CD_13 Original + Derivados

CD_13: Diabetes 130-US Hospitals: Predicción de Readmisión

Dataset de 130 hospitales (1999-2008) para clasificación de readmisiones tempranas. Integra variables demográficas, utilización de recursos, clínicas y farmacológicas.

📈 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	0.88	1.00	0.94	51
Clase 1	0.00	0.00	0.00	7
Accuracy	0.88
Macro Avg	0.44	0.50	0.47	58
Weighted Avg	0.77	0.88	0.82	58

AUC-ROC: 0.42

F1-Score (weighted): 0.82

Accuracy: 0.88

➡️ Mejora

⬆ +0.13 AUC ⬆ +0.02 F1 ⬇ -0.02 Acc

🏆 MEJOR RENDIMIENTO

🔮 Conjunto Sintético

Clase	Precisión	Recall	F1-Score	Soporte
Clase 0	0.89	0.96	0.92	51
Clase 1	0.33 ⬆ +0.33	0.14 ⬆ +0.14	0.20 ⬆ +0.20	7
Accuracy	0.86 ⬇ -0.02
Macro Avg	0.61 ⬆ +0.17	0.55 ⬆ +0.05	0.56 ⬆ +0.09	58
Weighted Avg	0.82 ⬆ +0.05	0.86 ⬇ -0.02	0.84 ⬆ +0.02	58

AUC-ROC: 0.56 ⬆ +0.13

F1-Score (weighted): 0.84 ⬆ +0.02

Accuracy: 0.86 ⬇ -0.02

📊 Resumen de Mejoras en Clase Minoritaria (Clase 1)

🎯

Precisión

Original: 0.00

Sintético: 0.33

⬆ +0.33

📈

Recall

Original: 0.00

Sintético: 0.14

⬆ +0.14

⚖️

F1-Score

Original: 0.00

Sintético: 0.20

⬆ +0.20

📚 Fuente Original del Conjunto

Diabetes 130-US Hospitals for Years 1999-2008

v1.0

Strack, B., DeShazo, J., Gennings, C., Olmo, J., Ventura, S., Cios, K., & Clore, J.

Publicado: 2 de mayo de 2014

Repositorio: UCI Machine Learning Repository

DOI: 10.1155/2014/781670

URL: UCI ML Repository

Licencia: Uso académico y de investigación

Instancias: 101,766

Características: 47

📄 Resumen (Abstract)

El conjunto de datos representa diez años (1999-2008) de atención clínica en 130 hospitales de EE.UU. y redes integradas de prestación de servicios. Cada fila corresponde a registros hospitalarios de pacientes diagnosticados con diabetes, que fueron sometidos a pruebas de laboratorio, recibieron medicamentos y tuvieron una estancia de hasta 14 días. El objetivo es determinar el reingreso temprano del paciente dentro de los 30 días posteriores al alta. El problema es importante porque, a pesar de la evidencia de alta calidad que muestra mejores resultados clínicos para pacientes diabéticos que reciben diversas intervenciones preventivas y terapéuticas, muchos pacientes no las reciben. Esto puede atribuirse en parte al manejo arbitrario de la diabetes en entornos hospitalarios, que no logran atender el control glucémico. La falta de una atención adecuada a la diabetes no solo aumenta los costos de gestión para los hospitales (ya que los pacientes son readmitidos), sino que también impacta la morbilidad y mortalidad de los pacientes, quienes pueden enfrentar complicaciones asociadas a la diabetes.

🔬 Métodos

La información fue extraída de la base de datos de encuentros hospitalarios que cumplieron con los siguientes criterios: (1) encuentro hospitalario (admisión hospitalaria); (2) encuentro diabético, es decir, durante el cual se ingresó cualquier tipo de diabetes como diagnóstico en el sistema; (3) estancia de al menos 1 día y como máximo 14 días; (4) pruebas de laboratorio realizadas durante el encuentro; (5) medicamentos administrados durante el encuentro. El conjunto de datos contiene atributos como número de paciente, raza, género, edad, tipo de admisión, tiempo en el hospital, especialidad médica del médico que admite, número de pruebas de laboratorio realizadas, resultado de la prueba HbA1c, diagnóstico, número de medicamentos, medicamentos para la diabetes, número de visitas ambulatorias, hospitalarias y de emergencia en el año anterior a la hospitalización, entre otros. El objetivo es predecir el reingreso hospitalario temprano (dentro de 30 días del alta).

