mejora

⬆ +0.16 AUC ⬆ +0.16 F1 ⬆ +0.09 Acc

🏆 MEJOR RENDIMIENTO

🔮 Conjunto Sintético

Clase	Precisión	Recall	F1-Score	Soporte
Clase 0	0.75	0.83	0.79	29
Clase 1	0.50 ⬆ +0.50	0.38 ⬆ +0.38	0.43 ⬆ +0.43	13
Accuracy	0.69 ⬆ +0.09
Macro Avg	0.62 ⬆ +0.29	0.61 ⬆ +0.18	0.61 ⬆ +0.24	42
Weighted Avg	0.67 ⬆ +0.22	0.69 ⬆ +0.09	0.68 ⬆ +0.16	42

AUC-ROC: 0.66 ⬆ +0.16

F1-Score (weighted): 0.68 ⬆ +0.16

Accuracy: 0.69 ⬆ +0.09

📊 Resumen de Mejoras en Clase Minoritaria (Clase 1)

🎯

Precisión

Original: 0.00

Sintético: 0.50

⬆ +0.50

📈

Recall

Original: 0.00

Sintético: 0.38

⬆ +0.38

⚖️

F1-Score

Original: 0.00

Sintético: 0.43

⬆ +0.43

📚 Fuente Original del Conjunto

SPO de craniectomía y evacuación de Hematoma subdural

v1.0

Datos clínicos hospitalarios

Publicado: 2017-2024

Repositorio: Datos institucionales

Licencia: CC BY-NC 4.0

📄 Resumen (Abstract)

Conjunto de datos de Neurocirugía Intensiva enfocado en la recuperación tras la evacuación de un hematoma subdural. Se distingue por incluir variables de técnica quirúrgica específica (Aspiración por Overholt) y un soporte farmacológico que combina neuroprotección estándar (Fenitoína, Manitol) con suplementación vitamínica (B1, B6, C).

🔬 Métodos

Recolección retrospectiva de registros electrónicos. Anonimización mediante cifrado.

⚖️ Ética y Privacidad

Estudio aprobado por el comité de ética institucional bajo exención de consentimiento informado. Restricción de confidencialidad: En estricto cumplimiento de los protocolos de privacidad hospitalaria, el comité no autoriza la divulgación pública de los microdatos a nivel de paciente, ni en su versión original ni en sus variantes sintéticas generadas. La publicación se restringe exclusivamente a las métricas de evaluación, resultados agregados y metodología del modelo.

📖 Cómo citar la fuente original

Datos clínicos anonimizados de pacientes con neumonía grave. Servicio de Terapia Intensiva. Hospital Universitario "Arnaldo Milián Castro". Villa Clara. Cuba.

🔄 Transformaciones Aplicadas

Modificaciones realizadas al conjunto original

Codificación de categóricas: Transformación a valores numéricos.

