CD_12 Original + Derivados

CD_12: eICU-CRD: Predicción de Mortalidad Multicéntrica

Conjunto derivado de eICU Collaborative Research Database (v2.0.1). Integra puntuación APACHE IV, variables fisiológicas del primer día (PaO2/FiO2, creatinina) y comorbilidades.

📈 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	0.93	0.99	0.96	183
Clase 1	0.80	0.24	0.36	17
Accuracy	0.93
Macro Avg	0.87	0.61	0.66	200
Weighted Avg	0.92	0.93	0.91	200

AUC-ROC: 0.92

F1-Score (weighted): 0.91

Accuracy: 0.93

➡️ Mejora

⬇ -0.02 AUC ⬆ +0.03 F1 ⬆ +0.01 Acc

🏆 MEJOR RENDIMIENTO

🔮 Conjunto Sintético

Clase	Precisión	Recall	F1-Score	Soporte
Clase 0	0.96	0.97	0.97	183
Clase 1	0.67 ⬇ -0.13	0.59 ⬆ +0.35	0.62 ⬆ +0.26	17
Accuracy	0.94 ⬆ +0.01
Macro Avg	0.81 ⬇ -0.06	0.78 ⬆ +0.17	0.80 ⬆ +0.14	200
Weighted Avg	0.94 ⬆ +0.02	0.94 ⬆ +0.01	0.94 ⬆ +0.03	200

AUC-ROC: 0.91 ⬇ -0.01

F1-Score (weighted): 0.94 ⬆ +0.03

Accuracy: 0.94 ⬆ +0.01

📊 Resumen de Mejoras en Clase Minoritaria (Clase 1)

🎯

Precisión

Original: 0.80

Sintético: 0.67

⬇ -0.13

📈

Recall

Original: 0.24

Sintético: 0.59

⬆ +0.35

⚖️

F1-Score

Original: 0.36

Sintético: 0.62

⬆ +0.26

📚 Fuente Original del Conjunto

eICU Collaborative Research Database Demo v2.0.1

v2.0.1

Johnson, A., Pollard, T., Badawi, O., & Raffa, J.

Publicado: 6 de mayo de 2021

Repositorio: PhysioNet

DOI: 10.13026/4mxk-na84

URL: https://eicu-crd.mit.edu

Licencia: Open Data Commons Open Database License v1.0

RRID: SCR_007345

📄 Resumen (Abstract)

Este proyecto es una versión demo de la eICU Collaborative Research Database, una base de datos multicéntrica compuesta por datos de salud desidentificados de más de 200,000 admisiones a UCI en Estados Unidos entre 2014-2015. La base de datos incluye mediciones de signos vitales, documentación del plan de cuidado, medidas de severidad de enfermedad, información de diagnósticos y datos de tratamiento. Los datos son recolectados a través del programa eICU de Philips, un programa de telemedicina de cuidados críticos que entrega información a los cuidadores en la cabecera del paciente. Esta demo de acceso abierto permite a los investigadores evaluar si la eICU Collaborative Research Database es adecuada para su trabajo, e incluye más de 2,500 estancias unitarias seleccionadas de 20 de los hospitales más grandes de la base de datos completa.

🔬 Métodos

El conjunto de datos demo contiene información asociada a estancias en UCI de más de 2,500 estancias unitarias seleccionadas de 20 hospitales de mayor tamaño dentro de la eICU Collaborative Research Database. Todas las tablas han sido desidentificadas para cumplir con la disposición de "puerto seguro" de la Ley de Portabilidad y Responsabilidad de Seguros de Salud (HIPAA) de EE.UU., lo que incluye la eliminación de toda información de salud protegida. Los identificadores de hospitales y unidades también han sido eliminados para proteger la privacidad de las organizaciones contribuyentes. El esquema fue establecido en colaboración con Privacert (Cambridge, MA), quienes certificaron que el riesgo de reidentificación cumple con los estándares de puerto seguro (Certificación HIPAA No. 1031219-2).

📊 Descripción de Datos

Los datos incluyen signos vitales, mediciones de laboratorio, medicamentos, componentes APACHE, información del plan de cuidado, diagnóstico de admisión, historial del paciente, diagnósticos con marca temporal desde una lista estructurada de problemas y tratamientos seleccionados de manera similar. Los datos de cada paciente son recolectados en un almacén común solo si ciertas "interfaces" están disponibles. Cada interfaz se utiliza para transformar y cargar un tipo específico de datos: las interfaces de signos vitales incorporan signos vitales, las interfaces de laboratorio proporcionan mediciones en muestras de sangre, y así sucesivamente. Es importante tener en cuenta que diferentes unidades de cuidado pueden tener diferentes interfaces disponibles, y la falta de una interfaz resultará en la ausencia de datos para un paciente dado, incluso si esas mediciones se realizaron en la realidad. Los datos se proporcionan como archivos CSV que pueden cargarse en una base de datos relacional utilizando el código proporcionado en el eICU Code Repository. También se proporciona una versión comprimida en SQLite de la base de datos en la carpeta sqlite para mayor comodidad. El conjunto de datos incluye variables demográficas, clínicas y de laboratorio que permiten el análisis de mortalidad y otros desenlaces en pacientes críticamente enfermos.