📊 Descripción de Datos

El dataset contiene 101,766 instancias con 47 características de tipo categórico y entero. Incluye variables demográficas (raza, género, edad, peso), administrativas (tipo de admisión, fuente de admisión, destino al alta, especialidad médica), clínicas (tiempo en hospital, número de procedimientos, pruebas de laboratorio, diagnósticos ICD-9, medicamentos) y de historial del paciente (visitas ambulatorias, de emergencia y hospitalarias en el año previo). La variable objetivo es readmitted, que indica si el paciente fue readmitido en menos de 30 días, más de 30 días o no fue readmitido. El conjunto incluye valores faltantes en variables como raza, peso, código de pagador, especialidad médica y diagnósticos. Se recomienda utilizar una partición estándar de entrenamiento-prueba o una división triple (entrenamiento-validación-prueba) para la selección de modelos.

⚖️ Ética y Privacidad

El dataset contiene información demográfica de los pacientes que podría considerarse sensible (edad, género, raza). Los datos han sido desidentificados mediante el reemplazo de identificadores personales por números de paciente anonimizados (patient_nbr) para proteger la privacidad. Restricción de confidencialidad: En cumplimiento de los protocolos de privacidad, el uso de los datos está restringido a fines académicos y de investigación. La publicación de resultados debe limitarse a métricas de evaluación, resultados agregados y metodología del modelo, sin divulgación de información que permita la reidentificación de pacientes.

📈 Tareas y Aplicaciones

El conjunto de datos está diseñado para tareas de clasificación y agrupamiento (clustering). La principal tarea es la predicción del reingreso hospitalario temprano, lo que permite identificar pacientes con alto riesgo de reingreso y mejorar la planificación del alta. También puede utilizarse para analizar factores asociados al control glucémico, efectividad de medicamentos y patrones de atención hospitalaria en pacientes diabéticos.

📋 Notas de Uso

No se recomiendan divisiones específicas de los datos. Se puede utilizar la división estándar de entrenamiento-prueba o una división triple (entrenamiento-validación-prueba) al realizar selección de modelos. Se debe tener en cuenta que el conjunto contiene valores faltantes que requieren manejo adecuado (imputación o eliminación).

📖 Cómo citar la fuente original

Strack, B., DeShazo, J. P., Gennings, C., Olmo, J. L., Ventura, S., Cios, K. J., & Clore, J. N. (2014). Impact of HbA1c Measurement on Hospital Readmission Rates: Analysis of 70,000 Clinical Database Patient Records. BioMed Research International, vol. 2014, Article ID 781670, 11 pages. https://doi.org/10.1155/2014/781670

📚 Referencias Adicionales

Strack, B., DeShazo, J. P., Gennings, C., Olmo, J. L., Ventura, S., Cios, K. J., & Clore, J. N. (2014). Impact of HbA1c Measurement on Hospital Readmission Rates: Analysis of 70,000 Clinical Database Patient Records. BioMed Research International, vol. 2014. https://doi.org/10.1155/2014/781670
UCI Machine Learning Repository - Diabetes 130-US Hospitals for Years 1999-2008. https://archive.ics.uci.edu/ml/datasets/Diabetes+130-US+Hospitals+for+Years+1999-2008

🔄 Transformaciones Aplicadas

Modificaciones realizadas al conjunto original (Diabetes 130-US Hospitals)

Limpieza de datos:
- Eliminación de columnas no predictivas: encounter_id, patient_nbr (identificadores), weight (>90% nulos), payer_code (información administrativa), y medical_specialty (>40% nulos).
- Eliminación de filas con valores faltantes (limpieza estricta para validación reproducible).
- Conversión de valores '?' (no disponibles en el dataset original) a NaN durante la carga.
Transformación de la variable objetivo: Conversión de la variable multiclase readmitted (3 clases: <30, >30, No) a clasificación binaria:
- Clase 1 (Positiva): Readmisión temprana (< 30 días) — objetivo clínico principal.
- Clase 0 (Negativa): No readmisión o readmisión tardía (> 30 días).
- Generación de leyenda específica para el target: TARGET_readmitted en diabetes_legend.json.
Codificación numérica de variables categóricas: Transformación de todas las variables de tipo object a valores enteros mediante Label Encoding, incluyendo:
- Variables demográficas: race, gender, age (rangos etarios codificados).
- Variables clínicas: max_glu_serum, A1Cresult, diag_1, diag_2, diag_3 (diagnósticos CIE-9).
- Variables de medicación (23 fármacos para diabetes): metformin, insulin, glipizide, glyburide, entre otros (con valores: Up, Down, Steady, No).
- Variables de gestión clínica: change (cambio en medicación), diabetesMed (prescripción de medicación).
Generación de leyenda completa: Creación del archivo diabetes_legend.json que contiene el mapeo de todas las variables categóricas codificadas, permitiendo la interpretación inversa (número → categoría original) para:
- 22+ variables categóricas con sus respectivos valores originales.
- Rangos etarios [10-20), [20-30), ..., [80-90).
- Categorías de medicación (Up, Down, Steady, No).
- Códigos CIE-9 de diagnósticos primarios y secundarios.
Optimización y formato de salida:
- Dataset totalmente numérico (enteros) listo para algoritmos de aprendizaje automático.
- Preservación de la estructura original con 47 variables transformadas.
- Guardado en formato CSV con separador punto y coma (;) para compatibilidad internacional.