📋 Diccionario de Datos Detallado

Variable	Descripción Clínica	Tipo	Rango / Categorías	Unidad	¿Objetivo?
`Edad`	Edad del paciente al momento del ingreso	Numérico	0 - 94	años	No
`Estadia`	Días de estancia hospitalaria del paciente	Numérico	0 - 39	días	No
`Tiempo_exacto_de_ventilacion`	Tiempo total de ventilación mecánica durante la estancia	Numérico	0 - 384	horas	No
`Puntaje_Apache`	Puntaje de severidad APACHE II al ingreso (0-34)	Numérico	0 - 33	puntos	No
`Sexo`	Género del paciente	Categórico	1: Masculino, 2: Femenino	N/A	No
`Raza`	Raza/etnia del paciente	Categórico	1, 2, 4	N/A	No
`Equipo_de_ventilacion_utilizado`	Tipo de equipo de ventilación utilizado durante la estancia	Categórico	1, 3, 4, 5, 6, 7, 8, 9, 11, 13, 14	N/A	No
`Diagnostico_SPO_de_craniectomia_y_evacuacion_de_Hematoma_subdural`	Diagnóstico de craniectomía y evacuación de hematoma subdural	Binario	0: No, 1: Sí	N/A	No
`Infeccion_Respiratoria`	Presencia de infección respiratoria	Binario	0: No, 1: Sí	N/A	No
`Infeccion_Liquido_cefaloraquideo`	Infección del líquido cefalorraquídeo	Binario	0: No, 1: Sí	N/A	No
`Infeccion_Hematologica`	Presencia de infección hematológica (bacteriemia)	Binario	0: No, 1: Sí	N/A	No
`Germen_Staphilococo_Aureus_Meticillin_Sensible`	Presencia de Staphylococcus aureus sensible a meticilina (MSSA)	Binario	0: No, 1: Sí	N/A	No
`Germen_Staphilocco_Aureus_Meicllin_Resitente`	Presencia de Staphylococcus aureus resistente a meticilina (MRSA)	Binario	0: No, 1: Sí	N/A	No
`Germen_Klebsiella`	Presencia de infección por Klebsiella	Binario	0: No, 1: Sí	N/A	No
`_Analgesia_Recibida`	Paciente recibió analgesia	Binario	0: No, 1: Sí	N/A	No
`Hidratacion_Recibida`	Paciente recibió hidratación intravenosa	Binario	0: No, 1: Sí	N/A	No
`Antibioprofilaxis_Recibida`	Paciente recibió antibioprofilaxis	Binario	0: No, 1: Sí	N/A	No
`Norepinefrina_Recibida`	Paciente recibió norepinefrina (vasopresor)	Binario	0: No, 1: Sí	N/A	No
`Manitol_Recibida`	Paciente recibió manitol	Binario	0: No, 1: Sí	N/A	No
`Solucion_salina_3%_Recibida`	Paciente recibió solución salina al 3%	Binario	0: No, 1: Sí	N/A	No
`Fenitoina_Recibida`	Paciente recibió fenitoína (anticonvulsivante)	Binario	0: No, 1: Sí	N/A	No
`Esquema_de_sedacion_y_analgesia_con_morfina_y_midazolam_Recibida`	Paciente recibió esquema de sedación y analgesia con morfina y midazolam	Binario	0: No, 1: Sí	N/A	No
`Aspiracion_por_Overholt_Recibida`	Paciente recibió aspiración por Overholt	Binario	0: No, 1: Sí	N/A	No
`Globulos_Recibida`	Paciente recibió transfusión de glóbulos rojos	Binario	0: No, 1: Sí	N/A	No
`Plasma_Recibida`	Paciente recibió transfusión de plasma	Binario	0: No, 1: Sí	N/A	No
`Sulfato_de_magnesio_Recibida`	Paciente recibió sulfato de magnesio	Binario	0: No, 1: Sí	N/A	No
`Ceftriaxona_Recibida`	Paciente recibió ceftriaxona	Binario	0: No, 1: Sí	N/A	No
`Claforan_Recibida`	Paciente recibió claforan (cefotaxima)	Binario	0: No, 1: Sí	N/A	No
`Meropenen_Recibida`	Paciente recibió meropenem	Binario	0: No, 1: Sí	N/A	No
`Vancomicina_Recibida`	Paciente recibió vancomicina	Binario	0: No, 1: Sí	N/A	No
`Metronidazol_Recibida`	Paciente recibió metronidazol	Binario	0: No, 1: Sí	N/A	No
`Gentamicina_Recibida`	Paciente recibió gentamicina	Binario	0: No, 1: Sí	N/A	No
`Clindamicina_Recibida`	Paciente recibió clindamicina	Binario	0: No, 1: Sí	N/A	No
`Piperacilina_tazobactan_Recibida`	Paciente recibió piperacilina-tazobactam	Binario	0: No, 1: Sí	N/A	No
`Colistina_Recibida`	Paciente recibió colistina	Binario	0: No, 1: Sí	N/A	No
`Trifamox_Recibida`	Paciente recibió Trifamox (amoxicilina + sulbactam)	Binario	0: No, 1: Sí	N/A	No
`Betametasona_Recibida`	Paciente recibió betametasona (corticoide)	Binario	0: No, 1: Sí	N/A	No
`Omeprazol_Recibida`	Paciente recibió omeprazol (inhibidor de bomba de protones)	Binario	0: No, 1: Sí	N/A	No
`Cefepime_Recibida`	Paciente recibió cefepime	Binario	0: No, 1: Sí	N/A	No
`Midazolan_Recibida`	Paciente recibió midazolam (sedante)	Binario	0: No, 1: Sí	N/A	No
`Nimodipino_Recibida`	Paciente recibió nimodipino (bloqueador de canales de calcio)	Binario	0: No, 1: Sí	N/A	No
`Carbamazepina_Recibida`	Paciente recibió carbamazepina (anticonvulsivante)	Binario	0: No, 1: Sí	N/A	No
`Vitamina_B1_Recibida`	Paciente recibió vitamina B1 (tiamina)	Binario	0: No, 1: Sí	N/A	No
`Vitamina_B6_Recibida`	Paciente recibió vitamina B6 (piridoxina)	Binario	0: No, 1: Sí	N/A	No
`Vitamina_C_Recibida`	Paciente recibió vitamina C (ácido ascórbico)	Binario	0: No, 1: Sí	N/A	No
`Murio`	Indicador de fallecimiento del paciente	Binario	0: No, 1: Sí	N/A	Sí

