CD_17 Original + Derivados

CD_18: Stroke Prediction: Factores de Riesgo de Ictus

Dataset clínico procedente de registros electrónicos (Kaggle) para la predicción binaria de accidentes cerebrovasculares (stroke). Integra 11 variables que abarcan factores sociodemográficos (género, estado civil, tipo de trabajo/residencia), fisiológicos (hipertensión, cardiopatía, glucosa media, IMC imputado por mediana) y estilo de vida (tabaquismo, incluyendo categoría "Desconocido").

📈 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	0.96	0.99	0.98	190
Clase 1	0.67	0.20	0.31	10
Accuracy	0.95
Macro Avg	0.81	0.60	0.64	200
Weighted Avg	0.94	0.95	0.94	200

AUC-ROC: 0.73

F1-Score (weighted): 0.94

Accuracy: 0.95

➡️ Mejora

⬆ +0.17 AUC ⬇ -0.03 F1 ⬇ -0.06 Acc

🔮 Conjunto Sintético

Clase	Precisión	Recall	F1-Score	Soporte
Clase 0	0.97	0.91	0.94	190
Clase 1	0.22 ⬇ -0.45	0.50 ⬆ +0.30	0.30 ⬇ -0.01	10
Accuracy	0.89 ⬇ -0.06
Macro Avg	0.59 ⬇ -0.22	0.70 ⬆ +0.10	0.62 ⬇ -0.02	200
Weighted Avg	0.93 ⬇ -0.01	0.89 ⬇ -0.06	0.91 ⬇ -0.03	200

AUC-ROC: 0.89 ⬆ +0.17

F1-Score (weighted): 0.91 ⬇ -0.03

Accuracy: 0.89 ⬇ -0.06

📊 Resumen de Mejoras en Clase Minoritaria (Clase 1)

🎯

Precisión

Original: 0.67

Sintético: 0.22

⬇ -0.45

📈

Recall

Original: 0.20

Sintético: 0.50

⬆ +0.30

⚖️

F1-Score

Original: 0.31

Sintético: 0.30

⬇ -0.01

📚 Fuente Original del Conjunto

Stroke Prediction Dataset

v1.0

Datos clínicos hospitalarios (Fuente Confidencial)

Disponible en repositorios públicos

Repositorio: Kaggle / Repositorios educativos

DOI: No disponible

URL: Kaggle - Stroke Prediction Dataset

Licencia: Uso académico y de investigación

Instancias: ~5,110

Características: 10 predictores + 1 objetivo

📄 Resumen (Abstract)

El Stroke Prediction Dataset es un conjunto de datos diseñado para la evaluación de riesgos de salud, específicamente para predecir la probabilidad de que un paciente sufra un Accidente Cerebrovascular (Ictus/Stroke). Según la Organización Mundial de la Salud (OMS), el ictus es la segunda causa principal de muerte a nivel mundial. Este dataset permite abordar un problema de clasificación binaria desequilibrada, utilizando parámetros demográficos, fisiológicos y de estilo de vida para identificar pacientes de alto riesgo. Cada instancia representa a un paciente y contiene información sobre su perfil clínico y social.

🔬 Origen y Procedencia

Fuente: Fuente Confidencial (disponible públicamente en repositorios como Kaggle para fines educativos)
Contexto: Datos recopilados de registros médicos electrónicos
Propósito: Investigación y educación en modelos predictivos de salud

📋 Características del Dataset

Tipo de problema: Clasificación binaria (Ictus vs. No Ictus)
Dimensión: Multivariante
Tipo de características: Categóricas, binarias y numéricas
Valores faltantes: Sí (BMI con "N/A"; smoking_status con "Unknown")
Área de aplicación: Salud y Medicina, Predicción de riesgos, Neurología
Desbalanceo de clases: El evento de interés (ictus) es la clase minoritaria

⚖️ Ética y Privacidad

El conjunto de datos ha sido desidentificado para proteger la privacidad de los pacientes. No contiene información personal identificable como nombres, direcciones o números de identificación que permitan la reidentificación. El identificador id es un número aleatorio sin relación con información personal. 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.