📊 Resultado: Dataset procesado de 101,766 registros (limpieza estricta) con 46 variables predictoras codificadas y 1 variable objetivo binaria. Desbalance de clases significativo (~11% clase positiva) — escenario ideal para validación de técnicas de generación de datos sintéticos y evaluación mediante TabDSFidelity.

🎯 Variable objetivo: readmitted (1 = readmisión <30 días, 0 = No readmisión o >30 días).

📋 Diccionario de Datos Detallado

Variable	Descripción Clínica	Tipo	Rango / Categorías	Unidad	¿Objetivo?
`race`	Raza/etnia del paciente	Categórico	0-4 (ver leyenda)	N/A	No
`gender`	Género del paciente	Categórico	0: Female, 1: Male	N/A	No
`age`	Edad del paciente en rangos decenales	Categórico	0: [10-20), 1: [20-30), ... 7: [80-90)	años	No
`admission_type_id`	Tipo de admisión hospitalaria	Categórico	1: Emergency, 2: Urgent, 3: Elective, 6: Observation	N/A	No
`discharge_disposition_id`	Disposición al alta hospitalaria	Categórico	1-7 (ver leyenda)	N/A	No
`admission_source_id`	Origen de la admisión hospitalaria	Categórico	1: Physician referral, 2: Emergency, 7: Transfer	N/A	No
`diag_1`	Diagnóstico primario (código ICD-9)	Categórico	Múltiples códigos ICD-9	N/A	No
`diag_2`	Diagnóstico secundario (código ICD-9)	Categórico	Múltiples códigos ICD-9	N/A	No
`diag_3`	Diagnóstico terciario (código ICD-9)	Categórico	Múltiples códigos ICD-9	N/A	No
`max_glu_serum`	Máxima glucosa sérica registrada	Categórico	0: >200, 1: >300, 2: Norm	mg/dL	No
`A1Cresult`	Resultado de hemoglobina glicosilada (HbA1c)	Categórico	0: >7%, 1: >8%, 2: Norm	%	No
`metformin`	Uso de metformina	Categórico	0: Down, 1: No, 2: Steady, 3: Up	N/A	No
`repaglinide`	Uso de repaglinida	Categórico	0: No, 1: Steady, 2: Up	N/A	No
`glimepiride`	Uso de glimepirida	Categórico	0: No, 1: Steady, 2: Up	N/A	No
`glipizide`	Uso de glipizida	Categórico	0: Down, 1: No, 2: Steady, 3: Up	N/A	No
`pioglitazone`	Uso de pioglitazona	Categórico	0: Down, 1: No, 2: Steady	N/A	No
`rosiglitazone`	Uso de rosiglitazona	Categórico	0: No, 1: Steady, 2: Up	N/A	No
`acarbose`	Uso de acarbosa	Categórico	0: No, 1: Steady, 2: Up	N/A	No
`insulin`	Uso de insulina	Categórico	0: Down, 1: No, 2: Steady, 3: Up	N/A	No
`glyburide-metformin`	Uso de combinación gliburida-metformina	Categórico	0: No, 1: Steady	N/A	No
`change`	Cambio en medicación antidiabética	Categórico	0: Ch (Cambio), 1: No (Sin cambio)	N/A	No
`diabetesMed`	Uso de medicación antidiabética	Categórico	0: No, 1: Yes	N/A	No
`time_in_hospital`	Días de estancia hospitalaria	Numérico	1 - 14	días	No
`num_lab_procedures`	Número de procedimientos de laboratorio realizados	Numérico	36 - 105	procedimientos	No
`num_procedures`	Número de procedimientos quirúrgicos	Numérico	0 - 6	procedimientos	No
`num_medications`	Número de medicamentos administrados	Numérico	1 - 34	medicamentos	No
`number_outpatient`	Número de visitas ambulatorias previas	Numérico	0 - 3	visitas	No
`number_emergency`	Número de visitas a emergencias previas	Numérico	0 - 9	visitas	No
`number_inpatient`	Número de ingresos hospitalarios previos	Numérico	0 - 7	ingresos	No
`number_diagnoses`	Número total de diagnósticos	Numérico	3 - 9	diagnósticos	No
`nateglinide`	Uso de nateglinida	Binario	0: No, 1: Sí	N/A	No
`chlorpropamide`	Uso de clorpropamida	Binario	0: No, 1: Sí	N/A	No
`glyburide`	Uso de gliburida	Binario	0: No, 1: Sí	N/A	No
`glipizide-metformin`	Uso de combinación glipizida-metformina	Binario	0: No, 1: Sí	N/A	No
`glimepiride-pioglitazone`	Uso de combinación glimepirida-pioglitazona	Binario	0: No, 1: Sí	N/A	No
`metformin-rosiglitazone`	Uso de combinación metformina-rosiglitazona	Binario	0: No, 1: Sí	N/A	No
`metformin-pioglitazone`	Uso de combinación metformina-pioglitazona	Binario	0: No, 1: Sí	N/A	No
`acetohexamide`	Uso de acetohexamida (no presente en dataset)	Binario	0: No (constante)	N/A	No
`tolbutamide`	Uso de tolbutamida (no presente en dataset)	Binario	0: No (constante)	N/A	No
`miglitol`	Uso de miglitol (no presente en dataset)	Binario	0: No (constante)	N/A	No
`troglitazone`	Uso de troglitazona (no presente en dataset)	Binario	0: No (constante)	N/A	No
`tolazamide`	Uso de tolazamida (no presente en dataset)	Binario	0: No (constante)	N/A	No
`examide`	Uso de examide (no presente en dataset)	Binario	0: No (constante)	N/A	No
`citoglipton`	Uso de citoglipton (no presente en dataset)	Binario	0: No (constante)	N/A	No
`readmitted`	Readmisión hospitalaria temprana (<30 días)	Binario	0: >30 o No, 1: <30 días	N/A	Sí