📋 Notas de Uso

La demo proporciona una oportunidad para revisar la estructura y contenido de la eICU Collaborative Research Database antes de decidir si realizar un análisis en la versión completa. La demo también proporciona una muestra de datos útil para demostrar que el código desarrollado para la base de datos completa es funcional y devuelve los resultados esperados (por ejemplo, para verificar el comportamiento en pruebas unitarias y demostrar reproducibilidad en artículos publicados).

⚖️ Ética y Privacidad

Los datos han sido desidentificados cumpliendo con los estándares HIPAA. Todos los identificadores de pacientes, hospitales y unidades han sido eliminados para proteger la privacidad. El proyecto cuenta con la certificación de Privacert (Cambridge, MA) que acredita el cumplimiento de los estándares de "puerto seguro" (HIPAA Certification No. 1031219-2). Restricción de confidencialidad: En estricto cumplimiento de los protocolos de privacidad, el acceso a los microdatos a nivel de paciente está restringido a usuarios con credenciales. La publicación se restringe a métricas de evaluación, resultados agregados y metodología del modelo, conforme a las políticas de uso de la base de datos.

🙏 Agradecimientos

Los autores agradecen al Philips eICU Research Institute y a Philips Healthcare por la contribución de los datos. También agradecen a Andrew A. Kramer por sus comentarios perspicaces sobre los datos y a Dina Demner-Fushman por sus útiles comentarios sobre el proceso de desidentificación. El trabajo fue apoyado por las subvenciones NIH-R01-EB017205, NIH-R01-EB001659 y NIH-R01-GM104987 de los Institutos Nacionales de Salud. El MIT Laboratory for Computational Physiology recibió financiamiento de Philips Healthcare para realizar el trabajo en la base de datos descrita en este documento.

⚡ Conflictos de Interés

O. Badawi es empleado de Philips Healthcare. El MIT Laboratory for Computational Physiology recibió financiamiento de Philips Healthcare para el desarrollo de la base de datos. Los demás autores declaran no tener conflictos de interés financieros.

📖 Cómo citar la fuente original

Johnson, A., Pollard, T., Badawi, O., & Raffa, J. (2021). eICU Collaborative Research Database Demo (version 2.0.1). PhysioNet. RRID:SCR_007345. https://doi.org/10.13026/4mxk-na84

📚 Referencias Adicionales

Pollard TJ, Johnson AEW, Raffa JD, Celi LA, Mark RG and Badawi O. (2018). The eICU Collaborative Research Database, a freely available multi-center database for critical care research. Scientific Data. https://doi.org/10.1038/sdata.2018.178
Goldberger, A., Amaral, L., Glass, L., Hausdorff, J., Ivanov, P. C., Mark, R., ... & Stanley, H. E. (2000). PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals. Circulation, 101(23), e215–e220. RRID:SCR_007345.
eICU Code Repository. GitHub. https://github.com/MIT-LCP/eicu-code

🔄 Transformaciones Aplicadas

Modificaciones realizadas al conjunto original (eICU CD11)

Creación de variable objetivo: Generación de mortalidad_hospitalaria a partir de hospitaldischargestatus ('Expired' → 1, 'Alive' → 0) y eliminación de variables redundantes como diedinhospital para evitar fuga de datos.
Ingeniería de características textuales:
- Agrupación de diagnósticos primarios en 7 categorías clínicas de alto nivel mediante minería de texto (categoria_diagnostico).
- Extracción de comorbilidades (comorb_diabetes, comorb_hipertension, comorb_renal, comorb_cardiaca, comorb_pulmonar) mediante búsqueda de patrones en el historial médico.
Limpieza y eliminación de variables:
- Eliminación de identificadores (uniquepid, patientunitstayid) por privacidad y para reducir dimensionalidad.
- Eliminación de variables temporales de alta cardinalidad (columnas con time24).
- Eliminación automática de columnas con >50% de valores faltantes.
Tratamiento de valores nulos: Conversión de valores -1 (indicadores de "no disponible" en eICU) a NaN para su correcto manejo estadístico, seguido de imputación con mediana (variables continuas) o moda (variables categóricas codificadas).
Codificación de categóricas: Transformación de 15+ variables categóricas (region, teachtype, gender, ethnicity, unittype, hospitaladmitsource, entre otras) a valores numéricos enteros mediante codificación ordinal, generando un archivo de leyenda (leyenda.json) para su interpretación.
Optimización de tipos de datos: Conversión estricta de variables numéricas con valores enteros (ej. 1.0 → 1) para eliminar decimales innecesarios y optimizar el rendimiento computacional.