📋 Notas de Uso

Este conjunto de datos está diseñado para abordar un problema de clasificación binaria desequilibrada. Se recomienda:

Excluir la variable id del modelado por ser un identificador único sin valor predictivo
Manejar adecuadamente los valores "N/A" en la columna bmi mediante imputación (media, mediana o técnicas avanzadas)
Tratar la categoría "Unknown" en smoking_status como una categoría separada, no como un valor faltante
Utilizar validación cruzada estratificada debido al desbalanceo significativo entre clases (stroke=1 es minoritario)
Considerar técnicas de balanceo (SMOTE, sobremuestreo, submuestreo) o métricas apropiadas (F1-Score, AUC-ROC, Recall) para evaluar el rendimiento
Estandarizar/normalizar las características numéricas (age, avg_glucose_level, bmi)
Codificar variables categóricas mediante one-hot encoding o label encoding según corresponda

💡 Importancia Clínica

El Accidente Cerebrovascular (Ictus) es una emergencia médica que ocurre cuando el flujo sanguíneo a una parte del cerebro se interrumpe o se reduce, privando al tejido cerebral de oxígeno y nutrientes. Según la Organización Mundial de la Salud (OMS), es la segunda causa principal de muerte a nivel mundial y una de las principales causas de discapacidad a largo plazo. La identificación temprana de pacientes en riesgo de sufrir un ictus permite:

Implementar medidas preventivas (control de hipertensión, diabetes, cambios en el estilo de vida)
Realizar intervenciones médicas tempranas que reducen la mortalidad y secuelas
Optimizar la asignación de recursos hospitalarios y de atención primaria
Reducir la carga económica asociada a la atención de pacientes con ictus

La predicción precisa del riesgo de ictus mediante modelos de machine learning puede complementar las herramientas clínicas existentes y mejorar la toma de decisiones en la práctica médica.

📖 Cómo citar la fuente original

Stroke Prediction Dataset. Datos clínicos anonimizados para la predicción de accidentes cerebrovasculares. Disponible en repositorios públicos (Kaggle).

📚 Referencias Adicionales

Organización Mundial de la Salud (OMS). (2024). Accidente cerebrovascular (ictus). https://www.who.int/es/news-room/fact-sheets/detail/stroke
Feigin, V. L., et al. (2017). Global, regional, and national burden of stroke, 1990–2016: a systematic analysis for the Global Burden of Disease Study 2016. The Lancet Neurology, 18(5), 439-458.
Kaggle - Stroke Prediction Dataset. https://www.kaggle.com/datasets/fedesoriano/stroke-prediction-dataset
American Stroke Association. Stroke Risk Factors. https://www.stroke.org/en/about-stroke/stroke-risk-factors

🔄 Transformaciones Aplicadas

Modificaciones realizadas al conjunto original (Stroke Prediction Dataset)

Limpieza inicial y eliminación de variables no predictivas:
- Eliminación de la columna id (identificador único de paciente) por no aportar valor predictivo y evitar sobreajuste.
- Mantenimiento de variables numéricas binarias hypertension e heart_disease en su formato original (0 = No, 1 = Sí).
Tratamiento de valores perdidos en BMI:
- Conversión forzada de la columna bmi a tipo numérico, transformando cualquier texto "N/A" remanente a NaN real.
- Imputación con mediana: Relleno de todos los valores faltantes en bmi con la mediana calculada (~28.6 kg/m²), preservando la robustez frente a outliers y manteniendo la integridad distribucional.
- Registro detallado del número de valores imputados para trazabilidad metodológica.
Codificación numérica de variables categóricas y generación de leyenda:
- Detección automática de columnas de tipo object (texto/categóricas) mediante select_dtypes(include=['object']).
- Transformación de 5 variables categóricas a valores numéricos enteros mediante codificación ordinal (cat.codes):
- Generación del archivo leyenda_stroke_categories.txt con el mapeo completo de todas las variables categóricas codificadas para trazabilidad e interpretación.
Preservación de la estructura original:
- Mantenimiento de las 5110 instancias (pacientes) sin eliminación de filas.
- Conservación de las 11 variables originales (tras eliminar id) sin adición de columnas artificiales.
- Guardado en formato CSV con separador punto y coma (;) para compatibilidad internacional.
Control de calidad y documentación:
- Vista previa del dataset resultante para validación visual.
- Generación de leyenda con descripción detallada de cada código numérico y su correspondiente categoría original.
- Nota explícita sobre variables que ya eran numéricas (hypertension, heart_disease) para evitar confusiones.