41 Variables totales

15 Numéricas

15 Categóricas

11 Binarias

Objetivo: Readmisión temprana (readmitted)

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 de readmisión hospitalaria en pacientes con diabetes. Comprender estas codificaciones es fundamental para la correcta interpretación de los resultados clínicos.

race Categórica

Código	Significado
0	African American (Afroamericana)
1	Asian (Asiática)
2	Caucasian (Caucásica/Blanca)
3	Hispanic (Hispana/Latina)
4	Other (Otra)

gender Categórica

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

age Categórica

Código	Significado
0	[10-20) años
1	[20-30) años
2	[30-40) años
3	[40-50) años
4	[50-60) años
5	[60-70) años
6	[70-80) años
7	[80-90) años

admission_type_id Categórica

Código	Significado
1	Emergency (Emergencia)
2	Urgent (Urgente)
3	Elective (Programada)
6	Observation (Observación)

discharge_disposition_id Categórica

Código	Significado
1	Discharged to home (Alta a casa)
2	Discharged to another facility (Alta a otro centro)
3	Discharged to skilled nursing facility (Alta a centro de enfermería especializada)
5	Discharged to hospice (Alta a cuidados paliativos)
6	Died (Fallecido)
7	Discharged to home with home health services (Alta a casa con servicios de salud a domicilio)

admission_source_id Categórica

Código	Significado
1	Physician referral (Referencia de médico)
2	Emergency Department (Emergencias)
7	Transfer from other hospital (Transferido de otro hospital)

⚠️

Nota: Los códigos 3, 4, 5, 6 no están presentes en este conjunto de datos.

diag_1 Categórica

Códigos de diagnóstico primario (ICD-9)