46 Variables totales

4 Numéricas

3 Categóricas

39 Binarias

Objetivo: Mortalidad (Murio)

Datos ausentes: 0%

📈 Distribución de la variable objetivo en el conjunto original

📖 Leyenda de Variables Categóricas

Esta sección detalla los códigos y significados de las variables categóricas y binarias presentes en el conjunto de datos. Comprender estas codificaciones es fundamental para la correcta interpretación de los resultados clínicos.

Sexo Categórica

Código	Significado
1	Masculino
2	Femenino

Raza Categórica

Código	Significado
1	Blanca / Caucásica
2	Mestiza
4	Negra / Afrodescendiente

Equipo_de_ventilacion_utilizado Categórica

Código	Significado
1	Evita-4
3	Servo S
4	Servo-i
5	Savina-300
6	Savina
7	Hamilton-Raphael
8	No ventilado
9	Bella Vista
11	R 50 SIRIUSMED
13	ABETHA
14	Otro / No especificado

Variables Binarias Binario

Formato común: 0 = No, 1 = Sí

Diagnostico_SPO_de_craniectomia_y_evacuacion_de_Hematoma_subdural Diagnóstico de craniectomía y evacuación de hematoma subdural

Infeccion_Respiratoria Presencia de infección respiratoria

Infeccion_Liquido_cefaloraquideo Infección del líquido cefalorraquídeo

Infeccion_Hematologica Presencia de infección hematológica (bacteriemia)

Germen_Staphilococo_Aureus_Meticillin_Sensible Infección por Staphylococcus aureus sensible a meticilina (MSSA)

Germen_Staphilocco_Aureus_Meicllin_Resitente Infección por Staphylococcus aureus resistente a meticilina (MRSA)

Germen_Klebsiella Infección por Klebsiella

_Analgesia_Recibida Administración de analgesia

Hidratacion_Recibida Administración de hidratación intravenosa

Antibioprofilaxis_Recibida Administración de antibioprofilaxis

Norepinefrina_Recibida Administración de norepinefrina (vasopresor)

Manitol_Recibida Administración de manitol

Solucion_salina_3%_Recibida Administración de solución salina al 3%

Fenitoina_Recibida Administración de fenitoína (anticonvulsivante)

Esquema_de_sedacion_y_analgesia_con_morfina_y_midazolam_Recibida Esquema de sedación y analgesia con morfina y midazolam

Aspiracion_por_Overholt_Recibida Aspiración por Overholt (tubo torácico)

Globulos_Recibida Transfusión de glóbulos rojos

Plasma_Recibida Transfusión de plasma

Sulfato_de_magnesio_Recibida Administración de sulfato de magnesio

Ceftriaxona_Recibida Administración de ceftriaxona

Claforan_Recibida Administración de claforan (cefotaxima)

Meropenen_Recibida Administración de meropenem

Vancomicina_Recibida Administración de vancomicina

Metronidazol_Recibida Administración de metronidazol

Gentamicina_Recibida Administración de gentamicina

Clindamicina_Recibida Administración de clindamicina

Piperacilina_tazobactan_Recibida Administración de piperacilina-tazobactam

Colistina_Recibida Administración de colistina

Trifamox_Recibida Administración de Trifamox (amoxicilina + sulbactam)

Betametasona_Recibida Administración de betametasona (corticoide)

Omeprazol_Recibida Administración de omeprazol (IBP)

Cefepime_Recibida Administración de cefepime

Midazolan_Recibida Administración de midazolam (sedante)