📊 Resultado: Dataset de 5,110 pacientes con 10 variables predictoras (mixtas: 5 categóricas codificadas, 5 numéricas continuas/enteras) y 1 variable objetivo binaria (stroke). Desbalance extremo de clases (~5% casos positivos de accidente cerebrovascular) — escenario crítico para validación de técnicas de generación de datos sintéticos y evaluación del índice TabDSFidelity en contextos médicos con baja prevalencia.

🏥 Fuente: Healthcare Dataset Stroke Prediction (disponible en plataformas de datos abiertos como Kaggle).

📋 Variables clave: Factores de riesgo cardiovascular incluyendo edad, hipertensión, enfermedades cardíacas, tipo de trabajo, estado civil, índice de masa corporal (BMI), y estado de tabaquismo.

📁 Leyenda disponible: Archivo leyenda_stroke_categories.txt con mapeo semántico de todas las variables categóricas codificadas.

🎯 Variable objetivo: stroke (1 = Paciente con accidente cerebrovascular, 0 = Sin accidente cerebrovascular).

📋 Diccionario de Datos Detallado

Variable	Descripción Clínica	Tipo	Rango / Categorías	Unidad	¿Objetivo?
`gender`	Género del paciente	Categórico	0: Female, 1: Male, 2: Other	N/A	No
`work_type`	Tipo de empleo/ocupación	Categórico	0: Govt_job, 1: Never_worked, 2: Private, 3: Self-employed, 4: children	N/A	No
`Residence_type`	Tipo de residencia (área de vivienda)	Categórico	0: Rural, 1: Urban	N/A	No
`smoking_status`	Historial de tabaquismo	Categórico	0: Unknown, 1: formerly smoked, 2: never smoked, 3: smokes	N/A	No
`age`	Edad del paciente	Numérico	0.24 - 82	años	No
`avg_glucose_level`	Nivel promedio de glucosa en sangre	Numérico	55.28 - 252.72	mg/dL	No
`bmi`	Índice de Masa Corporal	Numérico	14.2 - 92	kg/m²	No
`hypertension`	Hipertensión arterial (diagnóstico)	Binario	0: No, 1: Sí	N/A	No
`heart_disease`	Enfermedad cardíaca (diagnóstico)	Binario	0: No, 1: Sí	N/A	No
`ever_married`	Estado civil histórico (alguna vez casado/a)	Binario	0: No, 1: Yes	N/A	No
`stroke`	Diagnóstico de Ictus (Accidente Cerebrovascular) - OBJETIVO	Binario	0: No, 1: Sí	N/A	Sí

11 Variables totales

3 Numéricas

4 Categóricas

4 Binarias

Objetivo: Ictus (stroke)

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 Predicción de Ictus (Stroke Prediction). Comprender estas codificaciones es fundamental para la correcta interpretación de los resultados clínicos.

gender Categórica

Código	Significado
0	Female (Femenino)
1	Male (Masculino)
2	Other (Otro)

work_type Categórica

Código	Significado
0	Govt_job (Funcionario público)
1	Never_worked (Nunca trabajó)
2	Private (Sector privado)
3	Self-employed (Autónomo/Trabajador independiente)
4	children (Niño/Estudiante)

💡

Interpretación clínica: El tipo de ocupación puede influir en el nivel de actividad física y estrés, factores relacionados con el riesgo cardiovascular.

Residence_type Categórica

Código	Significado
0	Rural (Zona rural)
1	Urban (Zona urbana)

smoking_status Categórica

Código	Significado
0	Unknown (Desconocido - Información no disponible)
1	formerly smoked (Ex-fumador/a)
2	never smoked (Nunca fumó)
3	smokes (Fumador/a activo/a)

🚨

Importancia clínica: El tabaquismo es uno de los principales factores de riesgo modificables para el ictus.