📊 Resultado: Dataset enriquecido y depurado de 1,000 registros (estratificados) con 57 variables predictivas y 1 variable objetivo, optimizado para validación externa de modelos de mortalidad en UCI y evaluación mediante TabDSFidelity.

📋 Diccionario de Datos Detallado

Variable	Descripción Clínica	Tipo	Rango / Categorías	Unidad	¿Objetivo?
`gender`	Género del paciente	Categórico	0,1,2 (ver leyenda)	N/A	No
`age`	Edad del paciente agrupada en rangos	Categórico	10-76 (ver leyenda)	N/A	No
`ethnicity`	Etnia del paciente	Categórico	0-6 (ver leyenda)	N/A	No
`apacheadmissiondx`	Diagnóstico de admisión APACHE	Categórico	Múltiples códigos	N/A	No
`hospitaladmitsource`	Origen de la admisión hospitalaria	Categórico	0-13 (ver leyenda)	N/A	No
`hospitaldischargelocation`	Lugar de alta hospitalaria	Categórico	0-8 (ver leyenda)	N/A	No
`unittype`	Tipo de unidad de cuidados intensivos	Categórico	0-7 (ver leyenda)	N/A	No
`unitadmitsource`	Origen de la admisión a UCI	Categórico	0-13 (ver leyenda)	N/A	No
`unitstaytype`	Tipo de estancia en UCI	Categórico	0-3 (ver leyenda)	N/A	No
`unitdischargelocation`	Lugar de alta de UCI	Categórico	0-15 (ver leyenda)	N/A	No
`unitdischargestatus`	Estado al alta de UCI	Categórico	0,2 (ver leyenda)	N/A	No
`admitsource`	Origen de admisión	Categórico	1-8 (ver leyenda)	N/A	No
`admitdiagnosis`	Diagnóstico de admisión	Categórico	Múltiples códigos	N/A	No
`dischargelocation`	Lugar de alta	Categórico	4-9 (ver leyenda)	N/A	No
`amilocation`	Ubicación AMI	Categórico	0-7 (ver leyenda)	N/A	No
`categoria_diagnostico`	Categoría de diagnóstico	Categórico	0,2,4 (ver leyenda)	N/A	No
`wardid`	Identificador de la sala/ward	Numérico	1 - 291	N/A	No
`admissionheight`	Altura del paciente al ingreso	Numérico	33.6 - 198.1	cm	No
`hospitaladmitoffset`	Tiempo de admisión hospitalaria relativo	Numérico	-75150 - 8696	minutos	No
`hospitaldischargeyear`	Año de alta hospitalaria	Numérico	2014 - 2015	año	No
`hospitaldischargeoffset`	Tiempo de alta hospitalaria relativo	Numérico	20 - 90487	minutos	No
`unitvisitnumber`	Número de visita a la UCI	Numérico	0 - 3	visitas	No
`admissionweight`	Peso del paciente al ingreso	Numérico	33 - 515	kg	No
`unitdischargeoffset`	Tiempo de alta de UCI relativo	Numérico	0 - 66499	minutos	No
`apachescore`	Puntaje APACHE	Numérico	8 - 157	puntos	No
`sicuday`	Día en SICU	Numérico	1 - 1	días	No
`bedcount`	Número de camas en la unidad	Numérico	1 - 84	camas	No
`graftcount`	Conteo de injertos	Numérico	3 - 4	N/A	No
`verbal`	Puntuación verbal (GCS)	Numérico	1 - 5	puntos	No
`motor`	Puntuación motora (GCS)	Numérico	1 - 6	puntos	No
`eyes`	Puntuación ocular (GCS)	Numérico	1 - 4	puntos	No
`creatinine`	Nivel de creatinina sérica	Numérico	0.26 - 13.34	mg/dL	No
`visitnumber`	Número de visita	Numérico	1 - 4	visitas	No
`day1meds`	Medicamentos del día 1 (indicador binario)	Numérico	0 - 1	N/A	No
`day1verbal`	Puntuación verbal día 1 (GCS)	Numérico	1 - 5	puntos	No
`day1motor`	Puntuación motora día 1 (GCS)	Numérico	1 - 6	puntos	No
`day1eyes`	Puntuación ocular día 1 (GCS)	Numérico	1 - 4	puntos	No
`saps3day1`	SAPS3 día 1	Binario	0: No, 1: Sí	N/A	No
`saps3today`	SAPS3 actual (hoy)	Binario	0: No, 1: Sí	N/A	No
`saps3yesterday`	SAPS3 ayer	Binario	0: No, 1: Sí	N/A	No
`teachtype`	Tipo de hospital docente	Binario	0: No, 1: Sí	N/A	No
`region`	Región geográfica	Binario	0: No, 1: Sí	N/A	No
`meds`	Medicamentos administrados	Binario	0: No, 1: Sí	N/A	No
`thrombolytics`	Trombolíticos administrados	Binario	0: No, 1: Sí	N/A	No
`aids`	Diagnóstico de SIDA	Binario	0: No, 1: Sí	N/A	No
`hepaticfailure`	Falla hepática	Binario	0: No, 1: Sí	N/A	No
`lymphoma`	Linfoma	Binario	0: No, 1: Sí	N/A	No
`metastaticcancer`	Cáncer metastásico	Binario	0: No, 1: Sí	N/A	No
`leukemia`	Leucemia	Binario	0: No, 1: Sí	N/A	No
`immunosuppression`	Inmunosupresión	Binario	0: No, 1: Sí	N/A	No
`cirrhosis`	Cirrosis	Binario	0: No, 1: Sí	N/A	No
`activetx`	Tratamiento activo	Binario	0: No, 1: Sí	N/A	No
`readmit`	Reingreso hospitalario	Binario	0: No, 1: Sí	N/A	No
`ima`	Infarto de miocardio agudo	Binario	0: No, 1: Sí	N/A	No
`midur`	Duración de IM	Binario	0: No, 1: Sí	N/A	No
`ventday1`	Ventilación mecánica día 1	Binario	0: No, 1: Sí	N/A	No
`oobventday1`	Ventilación fuera de cama día 1	Binario	0: No, 1: Sí	N/A	No
`oobintubday1`	Intubación fuera de cama día 1	Binario	0: No, 1: Sí	N/A	No
`diabetes`	Diabetes mellitus	Binario	0: No, 1: Sí	N/A	No
`managementsystem`	Sistema de gestión	Binario	0: No, 1: Sí	N/A	No
`var03hspxlos`	Variable 03 HSP X LOS	Binario	0: No, 1: Sí	N/A	No
`comorb_diabetes`	Comorbilidad: Diabetes	Binario	0: No, 1: Sí	N/A	No
`comorb_hipertension`	Comorbilidad: Hipertensión	Binario	0: No, 1: Sí	N/A	No
`comorb_renal`	Comorbilidad: Enfermedad renal	Binario	0: No, 1: Sí	N/A	No
`comorb_cardiaca`	Comorbilidad: Enfermedad cardíaca	Binario	0: No, 1: Sí	N/A	No
`comorb_pulmonar`	Comorbilidad: Enfermedad pulmonar	Binario	0: No, 1: Sí	N/A	No
`mortalidad_hospitalaria`	Mortalidad hospitalaria (objetivo)	Binario	0: Sobrevive, 1: Fallece	N/A	Sí