Nimodipino_Recibida Administración de nimodipino (bloqueador de canales de calcio)

Carbamazepina_Recibida Administración de carbamazepina (anticonvulsivante)

Vitamina_B1_Recibida Administración de vitamina B1 (tiamina)

Vitamina_B6_Recibida Administración de vitamina B6 (piridoxina)

Vitamina_C_Recibida Administración de vitamina C (ácido ascórbico)

Murio 🎯 Variable Objetivo: Fallecimiento del paciente

ℹ️

Nota: Todas las variables binarias están codificadas como 0 = No (ausencia) y 1 = Sí (presencia).

💡

Observación: Este conjunto de datos incluye un amplio espectro de antibióticos y tratamientos específicos para manejo neurocrítico.

📊

Total de variables categóricas: 3

Sexo (2 categorías)
Raza (3 categorías)
Equipo de ventilación (11 categorías presentes)

🎯

Total de variables binarias: 39

7 variables de diagnóstico/infección
31 variables de tratamiento
1 variable objetivo (Murio)

⚠️

Recomendaciones:

Verificar consistencia entre diagnóstico neuroquirúrgico y tratamiento con Nimodipino y Manitol
Validar relación entre MRSA y Vancomicina o Linezolid (si está presente)
Revisar si hay duplicados entre Esquema_de_sedacion... y Midazolan_Recibida
El código 8 en ventilación indica "No ventilado"

🔬 Metodología de Generación (Reproducibilidad Científica)

📐 Método Principal

SMOTE RSB* Adaptado

Versión: 2.0

DOI: 10.1007/s42979-026-04896-8

📏 Reglas de restricción

Tiempo_exacto_de_ventilacion == 0 → Equipo_de_ventilacion_utilizado = 8 (No Aplica)
Tiempo_exacto_de_ventilacion > 0 → Equipo_de_ventilacion_utilizado ≠ 8
Diagnostico_SPO_de_craniectomia_y_evacuacion_de_Hematoma_subdural == 1 → (Manitol_Recibida = 1) OR (Solucion_salina_3%_Recibida = 1)
Diagnostico_SPO_de_craniectomia_y_evacuacion_de_Hematoma_subdural == 1 → (Fenitoina_Recibida = 1) OR (Carbamazepina_Recibida = 1)
Germen_Staphilocco_Aureus_Meicllin_Resitente == 1 → Vancomicina_Recibida = 1
Ceftriaxona_Recibida y Claforan_Recibida son mutuamente excluyentes
Manitol_Recibida y Solucion_salina_3%_Recibida son mutuamente excluyentes
Todo paciente debe recibir hidratación
Neumonia_Grave e Infeccion_Respiratoria son mutuamente excluyentes

⚙️ Hiperparámetros SMOTE RSB* Adaptado

Valor escala	0.03
Probabilidad Base	0.1

🔄 Hiperparámetros CTGAN

epochs	300
batch_size	20
generator_lr	0.0002
discriminator_lr	0.0002
pac	2
generator_dim	(64, 64)
discriminator_dim	(64, 64)
embedding_dim	128
l2scale	1e-05

📊 Hiperparámetros TVAE

epochs	300
batch_size	10
embedding_dim	32
compress_dims	(32, 32)
decompress_dims	(32, 32)
l2scale	1e-5
loss_factor	2

🔐 Reproducibilidad

Random Seed	`42`
Python	3.12.12

Librerías utilizadas:

pandas: 2.3.3
numpy: 2.4.4
scikit-learn: 1.7.2
imbalanced-learn: 0.14.0
ctgan: 0.11.1
torch: 2.9.0
sdv: 1.28.0
scipy: 1.16.3
matplotlib: 3.10.9

📝

Para reproducir exactamente este conjunto de datos, ejecute el script de generación con la semilla aleatoria 42. Los resultados pueden variar ligeramente según la versión de las librerías.

📊 Conjuntos de Datos Derivados

El conjunto original ha sido sometido a un proceso de balanceo de clases y generación sintética para mejorar la representación de clases minoritarias. Nota: se ha empleado un conjunto de validación para evaluar el índice de fidelidad. Se han generado tres familias de conjuntos:

📊 Balanceados: Conjuntos creados mediante técnicas de sobremuestreo
🔮 Sintéticos Puros: Conjuntos generados completamente con modelos generativos
✨ Aumentados: Combinación del conjunto original + datos sintéticos

El mejor conjunto de cada etapa fue seleccionado mediante el índice TabDSFidelity.

