CD_1 Original + Derivados

Neumonía Grave Adquirida en la Comunidad

Conjunto de datos clínico real para la predicción de mortalidad (Murio) en cuidados intensivos, centrado en patologías respiratorias. Integra variables demográficas, métricas de severidad (Puntaje_Apache), parámetros de ventilación y un panel farmacológico detallado.

📈 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 0.71 0.95 0.81 77
Clase 1 0.43 0.09 0.15 33
Accuracy 0.69
Macro Avg 0.57 0.52 0.48 110
Weighted Avg 0.62 0.69 0.61 110
AUC-ROC: 0.44
F1-Score (weighted): 0.61
Accuracy: 0.69
➡️ Mejora
⬆ +0.26 AUC ⬆ +0.10 F1 ⬆ +0.02 Acc
🏆 MEJOR RENDIMIENTO

🔮 Conjunto Sintético

Clase Precisión Recall F1-Score Soporte
Clase 0 0.81 0.77 0.79 77
Clase 1 0.51 ⬆ +0.08 0.58 ⬆ +0.49 0.54 ⬆ +0.39 33
Accuracy 0.71 ⬆ +0.02
Macro Avg 0.66 ⬆ +0.09 0.67 ⬆ +0.15 0.66 ⬆ +0.18 110
Weighted Avg 0.72 ⬆ +0.10 0.71 ⬆ +0.02 0.71 ⬆ +0.10 110
AUC-ROC: 0.70 ⬆ +0.26
F1-Score (weighted): 0.71 ⬆ +0.10
Accuracy: 0.71 ⬆ +0.02

📊 Resumen de Mejoras en Clase Minoritaria (Clase 1)

🎯
Precisión
Original: 0.43
Sintético: 0.51
⬆ +0.08
📈
Recall
Original: 0.09
Sintético: 0.58
⬆ +0.49
⚖️
F1-Score
Original: 0.15
Sintético: 0.54
⬆ +0.39

📚 Fuente Original del Conjunto

Neumonía Grave Adquirida en la Comunidad

v1.0
Datos clínicos hospitalarios
Publicado: 2017-2024
Repositorio: Datos institucionales
Licencia: CC BY-NC 4.0

📄 Resumen (Abstract)

Conjunto de datos clínico real para la predicción de mortalidad en cuidados intensivos, centrado en patologías respiratorias. Integra variables demográficas, métricas de severidad (Puntaje_Apache), parámetros de ventilación y un panel farmacológico detallado.

🔬 Métodos

Recolección retrospectiva de registros electrónicos. Anonimización mediante cifrado.

⚖️ Ética y Privacidad

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

📖 Cómo citar la fuente original

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

🔄 Transformaciones Aplicadas

Modificaciones realizadas al conjunto original

  • Codificación de categóricas: Transformación a valores numéricos.