78 Variables totales

22 Numéricas

16 Categóricas

40 Binarias

Objetivo: Mortalidad (mortalidad_hospitalaria)

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.

gender_x Categórica

Código	Significado
0	Desconocido
1	Female (Femenino)
2	Male (Masculino)

age_x Categórica

Edad del paciente en años

015 años

116 años

217 años

318 años

419 años

520 años

621 años

722 años

823 años

924 años

1025 años

1126 años

1227 años

1328 años

1429 años

1530 años

1631 años

1732 años

1833 años

1934 años

2035 años

2136 años

2237 años

2338 años

2439 años

2540 años

2641 años

2742 años

2843 años

2944 años

3045 años

3146 años

3247 años

3348 años

3449 años

3550 años

3651 años

3752 años

3853 años

3954 años

4055 años

4156 años

4257 años

4358 años

4459 años

4560 años

4661 años

4762 años

4863 años

4964 años

5065 años

5166 años

5267 años

5368 años

5469 años

5570 años

5671 años

5772 años

5873 años

5974 años

6075 años

6176 años

6277 años

6378 años

6479 años

6580 años

6681 años

6782 años

6883 años

6984 años

7085 años

7186 años

7287 años

7388 años

7489 años

75> 89 años

76Desconocido

💡

Nota: Los códigos representan la edad exacta del paciente en años, con excepción del código 75 (>89 años) y 76 (Desconocido).

ethnicity Categórica

Código	Significado
0	African American (Afroamericana)
1	Asian (Asiática)
2	Caucasian (Caucásica/Blanca)
3	Desconocido
4	Hispanic (Hispana/Latina)
5	Native American (Nativa Americana)
6	Other/Unknown (Otra/Desconocida)

apacheadmissiondx Categórica

Diagnósticos APACHE de admisión

0ARDS - Síndrome de distrés respiratorio agudo

1Abdomen only trauma (Trauma abdominal)