📊 Conjuntos Balanceados 8 conjuntos

Algoritmo	Ratio	N° Ejemplos	AUC-ROC	F1	Accuracy	TabDSFidelity	Jensen-Shannon	Kolmogorov-Smirnov	Kullback-Leibler	Correlación	Tiempo Total (s)	Dist. Promedio	Copias Exactas	Ataque MIA	Mejor
Random Oversampling	1	166	0.716	0.661	0.707	5.833	0.085	0.940	0.003	0.976	101.618	0	166	0.363
Smote	1	166	0.668	0.686	0.683	4.664	0.146	0.943	0.005	0.985	67.457	0.010	123	0.354
Borderline SMOTE	1	166	0.630	0.690	0.707	4.537	0.148	0.843	0.007	0.985	67.474	0.011	123	0.477
ADASYN	1.025	164	0.727	0.679	0.683	5.055	0.149	0.977	0.006	0.986	77.835	0.010	123	0.389
*SMOTE RSB Adaptado**	1.038	163	0.826	0.763	0.780	9.497	0.138	0.987	0.003	0.977	77.581	0.012	123	0.488	🏆
SMOTE RSB* Adaptado + Reglas	1.038	163	0.738	0.700	0.707	6.060	0.153	0.969	0.004	0.972	76.845	0.014	123	0.404
OOF PSO para Balanceo	1	166	0.669	0.621	0.683	1.132	0.194	0.451	0.075	0.780	102.457	0.093	123	0.310
OOF PSO para Balanceo + Reglas	1	166	0.753	0.638	0.707	2.321	0.237	0.048	0.082	0.775	92.637	0.089	104	0.442

⭐ Mejor seleccionado: SMOTE RSB* Adaptado (TabDSFidelity: 9.497, AUC: 0.826, F1: 0.763, MIA: 0.488). Nota: Ratio <= 1.5 = Conjunto Balanceado.

🔮 Conjuntos Sintéticos Puros 10 conjuntos

Algoritmo	Ratio	N° Ejemplos	AUC-ROC	F1	Accuracy	TabDSFidelity	Jensen-Shannon	Kolmogorov-Smirnov	Kullback-Leibler	Correlación	Tiempo Total (s)	Dist. Promedio	Copias Exactas	Ataque MIA	Mejor
SMOTE RSB* + Ruido Gaussiano	1.079	7421	0.758	0.670	0.683	8.283	0.216	0.672	0.022	0.930	138.939	0.058	58	0.325
*SMOTE RSB + Ruido Gaussiano + Reglas**	1.079	7421	0.826	0.679	0.683	9.039	0.216	0.672	0.025	0.928	390.476	0.062	40	0.439	🏆
CTGAN	1.127	9987	0.630	0.598	0.585	2.997	0.268	0.010	0.010	0.879	455.065	0.079	0	0.471
CTGAN + Reglas del Dominio	1.127	9987	0.717	0.670	0.659	6.302	0.268	0.010	0.014	0.881	754.173	0.080	0	0.497
TVAE	1.066	9998	0.668	0.610	0.610	3.136	0.403	0.002	0.110	0.926	248.243	0.037	0	0.430
TVAE + Reglas del Dominio	1.066	9998	0.687	0.659	0.659	5.069	0.403	0.002	0.104	0.922	507.934	0.038	0	0.442
OOF PSO para Aumento	1	10000	0.595	0.638	0.707	2.778	0.668	0.000	0.339	0.677	195.259	0.254	0	0.471
OOF PSO para Aumento + Reglas	1	10000	0.654	0.638	0.707	3.314	0.668	0.000	0.363	0.683	465.336	0.263	0	0.439
SMOTE RSB* Refinado	1.035	8619	0.739	0.700	0.707	8.987	0.234	0.600	0.020	0.934	123.798	0.058	48	0.360
SMOTE RSB* Refinado + Reglas	1.035	8619	0.735	0.658	0.683	7.721	0.234	0.600	0.022	0.931	355.524	0.063	34	0.316

⭐ Mejor seleccionado: SMOTE RSB* + Ruido Gaussiano + Reglas del Dominio (TabDSFidelity: 9.039, AUC: 0.826, F1: 0.679, MIA: 0.439). Nota: Ratio <= 1.5 = Conjunto Balanceado.