38Septicemia

79Fractura de hueso

8Desconocido

53Apendicectomía

112Infección por Candida

162Neoplasia maligna de bronquios/pulmón

188Neoplasia maligna de vejiga

250Diabetes mellitus

250.02Diabetes mellitus tipo 2, no controlada

250.1Diabetes con cetoacidosis

250.6Diabetes con otras manifestaciones

250.7Diabetes con complicaciones no especificadas

250.8Diabetes con otras complicaciones especificadas

253Trastornos de la glándula pituitaria

276Trastornos del metabolismo de fluidos/electrolitos

280Anemia por deficiencia de hierro

295Esquizofrenia

296Trastorno bipolar/Depresión

298Psicosis no especificada

332Enfermedad de Parkinson

340Esclerosis múltiple

376Trastornos de la órbita

401Hipertensión esencial

402Hipertensión con enfermedad cardíaca

403Hipertensión con enfermedad renal

410Infarto agudo de miocardio

411Otras enfermedades cardíacas isquémicas

414Enfermedad cardíaca isquémica crónica

415Embolia pulmonar

427Arritmias cardíacas

428Insuficiencia cardíaca

433Estenosis de arterias precerebrales

434Trombosis de arterias cerebrales

435Isquemia cerebral transitoria

436ACV agudo

437Enfermedad cerebrovascular

443Enfermedad vascular periférica

444Trombosis arterial

451Tromboflebitis

453Trombosis venosa profunda

458Hipotensión

486Neumonía

491Bronquitis crónica

493Asma

507Neumonía por aspiración

515Fibrosis pulmonar

518Insuficiencia respiratoria

531Úlcera gástrica

535Gastritis/duodenitis

537Trastornos gástricos

558Gastroenteritis

560Obstrucción intestinal

562Diverticulitis

564Estreñimiento

569Trastornos intestinales

571Enfermedad hepática crónica

574Colelitiasis

577Pancreatitis

578Hemorragia GI

584Insuficiencia renal aguda

590Infección renal

596Trastornos de la vejiga

599Infección del tracto urinario

681Celulitis de extremidad

682Absceso/celulitis

707Úlcera crónica de piel

714Artritis reumatoide

715Osteoartritis

722Trastorno de disco intervertebral

730Osteomielitis

733Osteoporosis

780Síntomas generales

784Síntomas de cabeza/cuello

785Síntomas cardiovasculares

786Síntomas respiratorios

807Fractura de costilla

820Fractura de cadera

965Envenenamiento por analgésicos

969Envenenamiento por psicotrópicos

996Complicación de dispositivo médico

V57Rehabilitación

V58Atención post-quirúrgica

⚠️

Nota: Códigos ICD-9-CM. Se muestran los más representativos.

diag_2 Categórica

Códigos de diagnóstico secundario (ICD-9)

8Desconocido

38Septicemia

41Infección bacteriana

162Neoplasia pulmonar

174Neoplasia de mama

197Metástasis secundaria

211Pólipos benignos

218Mioma uterino

244Hipotiroidismo adquirido

250Diabetes mellitus

272Trastorno del metabolismo lipídico

276Trastorno electrolítico

278Obesidad

280Anemia ferropénica

285Anemia

295Esquizofrenia

300Trastorno de ansiedad

305Abuso de sustancias

327Trastorno del sueño

331Enfermedad de Alzheimer

337Trastorno autonómico

357Neuropatía

382Otitis media

386Vértigo

401Hipertensión esencial

410Infarto agudo de miocardio

413Angina

414Enfermedad coronaria

415Embolia pulmonar

424Enfermedad valvular

425Miocardiopatía

427Arritmia

428Insuficiencia cardíaca

433Estenosis carotídea

435AIT

441Aneurisma aórtico

443Enfermedad vascular periférica

455Hemorroides

466Bronquitis aguda

473Sinusitis crónica

482Neumonía bacteriana

486Neumonía

491Bronquitis crónica

493Asma

496EPOC

511Derrame pleural

530ERGE

535Gastritis

571Enfermedad hepática

577Pancreatitis

584Insuficiencia renal aguda

585Enfermedad renal crónica

599ITU

682Celulitis

707Úlcera de piel

724Dolor lumbar

780Síntomas generales

785Síntomas cardiovasculares

786Síntomas respiratorios

787Síntomas GI

789Dolor abdominal

790Hallazgos de laboratorio

799Causa desconocida

995Reacción adversa

V58Atención post-quirúrgica

diag_3 Categórica

Códigos de diagnóstico terciario (ICD-9)