2Abdomen/extremity trauma

3Abdomen/multiple trauma

4Ablación cardíaca

5Absceso neurológico

6Alteración ácido-base/electrolitos

7Adrenalectomía

8Síndrome de abstinencia alcohólica

9Anafilaxia

10Anemia

11Aneurisma aórtico abdominal

14Aneurisma aórtico torácico

16Angina estable

17Angina inestable

18Reemplazo válvula aórtica y mitral

19Reemplazo válvula aórtica (aislado)

22Paro respiratorio

23Asma

25Hemorragia GI por várices esofágicas

26Hemorragia GI - ubicación desconocida

27Hemorragia GI baja

28Hemorragia GI alta

33CABG - Bypass coronario

38Insuficiencia cardíaca congestiva

39ACV - Accidente cerebrovascular

47Paro cardíaco

48Miocardiopatía

51Celulitis

64Colangitis

67Coma/alteración del nivel de conciencia

76Desconocido

77Coma hiperosmolar no cetósico

78Cetoacidosis diabética

86Embolia pulmonar

87Enfisema/bronquitis

88Encefalitis

90Encefalopatía hepática

92Endarterectomía carotídea

127Hematoma subdural

131Hemorragia/hematoma intracraneal

144Infarto agudo de miocardio (IAM)

148Reemplazo total de rodilla

151Linfoma no Hodgkin

153Meningitis

154Trastorno metabólico/endocrino

155Reparación de válvula mitral

156Reemplazo de válvula mitral

171Sobredosis de alcoholes

177Pancreatitis

184Neumonía por aspiración

185Neumonía bacteriana

186Neumonía - otra

187Neumonía viral

191Insuficiencia renal aguda

196Enfermedad pulmonar restrictiva

200Convulsiones

201Sepsis GI

204Sepsis pulmonar

207Shock cardiogénico

215Hemorragia subaracnoidea/aneurisma

⚠️

Más de 100 códigos de diagnóstico APACHE disponibles. Se muestran los más representativos. Ver documentación completa para detalles.

hospitaladmitsource Categórica

Código	Significado
0	Acute Care/Floor (Cuidados agudos/Piso)
1	Chest Pain Center (Centro de dolor torácico)
2	Desconocido
3	Direct Admit (Admisión directa)
4	Emergency Department (Emergencias)
5	Floor (Piso/Sala)
6	ICU (UCI)
7	ICU to SDU (UCI a unidad de step-down)
8	Operating Room (Quirófano)
9	Other Hospital (Otro hospital)
10	Other ICU (Otra UCI)
11	PACU (Unidad de recuperación post-anestésica)
12	Recovery Room (Sala de recuperación)
13	Step-Down Unit (SDU) (Unidad de step-down)

hospitaldischargelocation Categórica

Código	Significado
0	Death (Fallecimiento)
1	Desconocido
2	Home (Casa)
3	Nursing Home (Residencia/Asilo)
4	Other (Otro)
5	Other External (Otro externo)
6	Other Hospital (Otro hospital)
7	Rehabilitation (Rehabilitación)
8	Skilled Nursing Facility (Centro de enfermería especializada)

unittype Categórica

Código	Significado
0	CCU-CTICU (Unidad de Cuidados Coronarios-Cardiotorácica)
1	CSICU (Unidad de Cuidados Intensivos Cardioquirúrgica)
2	CTICU (Unidad de Cuidados Intensivos Cardiotorácica)
3	Cardiac ICU (UCI Cardíaca)
4	MICU (Unidad de Cuidados Intensivos Médicos)
5	Med-Surg ICU (UCI Médico-Quirúrgica)
6	Neuro ICU (UCI Neurológica)
7	SICU (Unidad de Cuidados Intensivos Quirúrgicos)

unitadmitsource Categórica

Código	Significado
0	Acute Care/Floor (Cuidados agudos/Piso)
1	Chest Pain Center (Centro de dolor torácico)
2	Desconocido
3	Direct Admit (Admisión directa)
4	Emergency Department (Emergencias)
5	Floor (Piso/Sala)
6	ICU (UCI)
7	ICU to SDU (UCI a unidad de step-down)
8	Operating Room (Quirófano)
9	Other Hospital (Otro hospital)
10	Other ICU (Otra UCI)
11	PACU (Unidad de recuperación post-anestésica)
12	Recovery Room (Sala de recuperación)
13	Step-Down Unit (SDU) (Unidad de step-down)

unitstaytype Categórica

Código	Significado
0	admit (Admisión)
1	readmit (Reingreso)
2	stepdown/other (Step-down/otro)
3	transfer (Transferencia)