✨ Conjuntos Aumentados 10 conjuntos

Algoritmo	Ratio	N° Ejemplos	AUC-ROC	F1	Accuracy	TabDSFidelity	Jensen-Shannon	Kolmogorov-Smirnov	Kullback-Leibler	Correlación	Tiempo Total (s)	Dist. Promedio	Copias Exactas	Ataque MIA	Mejor
SMOTE RSB* + Ruido Gaussiano	1.078	7584	0.793	0.697	0.732	8.111	0.214	0.676	0.021	0.930	270.362	0.057	94	0.453
SMOTE RSB* + Ruido Gaussiano + Reglas	1.078	7584	0.761	0.721	0.732	7.969	0.214	0.676	0.024	0.928	501.484	0.062	79	0.462
CTGAN	1.124	10150	0.644	0.573	0.561	2.681	0.265	0.011	0.010	0.880	607.041	0.076	34	0.453
CTGAN + Reglas del Dominio	1.124	10150	0.738	0.717	0.707	6.254	0.265	0.011	0.014	0.882	911.519	0.076	34	0.471
TVAE	1.064	10161	0.669	0.659	0.659	4.061	0.397	0.002	0.052	0.937	385.992	0.038	34	0.427
TVAE + Reglas del Dominio	1.064	10161	0.655	0.610	0.610	3.053	0.397	0.002	0.049	0.934	650.883	0.039	34	0.433
OOF PSO para Aumento	1.001	10163	0.793	0.785	0.805	5.701	0.655	0.000	0.329	0.680	332.225	0.246	34	0.471
OOF PSO para Aumento + Reglas	1.001	10163	0.819	0.678	0.707	4.208	0.655	0.000	0.352	0.686	606.352	0.254	34	0.468
SMOTE RSB* Refinado	1.035	8782	0.765	0.678	0.707	7.294	0.232	0.605	0.019	0.934	239.675	0.057	87	0.377
*SMOTE RSB Refinado + Reglas**	1.035	8782	0.746	0.750	0.756	8.155	0.232	0.605	0.022	0.931	474.838	0.061	72	0.327	🏆

⭐ Mejor seleccionado: SMOTE RSB* Refinado + Reglas del Dominio (TabDSFidelity: 8.155, AUC: 0.746, F1: 0.750, MIA: 0.327). Nota: Ratio <= 1.5 = Conjunto Balanceado.

📈 Diagrama del Proceso de Generación

Conjunto Original
CD_10

↓

Balanceo
(8 métodos)

↓ Selección por TabDSFidelity

⭐ Mejor Balanceado
SMOTE RSB* Adaptado

↓

Generación Sintética
(10 métodos)

↓ Evaluación TabDSFidelity

⭐ Mejor Sintético
SMOTE RSB* + Ruido Gaussiano + Reglas del Dominio

⭐ Mejor Aumentado
SMOTE RSB* Refinado + Reglas del Dominio

↓

Conjunto Sintético Final
Seleccionado por calidad

📊 Guía de Métricas de Evaluación

Para interpretar correctamente los resultados de los conjuntos de datos generados, es fundamental comprender qué mide cada métrica y cómo se relacionan entre sí. A continuación, se detalla cada una de las métricas utilizadas en la evaluación:

🎯 Métricas de Rendimiento Predictivo

AUC-ROC (0.5 - 1.0)

¿Qué mide? Capacidad del modelo para distinguir entre clases (Ej: mortalidad vs supervivencia).

Interpretación:

0.5: Sin capacidad predictiva (aleatorio)
0.7-0.8: Aceptable
0.8-0.9: Excelente
>0.9: Sobresaliente

Ejemplo: AUC-ROC = 0.82 significa que hay un 82% de probabilidad de que el modelo clasifique correctamente un paciente fallecido frente a uno superviviente.

F1-Score (0 - 1.0)

¿Qué mide? Media armónica entre precisión y sensibilidad (recall).