📋 Diccionario de Datos Detallado

Variable Descripción Clínica Tipo Rango / Categorías Unidad ¿Objetivo?
Edad Edad del paciente al momento del ingreso Numérico 0 - 98 años No
Estadia Días de estancia hospitalaria del paciente Numérico 0 - 124 días No
Tiempo_exacto_de_ventilacion Tiempo total de ventilación mecánica durante la estancia Numérico 0 - 576 horas No
Puntaje_Apache Puntaje de severidad APACHE II al ingreso (0-34) Numérico 0 - 34 puntos No
Sexo Género del paciente Categórico 1: Masculino, 2: Femenino N/A No
Raza Raza/etnia del paciente Categórico 1, 2, 4 N/A No
Equipo_de_ventilacion_utilizado Tipo de equipo de ventilación utilizado durante la estancia Categórico 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13 N/A No
Diagnostico_Neumonia_grave_de_la_comunidad Diagnóstico de neumonía grave adquirida en la comunidad Binario 0: No, 1: Sí N/A No
Infeccion_Respiratoria Presencia de infección respiratoria Binario 0: No, 1: Sí N/A No
Germen_Acynetobacter Presencia de infección por Acinetobacter Binario 0: No, 1: Sí N/A No
Germen_Staphilocco_Aureus_Meicllin_Resitente Presencia de Staphylococcus aureus resistente a meticilina (MRSA) Binario 0: No, 1: Sí N/A No
Hidratacion_Recibida Paciente recibió hidratación intravenosa Binario 0: No, 1: Sí N/A No
Anticoagulacion_profilactica_Recibida Paciente recibió anticoagulación profiláctica Binario 0: No, 1: Sí N/A No
Hidrocortisona_Recibida Paciente recibió hidrocortisona Binario 0: No, 1: Sí N/A No
Ceftriaxona_Recibida Paciente recibió ceftriaxona Binario 0: No, 1: Sí N/A No
Claforan_Recibida Paciente recibió claforan (cefotaxima) Binario 0: No, 1: Sí N/A No
Vancomicina_Recibida Paciente recibió vancomicina Binario 0: No, 1: Sí N/A No
Aerosol_de_salbutamol_Recibida Paciente recibió aerosol de salbutamol Binario 0: No, 1: Sí N/A No
Azitromicina_Recibida Paciente recibió azitromicina Binario 0: No, 1: Sí N/A No
Aminofilina_Recibida Paciente recibió aminofilina Binario 0: No, 1: Sí N/A No
Linezolid_Recibida Paciente recibió linezolid Binario 0: No, 1: Sí N/A No
Oxigenoterapia_Recibida Paciente recibió oxigenoterapia Binario 0: No, 1: Sí N/A No
Murio Indicador de fallecimiento del paciente Binario 0: No, 1: Sí N/A Sí
23 Variables totales
4 Numéricas
3 Categóricas
16 Binarias
Objetivo: Mortalidad (Murio)
Datos ausentes: 0%

📈 Distribución de la variable objetivo en el conjunto original

📖 Leyenda de Variables Categóricas

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

Sexo Categórica
Código Significado
1 Masculino
2 Femenino
Raza Categórica
Código Significado
1 Blanca / Caucásica
2 Mestiza
4 Negra / Afrodescendiente
Equipo_de_ventilacion_utilizado Categórica
Código Significado
1 Evita-4
2 Oxilog- 3000
3 Servo S
4 Servo-i
5 Savina-300
6 Savina
7 Hamilton-Raphael
8 No ventilado
9 Bella Vista
10 Evita XL
11 R 50 SIRIUSMED
12 Jenny
13 ABETHA
Variables Binarias Binario

Formato común: 0 = No, 1 = Sí

Diagnostico_Neumonia_grave_de_la_comunidad Diagnóstico de neumonía grave adquirida en la comunidad
Infeccion_Respiratoria Presencia de infección respiratoria
Germen_Acynetobacter Infección por Acinetobacter baumannii
Germen_Staphilocco_Aureus_Meicllin_Resitente Infección por Staphylococcus aureus resistente a meticilina (MRSA)
Hidratacion_Recibida Administración de hidratación intravenosa
Anticoagulacion_profilactica_Recibida Administración de anticoagulación profiláctica
Hidrocortisona_Recibida Administración de hidrocortisona
Ceftriaxona_Recibida Administración de ceftriaxona
Claforan_Recibida Administración de claforan (cefotaxima)
Vancomicina_Recibida Administración de vancomicina
Aerosol_de_salbutamol_Recibida Administración de aerosol de salbutamol
Azitromicina_Recibida Administración de azitromicina
Aminofilina_Recibida Administración de aminofilina
Linezolid_Recibida Administración de linezolid
Oxigenoterapia_Recibida Administración de oxigenoterapia
Murio 🎯 Variable Objetivo: Fallecimiento del paciente
ℹ️

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

📊
Total de variables categóricas: 3
  • Sexo (2 categorías)
  • Raza (3 categorías)
  • Equipo de ventilación (13 categorías)
🎯
Total de variables binarias: 16
  • 15 variables de diagnóstico/tratamiento
  • 1 variable objetivo (Murio)
⚠️
Recomendaciones:
  • Verificar consistencia entre Ceftriaxona y Claforan (mutuamente excluyentes)
  • Validar relación entre MRSA y antibióticos específicos
  • El código 8 en ventilación indica "No aplica"