Variables Binarias Binario

Formato común: 0 = No, 1 = Sí

hypertension Hipertensión arterial (0: No, 1: Sí)

heart_disease Enfermedad cardíaca (0: No, 1: Sí)

ever_married Alguna vez casado/a (0: No, 1: Yes)

stroke 🎯 Variable Objetivo: Ictus (0: No, 1: Sí)

ℹ️

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

📊

Variables categóricas: 4

gender (3 categorías)
work_type (5 categorías)
Residence_type (2 categorías)
smoking_status (4 categorías)

🎯

Variables binarias: 4

hypertension (Hipertensión)
heart_disease (Enfermedad cardíaca)
ever_married (Estado civil)
🎯 stroke (Objetivo - Ictus)

📈

Variables numéricas: 3

age (Edad en años)
avg_glucose_level (Glucosa promedio)
bmi (Índice de Masa Corporal)

⚠️

Recomendaciones Clínicas:

Factores de riesgo principales: age, hypertension, heart_disease, avg_glucose_level
Desbalance extremo: Considerar técnicas de balanceo (SMOTE, sobremuestreo)
BMI: Los valores perdidos han sido imputados con la mediana
smoking_status: La categoría "Unknown" (0) representa datos faltantes en el historial de tabaquismo
ever_married: Variable proxy de apoyo social, puede influir en la salud cardiovascular
Prevención: El control de la hipertensión y diabetes es clave en la prevención del ictus

🔬 Metodología de Generación (Reproducibilidad Científica)

📐 Método Principal

SMOTE RSB* Adaptado

Versión: 2.0

DOI: 10.1007/s42979-026-04896-8

📏 Reglas de restricción

work_type == 4 (Children) → ever_married = 0
age < 16 → work_type = 4 (Children)
age < 16 → ever_married = 0
work_type == 0 (Gobierno) → age ≥ 18
work_type == 3 (Autónomo) → age ≥ 18
age < 12 → smoking_status ≠ 1 (Formerly smoked)
age < 12 → smoking_status ≠ 3 (Smokes)
age < 18 → hypertension = 0
age < 18 → heart_disease = 0
age < 10 → stroke = 0
avg_glucose_level < 45 → avg_glucose_level ≥ 45 (Corrección de hipoglucemia)
avg_glucose_level > 230 → bmi > 18
bmi < 15 → hypertension = 0 (IMC extremadamente bajo → improbable HTA)

⚙️ 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	1142	0.785	0.928	0.940	7.243	0.319	0.014	0.082	0.914	54.378	0	1142	0.518	🏆
Smote	1	1142	0.860	0.926	0.920	6.207	0.444	0.007	0.083	0.904	49.567	0.038	601	0.502
Borderline SMOTE	1	1142	0.854	0.902	0.890	3.258	0.443	0.000	0.088	0.894	48.897	0.038	601	0.503
ADASYN	1.009	1137	0.904	0.919	0.905	5.974	0.443	0.007	0.081	0.907	50.576	0.039	601	0.462
SMOTE RSB* Adaptado	1.036	1122	0.826	0.909	0.890	5.165	0.372	0.015	0.084	0.932	51.267	0.042	596	0.513
SMOTE RSB* Adaptado + Reglas	1.036	1122	0.824	0.901	0.880	4.425	0.371	0.016	0.086	0.933	49.722	0.041	597	0.518
OOF PSO para Balanceo	2.340	815	0.768	0.934	0.950	6.404	0.288	0.000	0.065	0.756	64.262	0.064	600	0.511
OOF PSO para Balanceo + Reglas	1	1142	0.753	0.931	0.945	3.896	0.418	0.000	0.188	0.694	62.326	0.119	595	0.535