Interpretación:

0.7-0.8: Buen equilibrio entre precisión y sensibilidad
0.8-0.9: Muy buen equilibrio
>0.9: Excelente equilibrio

Ejemplo: F1 = 0.76 indica que el modelo mantiene un buen balance entre identificar correctamente a los pacientes que fallecen (sensibilidad) y no etiquetar erróneamente a los que sobreviven (precisión).

Accuracy (0 - 1.0)

¿Qué mide? Proporción de predicciones correctas sobre el total.

Interpretación:

0.7-0.8: Buen rendimiento general
0.8-0.9: Muy buen rendimiento
>0.9: Excelente rendimiento

Ejemplo: Accuracy = 0.75 significa que el 75% de las predicciones del modelo son correctas.

⚠️ Nota: En conjuntos desbalanceados, esta métrica puede ser engañosa. Es mejor usar F1-Score o AUC-ROC.

🔬 Índice de Fidelidad del Conjunto

TabDSFidelity (0 - 10+)

¿Qué mide? Calidad global del conjunto sintético comparado con el original.

Interpretación:

< 3.0: Baja fidelidad (poca similitud con el original)
3.0 - 6.0: Fidelidad moderada
6.0 - 8.0: Alta fidelidad
> 8.0: Muy alta fidelidad (excelente representación)

Ejemplo: TabDSFidelity = 8.08 indica que el conjunto sintético mantiene una alta similitud con el original, preservando las relaciones y distribuciones de los datos reales, además de maximizar su eficacia predictiva.

💡 Importante: Este es el índice para seleccionar el mejor conjunto de datos sintéticos. Para este caso, el peso empleado para las métricas "AUC-ROC", "F1-Score" y "Accuracy" fue (2) y para el resto de las métricas fue (1).

📊 Métricas de Similitud de Distribuciones

Jensen-Shannon (Promedio) (0 - 1.0)

¿Qué mide? Similitud entre las distribuciones de variables numéricas del conjunto sintético y el original.

Interpretación:

Cerca de 0: Distribuciones muy similares (ideal)
0.1 - 0.3: Diferencias moderadas
> 0.3: Diferencias significativas

Ejemplo: JS = 0.118 indica que las distribuciones de las variables numéricas (edad, presión arterial, etc.) son bastante similares a las del conjunto original.

📌 Nota: Es el promedio de la divergencia de Jensen-Shannon calculada para todas las variables numéricas.

Kolmogorov-Smirnov (p-valor promedio) (0 - 1.0)

¿Qué mide? Probabilidad estadística de que las muestras numéricas del conjunto sintético provengan de la misma distribución continua que el original.

Interpretación:

Cerca de 1.0: Altísima probabilidad de que sean la misma distribución (ideal)
> 0.05: Similitud aceptable (no se rechaza que sean iguales)
< 0.05: Diferencias estadísticamente significativas

Ejemplo: KS p-valor = 0.753 indica que hay evidencia fuerte a favor de que las distribuciones acumulativas de la variable sintética y la original son equivalentes.

📌 Nota: Se reporta el promedio de los p-valores obtenidos mediante la prueba de Kolmogorov-Smirnov de dos muestras para las variables numéricas.

Kullback-Leibler (Promedio) (0 - ∞)

¿Qué mide? Divergencia entre las distribuciones de variables categóricas del conjunto sintético y el original.

Interpretación:

Cerca de 0: Distribuciones muy similares (ideal)
0.01 - 0.1: Diferencias pequeñas
> 0.1: Diferencias notables

Ejemplo: KL = 0.014 indica que la distribución de las variables categóricas (género, mortalidad) es muy similar a la del conjunto original.

📌 Nota: Es el promedio de la divergencia de Kullback-Leibler para todas las variables categóricas. A diferencia de JS y KS, esta métrica se aplica solo a variables categóricas.

📊 Métricas de Estructura

Similitud de Correlación (0 - 1.0)

¿Qué mide? Preservación de las relaciones entre variables del conjunto original.

Interpretación:

Cerca de 1.0: Las relaciones entre variables se mantienen casi idénticas
> 0.9: Excelente preservación de relaciones
0.7 - 0.9: Buena preservación
< 0.7: Pérdida significativa de relaciones

Ejemplo: Correlación = 0.976 significa que las relaciones entre variables (ej. edad y mortalidad) se mantienen en un 97.6% respecto al conjunto original.