unitdischargelocation Categórica

Código	Significado
0	Acute Care/Floor (Cuidados agudos/Piso)
1	Death (Fallecimiento)
2	Desconocido
3	Floor (Piso/Sala)
4	Home (Casa)
5	ICU (UCI)
6	Nursing Home (Residencia/Asilo)
7	Other (Otro)
8	Other External (Otro externo)
9	Other Hospital (Otro hospital)
10	Other ICU (Otra UCI)
11	Other Internal (Otro interno)
12	Rehabilitation (Rehabilitación)
13	Skilled Nursing Facility (Centro de enfermería especializada)
14	Step-Down Unit (SDU) (Unidad de step-down)
15	Telemetry (Telemetría)

unitdischargestatus Categórica

Código	Significado
0	Alive (Vivo)
1	Desconocido
2	Expired (Fallecido)

admitdiagnosis Categórica

Códigos de diagnóstico de admisión

ACIDBASETrastorno ácido-base

ACUHEPFAILFalla hepática aguda

AMIInfarto agudo de miocardio

ANAPHYLAXAnafilaxia

ARDSSíndrome de distrés respiratorio agudo

ARENFAILInsuficiencia renal aguda

ASTHMAAsma

ATELECTASAtelectasia

CARDARRESTParo cardíaco

CARDIOMYOPMiocardiopatía

CARDSHOCKShock cardiogénico

CHFInsuficiencia cardíaca congestiva

COMAComa

CVASTROKEACV/Accidente cerebrovascular

DKACetoacidosis diabética

DVTTrombosis venosa profunda

EMPHYSBRONEnfisema/bronquitis

ENCEPHALITEncefalitis

ENCEPHALOPEncefalopatía

HEPENCEPHEncefalopatía hepática

ICHHemorragia intracraneal

MENINGITISMeningitis

PANCRITISPancreatitis

PERITONITPeritonitis

PNEUMBACTNeumonía bacteriana

PNEUMOTHORNeumotórax

PULMEMBOLEmbolia pulmonar

RESPARRESTParo respiratorio

SAH/IANEURHemorragia subaracnoidea/aneurisma

SEIZURESConvulsiones

SEPSISSepsis

DesconocidoDiagnóstico desconocido

⚠️

Más de 200 códigos de diagnóstico disponibles. Se muestran los más representativos.

categoria_diagnostico Categórica

Código	Significado
0	Infeccioso/Sepsis
1	Neurológico
2	Otro
3	Renal
4	Respiratorio
5	Traumático

💡

Nota: Esta variable agrupa los diagnósticos en categorías clínicas principales.

Variables Binarias Binario

Formato común: 0 = No, 1 = Sí

saps3day1SAPS3 día 1

saps3todaySAPS3 actual

saps3yesterdaySAPS3 ayer

teachtypeHospital docente

regionRegión geográfica

medsMedicamentos administrados

thrombolyticsTrombolíticos

aidsSIDA

hepaticfailureFalla hepática

lymphomaLinfoma

metastaticcancerCáncer metastásico

leukemiaLeucemia

immunosuppressionInmunosupresión

cirrhosisCirrosis

activetxTratamiento activo

readmitReingreso

imaInfarto agudo de miocardio

midurDuración de IM

ventday1Ventilación día 1

oobventday1Ventilación fuera de cama día 1

oobintubday1Intubación fuera de cama día 1

diabetesDiabetes

managementsystemSistema de gestión

var03hspxlosVariable 03 HSP X LOS

comorb_diabetesComorbilidad: Diabetes

comorb_hipertensionComorbilidad: Hipertensión

comorb_renalComorbilidad: Renal

comorb_cardiacaComorbilidad: Cardíaca

comorb_pulmonarComorbilidad: Pulmonar

mortalidad_hospitalaria🎯 Variable Objetivo: Mortalidad hospitalaria

ℹ️

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

📊

Variables categóricas: 13

gender_x (3 categorías)
age_x (77 códigos de edad)
ethnicity (7 categorías)
apacheadmissiondx (100+ códigos)
hospitaladmitsource (14 categorías)
hospitaldischargelocation (9 categorías)
unittype (8 categorías)
unitadmitsource (14 categorías)
unitstaytype (4 categorías)
unitdischargelocation (16 categorías)
unitdischargestatus (3 categorías)
admitdiagnosis (200+ códigos)
categoria_diagnostico (6 categorías)

🎯

Variables binarias: 30

3 variables SAPS3
5 variables de administración
10 variables de comorbilidades
5 variables de ventilación
1 variable objetivo: mortalidad_hospitalaria

📈

Variables numéricas: 22

Demográficas: wardid, admissionheight, admissionweight
Tiempos: hospitaladmitoffset, hospitaldischargeoffset, unitdischargeoffset
Puntajes: apachescore, GCS (verbal, motor, eyes, day1*)
Laboratorio: creatinine