⭐ Mejor seleccionado: Random Oversampling (TabDSFidelity: 7.243, AUC: 0.785, F1: 0.928, MIA: 0.518). 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	1.738	7736	0.812	0.922	0.930	8.920	0.473	0.059	0.059	0.939	61.338	0.728	0	0.497
SMOTE RSB* + Ruido Gaussiano + Reglas	1.752	7736	0.803	0.922	0.930	8.772	0.473	0.059	0.057	0.943	163.564	0.728	0	0.515
CTGAN	1.449	9998	0.812	0.881	0.845	6.973	0.565	0.000	0.080	0.899	348.070	0.072	0	0.518
CTGAN + Reglas del Dominio	1.513	9998	0.814	0.869	0.825	6.955	0.565	0.000	0.067	0.912	463.506	0.070	0	0.520
TVAE	1.376	10000	0.778	0.872	0.830	6.312	0.464	0.001	0.071	0.898	166.468	0.042	2	0.516
TVAE + Reglas del Dominio	1.377	10000	0.759	0.877	0.840	6.060	0.464	0.001	0.067	0.904	274.418	0.041	2	0.521
OOF PSO para Aumento	1	10000	0.872	0.513	0.395	2.962	0.768	0.000	0.268	0.635	102.445	0.178	0	0.500
OOF PSO para Aumento + Reglas	1.008	10000	0.837	0.427	0.320	1.629	0.768	0.000	0.442	0.712	208.763	0.163	0	0.500
SMOTE RSB* Refinado	1.805	7734	0.812	0.916	0.920	8.688	0.475	0.049	0.055	0.936	55.715	0.637	0	0.496
*SMOTE RSB Refinado + Reglas**	1.805	7734	0.834	0.919	0.925	9.125	0.475	0.049	0.054	0.942	153.155	0.637	0	0.489	🏆

⭐ Mejor seleccionado: SMOTE RSB* Refinado + Reglas del Dominio (TabDSFidelity: 9.125, AUC: 0.834, F1: 0.919, MIA: 0.489). 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	1.614	8878	0.786	0.916	0.920	7.675	0.449	0.042	0.060	0.936	112.731	0.728	0	0.511
SMOTE RSB* + Ruido Gaussiano + Reglas	1.625	8878	0.812	0.919	0.925	8.929	0.449	0.042	0.058	0.941	218.557	0.728	0	0.503
CTGAN	1.394	11140	0.843	0.912	0.890	7.087	0.526	0.000	0.079	0.902	406.547	0.064	208	0.524
CTGAN + Reglas del Dominio	1.448	11140	0.824	0.885	0.855	3.904	0.526	0.000	0.067	0.915	519.643	0.062	208	0.529
TVAE	1.331	11142	0.785	0.897	0.875	3.836	0.429	0.001	0.072	0.901	222.210	0.036	209	0.506
TVAE + Reglas del Dominio	1.332	11142	0.789	0.902	0.880	4.456	0.429	0.001	0.068	0.906	329.758	0.035	209	0.511
OOF PSO para Aumento	1	11142	0.801	0.892	0.870	1.722	0.691	0.000	0.221	0.663	157.727	0.159	208	0.522
OOF PSO para Aumento + Reglas	1.007	11142	0.809	0.891	0.865	1.714	0.691	0.000	0.336	0.732	262.506	0.144	208	0.517
SMOTE RSB* Refinado	1.667	8876	0.800	0.919	0.925	8.308	0.450	0.035	0.057	0.933	106.362	0.637	0	0.518
*SMOTE RSB Refinado + Reglas**	1.667	8876	0.839	0.916	0.920	9.379	0.450	0.035	0.056	0.939	202.775	0.637	0	0.508	🏆

⭐ Mejor seleccionado: SMOTE RSB* Refinado + Reglas del Dominio (TabDSFidelity: 9.379, AUC: 0.839, F1: 0.916, MIA: 0.508). Nota: Ratio <= 1.5 = Conjunto Balanceado.

📈 Diagrama del Proceso de Generación

Conjunto Original
CD_18

↓

Balanceo
(8 métodos)

↓ Selección por TabDSFidelity

⭐ Mejor Balanceado
Random Oversampling

↓

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 Stroke Risk Factors Prediction (Version 1). figshare. https://doi.org/10.6084/m9.figshare.32932682.v1