5Infección por HIV

41Infección bacteriana

198Metástasis secundaria

208Leucemia

211Pólipos benignos

216Neoplasia benigna de piel

238Neoplasia incierta

250Diabetes mellitus

272Dislipidemia

275Trastorno mineral

276Trastorno electrolítico

278Obesidad

280Anemia ferropénica

285Anemia

287Trastorno plaquetario

288Trastorno de glóbulos blancos

293Delirio

295Esquizofrenia

296Trastorno bipolar

300Trastorno de ansiedad

303Alcoholismo

327Trastorno del sueño

332Parkinson

345Epilepsia

357Neuropatía

381Otitis media

401Hipertensión

413Angina

414Enfermedad coronaria

416Hipertensión pulmonar

424Enfermedad valvular

425Miocardiopatía

426Trastorno de conducción

427Arritmia

428Insuficiencia cardíaca

433Estenosis carotídea

435AIT

443Enfermedad vascular periférica

453TVP

458Hipotensión

466Bronquitis aguda

486Neumonía

493Asma

496EPOC

511Derrame pleural

518Insuficiencia respiratoria

530ERGE

535Gastritis

564Estreñimiento

571Enfermedad hepática

572Complicación hepática

574Colelitiasis

575Colecistitis

581Síndrome nefrótico

583Nefritis

584Insuficiencia renal aguda

585ERC

592Cálculo renal

593Trastorno renal

599ITU

625Dolor pélvico

681Celulitis de extremidad

682Celulitis

707Úlcera de piel

724Dolor lumbar

733Osteoporosis

737Deformidad de columna

780Síntomas generales

783Síntomas de nutrición

785Síntomas cardiovasculares

786Síntomas respiratorios

790Hallazgos de laboratorio

794Hallazgos de estudios

799Causa desconocida

826Fractura de dedo

891Herida abierta

920Contusión

945Quemadura

962Envenenamiento

995Reacción adversa

E849Lugar de accidente

E880Caída

E885Caída en escalera

E932Efecto adverso de medicamento

E950Suicidio/intento

V12Historia personal de enfermedad

V58Atención post-quirúrgica

max_glu_serum Categórica

Código	Significado
0	>200 mg/dL (Glucosa alta >200)
1	>300 mg/dL (Glucosa muy alta >300)
2	Norm (Normal)

A1Cresult Categórica

Código	Significado
0	>7% (HbA1c elevada >7)
1	>8% (HbA1c muy elevada >8)
2	Norm (Normal)

metformin Categórica

Código	Significado
0	Down (Dosis disminuida)
1	No (No recibe)
2	Steady (Dosis estable)
3	Up (Dosis aumentada)

repaglinide Categórica

Código	Significado
0	No (No recibe)
1	Steady (Dosis estable)
2	Up (Dosis aumentada)

nateglinide Categórica

Código	Significado
0	No (No recibe)
1	Steady (Dosis estable)

glimepiride Categórica

Código	Significado
0	No (No recibe)
1	Steady (Dosis estable)
2	Up (Dosis aumentada)

glipizide Categórica

Código	Significado
0	Down (Dosis disminuida)
1	No (No recibe)
2	Steady (Dosis estable)
3	Up (Dosis aumentada)

glyburide Categórica

Código	Significado
0	No (No recibe)
1	Steady (Dosis estable)
2	Up (Dosis aumentada)

pioglitazone Categórica

Código	Significado
0	Down (Dosis disminuida)
1	No (No recibe)
2	Steady (Dosis estable)

rosiglitazone Categórica

Código	Significado
0	No (No recibe)
1	Steady (Dosis estable)
2	Up (Dosis aumentada)

acarbose Categórica

Código	Significado
0	No (No recibe)
1	Steady (Dosis estable)
2	Up (Dosis aumentada)

insulin Categórica

Código	Significado
0	Down (Dosis disminuida)
1	No (No recibe)
2	Steady (Dosis estable)
3	Up (Dosis aumentada)

glyburide-metformin Categórica

Código	Significado
0	No (No recibe)
1	Steady (Dosis estable)

change Categórica

Código	Significado
0	Ch (Cambio en medicación antidiabética)
1	No (Sin cambio en medicación antidiabética)

diabetesMed Categórica

Código	Significado
0	No (No recibe medicación para diabetes)
1	Yes (Sí recibe medicación para diabetes)

Variables Binarias Binario

Formato común: 0 = No, 1 = Sí

chlorpropamideClorpropamida (antidiabético oral)

glipizide-metforminGlipizida-Metformina (combinación)

glimepiride-pioglitazoneGlimepirida-Pioglitazona (combinación)

metformin-rosiglitazoneMetformina-Rosiglitazona (combinación)

metformin-pioglitazoneMetformina-Pioglitazona (combinación)

acetohexamideAcetohexamida (no presente)

tolbutamideTolbutamida (no presente)

miglitolMiglitol (no presente)

troglitazoneTroglitazona (no presente)

tolazamideTolazamida (no presente)

examideExamide (no presente)

citogliptonCitoglipton (no presente)

readmitted🎯 Variable Objetivo: Readmisión temprana (<30 días)

ℹ️

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

📊

Variables categóricas: 15

race (5 categorías)
gender (2 categorías)
age (8 rangos de edad)
admission_type_id (4 categorías)
discharge_disposition_id (6 categorías)
admission_source_id (3 categorías)
diag_1, diag_2, diag_3 (códigos ICD-9)
max_glu_serum (3 niveles de glucosa)
A1Cresult (3 niveles de HbA1c)
Medicamentos: metformin, repaglinide, glimepiride, glipizide, glyburide, pioglitazone, rosiglitazone, acarbose, insulin
change (cambio en medicación)
diabetesMed (medicación antidiabética)