⏱️ Métricas de Rendimiento Temporal

Tiempo Total (s) (segundos)

¿Qué mide? Tiempo total de ejecución del proceso de generación del conjunto.

Interpretación:

< 100s: Generación rápida
100-300s: Tiempo moderado
> 300s: Proceso lento (puede ser aceptable para conjuntos grandes)

Ejemplo: Tiempo total = 69.45s significa que el proceso completo de generación del conjunto balanceado tomó aproximadamente 1.16 minutos.

⏱️ Nota: Incluye el tiempo de generación sintética + cálculo de métricas.

🔒 Métricas de Privacidad

Estas métricas evalúan el riesgo de exposición de información sensible y la capacidad de un atacante para inferir datos de los pacientes a partir del conjunto de datos sintéticos.

Distancia al Registro Más Cercano (≥ 0)

¿Qué mide? La distancia promedio entre cada registro sintético y su registro más cercano en el conjunto de datos original.

Interpretación:

Cerca de 0: Los datos sintéticos son muy similares a los originales → ⚠️ ALTO RIESGO de privacidad
0.01 - 0.05: Similaridad moderada → Riesgo moderado
> 0.05: Buena separación de los datos originales → ✅ BAJO RIESGO de privacidad

Ejemplo: Distancia promedio = 0.015 en SMOTE indica que los registros sintéticos están relativamente cerca de los originales, lo que podría implicar un riesgo de privacidad moderado.

🔬

Metodología: Calculada utilizando la Distancia de Gower, la cual maneja internamente tipos de datos mixtos, normalizando las variables numéricas y penalizando diferencias categóricas para devolver un índice estandarizado entre 0 y 1.

💡

Recomendación: Valores < 0.01 deben ser evaluados con precaución. Idealmente, buscar valores > 0.02 para garantizar la privacidad.

Copias Exactas (≥ 0)

¿Qué mide? Número de registros sintéticos que son copias idénticas de registros en el conjunto de datos original.

Interpretación:

0: Ninguna copia exacta → ✅ SEGURO
1 - 10: Pocas copias → Riesgo bajo
11 - 50: Copias moderadas → ⚠️ RIESGO MODERADO
> 50: Muchas copias → 🔴 ALTO RIESGO de reidentificación

Ejemplo: SMOTE RSB* Refinado genera 76 copias exactas de 8817 registros (0.86%), lo que representa un riesgo de privacidad que debe ser evaluado.

⚠️

Importante: La presencia de copias exactas es uno de los indicadores más críticos de fuga de datos. Idealmente, este valor debe ser 0.

Ataque de Inferencia de Membresía (MIA) (0 - 1.0)

¿Qué mide? Tasa de éxito (medida en AUC-ROC) de un atacante para determinar si un registro específico pertenece al conjunto de datos original.

Interpretación:

0.5: Aleatorio (ideal) → ✅ PRIVACIDAD ÓPTIMA
0.5 - 0.55: Riesgo bajo
0.55 - 0.6: Riesgo moderado → ⚠️ PRIVACIDAD CUESTIONABLE
> 0.6: Riesgo alto → 🔴 PRIVACIDAD COMPROMETIDA

Ejemplo: MIA = 0.553 significa que el atacante tiene un éxito ligeramente superior al 50% aleatorio, lo que indica un riesgo de privacidad bajo/moderado.

🎯

Objetivo: Buscar valores lo más cercanos a 0.5. Valores > 0.6 indican que el conjunto sintético no protege adecuadamente la privacidad.

📝 Resumen Rápido para Selección

🏆

Para seleccionar el mejor conjunto:

Priorizar TabDSFidelity más alto
Buscar AUC-ROC y F1 altos
Valores de divergencia JS y KL cercanos a 0
P-valor de KS lo más cercano a 1.0 posible (>0.05)
Correlación > 0.9

⚖️

Balance entre calidad y tiempo:

Un TabDSFidelity > 8.0 indica excelente calidad
Tiempos de generación < 200s son aceptables
La Correlación > 0.95 asegura buena preservación de relaciones

🔒

Para garantizar la privacidad:

MIA lo más cercano a 0.5 (ideal)
Copias exactas = 0 (ideal) o lo más bajo posible
Distancia promedio > 0.02 para buena separación
Evaluar balance entre calidad (TabDSFidelity) y privacidad (MIA)