⚠️

Recomendaciones:

Conjunto de datos eICU con alta dimensionalidad
Las variables apacheadmissiondx y admitdiagnosis tienen muchos códigos únicos
Considerar agrupar diagnósticos por categorías (categoria_diagnostico)
La variable age_x contiene la edad exacta en años (0-76)
Verificar consistencia entre unitdischargestatus y mortalidad_hospitalaria
Las variables de tiempo (offset) están en minutos desde el ingreso

🔬 Metodología de Generación (Reproducibilidad Científica)

📐 Método Principal

SMOTE RSB* Adaptado

Versión: 2.0

DOI: 10.1007/s42979-026-04896-8

📏 Reglas de restricción

unitdischargestatus == 2 → mortalidad_hospitalaria = 1
hospitaldischargelocation == 0 → mortalidad_hospitalaria = 1
mortalidad_hospitalaria == 0 → hospitaldischargelocation ≠ 0
unitstaytype == 1 → unitvisitnumber > 1
readmit == 1 → unitstaytype = 1
apacheadmissiondx == 53 (Cesárea) → gender = 1 (Femenino)
apacheadmissiondx == 217 (TURP) → gender = 2 (Masculino)
apacheadmissiondx == 53 (Cesárea) → age < 40
apacheadmissiondx == 166 (Cirugía Obesidad) → admissionweight > 90
apacheadmissiondx == 33 (CABG) → hospitaladmitsource = 8 (Quirófano)
apacheadmissiondx == 87 (Enfisema) → comorb_pulmonar = 1
verbal == 5 → eyes > 1
motor == 6 → verbal > 1
eyes == 1 → verbal < 5
motor == 1 → ventday1 = 1
motor == 1 → apachescore > 10
diabetes == 1 → comorb_diabetes = 1
cirrhosis == 1 → hepaticfailure = 1
aids == 1 → immunosuppression = 1
leukemia == 1 → immunosuppression = 1
lymphoma == 1 → immunosuppression = 1
metastaticcancer == 1 → immunosuppression = 1
oobventday1 == 1 → ventday1 = 1
thrombolytics == 1 → apachescore > 10
categoria_diagnostico == 0 (Sepsis) → apachescore > 0
apacheadmissiondx == 135 (Fallo Hepático) → hepaticfailure = 1
creatinine > 4 → comorb_renal = 1
apacheadmissiondx == 191 (Fallo Renal) → creatinine > 1.2
ventday1 == 1 → verbal < 5
apachescore < 5 → unitdischargestatus = 0 (Sobrevive UCI)
apacheadmissiondx == 112 (Diálisis) → creatinine > 0.5
apacheadmissiondx == 9 (Anafilaxis) → apachescore > 0
age == 75 (Edad > 89) → apachescore ≥ 5

⚙️ Hiperparámetros SMOTE RSB* Adaptado

Valor escala	0.03
Probabilidad Base	0.1

🔄 Hiperparámetros CTGAN

epochs	500
batch_size	50
generator_lr	0.0002
discriminator_lr	0.0002
pac	10
generator_dim	(256, 256)
discriminator_dim	(256, 256)
embedding_dim	128
l2scale	1e-05

📊 Hiperparámetros TVAE

epochs	500
batch_size	50
embedding_dim	128
compress_dims	(128, 128)
decompress_dims	(128, 128)
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	1100	1.000	0.973	0.975	3.660	0.146	0.370	0.051	0.953	94.355	0	1100	0.545
Smote	1	1100	1.000	0.984	0.985	3.889	0.220	0.293	0.061	0.954	89.165	0.054	600	0.561
Borderline SMOTE	1	1100	1.000	0.990	0.990	4.489	0.224	0.272	0.063	0.951	100.320	0.054	600	0.470
ADASYN	1.015	1108	1.000	0.984	0.985	3.885	0.216	0.266	0.058	0.956	112.479	0.054	600	0.558
SMOTE RSB* Adaptado	1	1100	1.000	0.995	0.995	6.109	0.205	0.338	0.052	0.958	109.542	0.060	600	0.551
*SMOTE RSB Adaptado + Reglas**	1	1100	1.000	1.000	1.000	6.936	0.203	0.347	0.052	0.959	142.943	0.060	600	0.568	🏆
OOF PSO para Balanceo	3.254	719	1.000	1.000	1.000	6.861	0.136	0.304	0.072	0.729	129.671	0.076	600	0.502
OOF PSO para Balanceo + Reglas	1.883	839	1.000	1.000	1.000	4.000	0.227	0.154	0.130	0.683	96.790	0.138	485	0.494