🎯

Variables binarias: 11

7 medicamentos antidiabéticos
4 combinaciones de medicamentos
1 variable objetivo: readmitted (<30 días)

📈

Variables numéricas: 15

time_in_hospital (1-14 días)
num_lab_procedures (36-105)
num_procedures (0-6)
num_medications (1-34)
Número de visitas: outpatient, emergency, inpatient
number_diagnoses (3-9)
Medicamentos con codificación 0-3

⚠️

Recomendaciones:

Dataset de readmisión en diabetes - UCI
La variable objetivo readmitted está binarizada como: 1 = readmisión <30 días, 0 = no readmisión temprana
Los medicamentos con solo código 0 tienen valor constante y pueden ser eliminados
Los códigos de diagnóstico ICD-9 deben agruparse para reducir dimensionalidad
Verificar variables con datos ausentes (especialmente en glucemia y HbA1c)
La variable change indica si hubo cambio en la medicación antidiabética durante la hospitalización

🔬 Metodología de Generación (Reproducibilidad Científica)

📐 Método Principal

SMOTE RSB* Refinado

Versión: 2.1.0

DOI: 10.xxxx/zenodo.xxxxxxx

Código fuente: https://github.com/tu-usuario/dataset-sintetico-uci

📏 Reglas de restricción

discharge_disposition_id ∈ {11, 19, 20, 21} → readmitted = 0
discharge_disposition_id ∈ {13, 14} → readmitted = 0
admission_source_id ∈ {11, 12, 13, 14, 23, 24} → admission_type_id = 4 (Newborn)
admission_type_id == 4 → age = 5 (Rango [0-10))
admission_type_id == 7 → admission_source_id = 7
admission_source_id == 7 → admission_type_id ≠ 3 (Electivo)
insulin > 1 (Up/Down/Steady) → num_lab_procedures ≥ 1
num_medications == 0 → diabetesMed = 0
diabetesMed == 0 → insulin = 0
diabetesMed == 0 → metformin = 0
diabetesMed == 1 → (insulin = 1) OR (metformin = 1) OR (glipizide = 1) OR (glyburide = 1) OR (pioglitazone = 1) OR (rosiglitazone = 1) OR (glimepiride = 1) OR (repaglinide = 1)
glyburide-metformin y metformin son mutuamente excluyentes
glyburide-metformin y glyburide son mutuamente excluyentes
glipizide-metformin y glipizide son mutuamente excluyentes
glipizide-metformin y metformin son mutuamente excluyentes
number_diagnoses == 1 → diag_2 = 0

⚙️ Hiperparámetros SMOTE RSB* Adaptado

Valor escala	0.03
Probabilidad Base	0.1

🔄 Hiperparámetros CTGAN

epochs	500
batch_size	20
generator_lr	0.0002
discriminator_lr	0.0002
pac	2
generator_dim	(128, 128)
discriminator_dim	(128, 128)
embedding_dim	128
l2scale	1e-05

📊 Hiperparámetros TVAE

epochs	400
batch_size	50
embedding_dim	64
compress_dims	(64, 64)
decompress_dims	(64, 64)
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	304	0.508	0.823	0.879	9.577	0.048	0.880	0.051	0.950	55.813	0	304	0.482	🏆
Smote	1	304	0.423	0.805	0.845	6.376	0.052	0.904	0.072	0.961	41.118	0.054	173	0.450
Borderline SMOTE	1	304	0.395	0.814	0.862	7.028	0.052	0.871	0.071	0.952	40.059	0.054	173	0.464
ADASYN	1	304	0.426	0.787	0.810	4.419	0.053	0.888	0.069	0.961	53.629	0.057	173	0.482
SMOTE RSB* Adaptado	1.034	299	0.329	0.796	0.828	4.968	0.048	0.875	0.044	0.961	61.402	0.053	173	0.464
SMOTE RSB* Adaptado + Reglas	1.034	299	0.524	0.805	0.845	7.881	0.051	0.870	0.047	0.963	61.190	0.057	173	0.485
OOF PSO para Balanceo	1	304	0.328	0.823	0.879	4.310	0.164	0.353	0.173	0.789	66.553	0.154	173	0.475
OOF PSO para Balanceo + Reglas	1	304	0.406	0.823	0.879	5.055	0.198	0.324	0.171	0.783	65.520	0.162	60	0.501