⭐ Mejor seleccionado: SMOTE RSB* Adaptado + Reglas del Dominio (TabDSFidelity: 6.936, AUC: 1.000, F1: 1.000, MIA: 0.568). 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	Ataque MIA	Mejor
SMOTE RSB* + Ruido Gaussiano	1.027	9995	1.000	0.995	0.995	9.839	0.276	0.274	0.087	0.947	202.167	0.696	0.529
SMOTE RSB* + Ruido Gaussiano + Reglas	1.394	9995	1.000	0.995	0.995	9.838	0.276	0.274	0.099	0.945	615.096	0.696	0.508
CTGAN	1.509	10000	0.848	0.785	0.725	3.547	0.283	0.144	0.130	0.922	1674.680	0.158	0.506
CTGAN + Reglas del Dominio	2.337	10000	0.997	0.774	0.710	4.766	0.283	0.144	0.146	0.921	2057.510	0.163	0.523
TVAE	1.123	10000	0.999	0.985	0.985	8.912	0.332	0.233	0.159	0.940	479.039	0.107	0.508
TVAE + Reglas del Dominio	1.297	10000	0.999	0.990	0.990	8.990	0.332	0.233	0.158	0.940	802.684	0.108	0.482
OOF PSO para Aumento	1	10000	0.790	0.885	0.870	2.107	0.452	0.143	0.690	0.647	223.717	0.305	0.531
OOF PSO para Aumento + Reglas	1.085	10000	0.984	0.919	0.905	4.523	0.452	0.143	0.749	0.661	586.429	0.322	0.550
SMOTE RSB* Refinado	1.000	9998	1.000	0.990	0.990	9.810	0.280	0.285	0.088	0.945	183.988	0.683	0.505
*SMOTE RSB Refinado + Reglas**	1.404	9998	1.000	1.000	1.000	9.969	0.280	0.285	0.100	0.944	554.230	0.684	0.498	🏆

⭐ Mejor seleccionado: SMOTE RSB* Refinado + Reglas del Dominio (TabDSFidelity: 9.969, AUC: 1.000, F1: 1.000, MIA: 0.498). 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	1.025	11095	1.000	0.995	0.995	9.096	0.267	0.277	0.082	0.947	420.293	0.696	0	0.523
SMOTE RSB* + Ruido Gaussiano + Reglas	1.348	11095	1.000	1.000	1.000	9.890	0.267	0.277	0.092	0.946	813.121	0.696	0	0.522
CTGAN	1.447	11100	0.992	0.975	0.975	3.124	0.267	0.171	0.076	0.928	1879.250	0.145	120	0.496
CTGAN + Reglas del Dominio	2.129	11100	1.000	0.990	0.990	7.552	0.267	0.171	0.090	0.928	2248.710	0.149	120	0.486
TVAE	1.110	11100	1.000	0.995	0.995	8.463	0.311	0.240	0.109	0.948	649.599	0.102	120	0.513
TVAE + Reglas del Dominio	1.264	11100	1.000	1.000	1.000	9.261	0.311	0.240	0.111	0.947	983.006	0.103	120	0.510
OOF PSO para Aumento	1	11100	1.000	0.990	0.990	4.340	0.414	0.143	0.516	0.668	415.126	0.278	120	0.523
OOF PSO para Aumento + Reglas	1.076	11100	1.000	1.000	1.000	6.046	0.414	0.143	0.560	0.681	779.166	0.294	120	0.519
SMOTE RSB* Refinado	1.000	11098	0.999	0.984	0.985	7.351	0.271	0.287	0.083	0.946	378.072	0.683	0	0.552
*SMOTE RSB Refinado + Reglas**	1.357	11098	1.000	1.000	1.000	9.934	0.271	0.287	0.093	0.945	746.863	0.683	0	0.521	🏆

⭐ Mejor seleccionado: SMOTE RSB* Refinado + Reglas del Dominio (TabDSFidelity: 9.934, AUC: 1.000, F1: 1.000, MIA: 0.521). Nota: Ratio <= 1.5 = Conjunto Balanceado.

📈 Diagrama del Proceso de Generación

Conjunto Original
CD_12

↓

Balanceo
(8 métodos)

↓ Selección por TabDSFidelity

⭐ Mejor Balanceado
SMOTE RSB* Adaptado + Reglas del Dominio

↓

Generación Sintética
(10 métodos)

↓ Evaluación TabDSFidelity

⭐ Mejor Sintético
SMOTE RSB* Refinado + 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)

📥 Descargar conjuntos y código Python

📦 Descargar completo (ZIP)

Formatos incluidos: CSV.

📚 Cómo citar este conjunto

Díaz Bastida, M., Pérez Vázquez, R. A., & Bello Pérez, R. (2026). High-Fidelity Synthetic Dataset for Multicentric Mortality Prediction (Version 1). figshare. https://doi.org/10.6084/m9.figshare.32931113.v1