⭐ Mejor seleccionado: Random Oversampling (TabDSFidelity: 9.577, AUC: 0.508, F1: 0.823, MIA: 0.482). 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	2.308	5091	0.282	0.823	0.879	8.070	0.037	0.958	0.103	0.949	84.485	0.112	0	0.457
SMOTE RSB* + Ruido Gaussiano + Reglas	2.308	5091	0.366	0.823	0.879	8.157	0.077	0.839	0.108	0.937	230.992	0.121	1	0.462
CTGAN	1.120	10000	0.605	0.629	0.552	6.177	0.113	0.563	0.089	0.914	371.426	0.148	0	0.450
CTGAN + Reglas del Dominio	1.120	10000	0.515	0.670	0.603	6.087	0.135	0.556	0.090	0.913	596.048	0.153	0	0.504
TVAE	1.381	10000	0.629	0.495	0.431	3.706	0.133	0.513	0.549	0.867	193.640	0.109	0	0.487
TVAE + Reglas del Dominio	1.381	10000	0.612	0.510	0.431	3.663	0.137	0.513	0.549	0.857	396.339	0.112	0	0.490
OOF PSO para Aumento	1	10000	0.321	0.782	0.776	3.657	0.330	0.360	0.625	0.657	166.960	0.264	0	0.537
OOF PSO para Aumento + Reglas	1	10000	0.255	0.727	0.690	2.658	0.334	0.360	0.645	0.684	400.645	0.264	0	0.549
*SMOTE RSB Refinado**	2.267	5387	0.451	0.823	0.879	9.032	0.035	0.981	0.095	0.949	93.361	0.125	0	0.467	🏆
SMOTE RSB* Refinado + Reglas	2.267	5387	0.434	0.823	0.879	8.572	0.077	0.861	0.100	0.936	247.187	0.133	0	0.466

⭐ Mejor seleccionado: SMOTE RSB* Refinado (TabDSFidelity: 9.032, AUC: 0.451, F1: 0.823, MIA: 0.467). 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	2.190	5395	0.423	0.823	0.879	8.507	0.037	0.954	0.095	0.950	161.394	0.105	130	0.475
SMOTE RSB* + Ruido Gaussiano + Reglas	2.190	5395	0.461	0.823	0.879	8.400	0.074	0.836	0.096	0.939	304.369	0.114	130	0.456
CTGAN	1.116	10304	0.483	0.630	0.552	3.950	0.109	0.565	0.074	0.917	485.298	0.143	61	0.354
CTGAN + Reglas del Dominio	1.116	10304	0.557	0.793	0.793	7.510	0.131	0.557	0.075	0.915	709.018	0.147	61	0.450
TVAE	1.368	10304	0.622	0.733	0.690	6.234	0.127	0.518	0.221	0.909	306.065	0.106	61	0.423
TVAE + Reglas del Dominio	1.368	10304	0.637	0.781	0.759	7.211	0.130	0.518	0.221	0.901	504.793	0.109	61	0.464
OOF PSO para Aumento	1	10304	0.406	0.805	0.845	4.108	0.320	0.360	0.550	0.663	280.926	0.256	61	0.447
OOF PSO para Aumento + Reglas	1	10304	0.354	0.805	0.845	3.846	0.324	0.360	0.569	0.688	521.704	0.256	61	0.432
*SMOTE RSB Refinado**	2.160	5691	0.466	0.823	0.879	8.846	0.036	0.977	0.088	0.950	172.128	0.119	129	0.447	🏆
SMOTE RSB* Refinado + Reglas	2.160	5691	0.332	0.823	0.879	7.603	0.074	0.858	0.090	0.939	326.958	0.127	129	0.466

⭐ Mejor seleccionado: SMOTE RSB* Refinado (TabDSFidelity: 8.846, AUC: 0.466, F1: 0.823, MIA: 0.447). Nota: Ratio <= 1.5 = Conjunto Balanceado.

📈 Diagrama del Proceso de Generación

Conjunto Original
CD_13

↓

Balanceo
(8 métodos)

↓ Selección por TabDSFidelity

⭐ Mejor Balanceado
Random Oversampling

↓

Generación Sintética
(10 métodos)

↓ Evaluación TabDSFidelity

⭐ Mejor Sintético
SMOTE RSB* Refinado

⭐ Mejor Aumentado
SMOTE RSB* Refinado

↓

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 Diabetes Hospitals Readmission Prediction (Version 1). figshare. https://doi.org/10.6084/m9.figshare.32931173.v1