🔬 Metodología de Generación (Reproducibilidad Científica)

📐 Método Principal

SMOTE RSB* Adaptado

Versión: 2.0

DOI: 10.1007/s42979-026-04896-8

📏 Reglas de restricción

  • Tiempo_ventilacion == 0 → Equipo_ventilacion = 8 (No Aplica)
  • Tiempo_ventilacion > 0 → Equipo_ventilacion ≠ 8
  • MRSA == 1 → Vancomicina = 1 OR Linezolid = 1
  • Acynetobacter == 1 → Infeccion_Respiratoria = 1
  • MRSA == 1 → Infeccion_Respiratoria = 1
  • Neumonia_Grave == 1 → Ceftriaxona = 1
  • Neumonia_Grave == 1 → Azitromicina = 1
  • Oxigenoterapia == 1 → Neumonia_Grave = 1 OR Infeccion_Respiratoria = 1
  • Ceftriaxona y Claforan son mutuamente excluyentes
  • Todo paciente debe recibir hidratación
  • Neumonia_Grave e Infeccion_Respiratoria son mutuamente excluyentes

⚙️ Hiperparámetros SMOTE RSB* Adaptado

Valor escala0.03
Probabilidad Base0.1

🔄 Hiperparámetros CTGAN

epochs500
batch_size50
generator_lr0.0002
discriminator_lr0.0002
pac10
generator_dim(128, 128)
discriminator_dim(128, 128)
embedding_dim128
l2scale1e-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 Seed42
Python3.12.12

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 1 462 0.787 0.726 0.736 5.015 0.085 0.787 0.006 0.977 81.594 0 462 0.513
SMOTE 1 462 0.791 0.792 0.791 8.084 0.118 0.753 0.014 0.975 69.453 0.015 331 0.553 🏆
Borderline SMOTE 1 462 0.768 0.743 0.745 5.162 0.101 0.920 0.013 0.975 69.219 0.014 332 0.563
ADASYN 1.009 464 0.747 0.725 0.727 3.428 0.115 0.808 0.014 0.975 71.793 0.014 328 0.558
SMOTE RSB* Adaptado 1.191 425 0.794 0.766 0.764 7.192 0.094 0.985 0.006 0.983 62.927 0.014 329 0.548
SMOTE RSB* Adaptado + Reglas 1.191 425 0.778 0.748 0.745 5.739 0.100 0.968 0.005 0.982 61.961 0.014 330 0.529
OOF PSO para Balanceo 1 462 0.833 0.772 0.782 5.580 0.259 0.178 0.085 0.791 74.127 0.092 328 0.524
OOF PSO para Balanceo + Reglas 1 462 0.819 0.791 0.800 5.791 0.237 0.009 0.164 0.778 73.781 0.111 163 0.504
⭐ Mejor seleccionado: SMOTE (TabDSFidelity: 8.084, AUC: 0.791, F1: 0.792, MIA: 0.553). 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 1.082 7585 0.758 0.696 0.691 8.826 0.179 0.363 0.027 0.955 97.764 0.058 61 0.551
SMOTE RSB* + Ruido Gaussiano + Reglas 1.082 7585 0.778 0.717 0.709 9.185 0.179 0.363 0.110 0.943 259.139 0.069 24 0.473
CTGAN 2.128 9996 0.402 0.541 0.609 4.069 0.258 0.000 0.035 0.909 359.780 0.079 0 0.473
CTGAN + Reglas del Dominio 2.128 9996 0.436 0.561 0.609 4.334 0.258 0.000 0.113 0.913 564.477 0.075 0 0.468
TVAE 1.339 9988 0.655 0.629 0.655 6.752 0.319 0.157 0.019 0.948 200.262 0.046 0 0.534
TVAE + Reglas del Dominio 1.339 9988 0.710 0.693 0.691 7.717 0.319 0.157 0.103 0.941 381.977 0.048 0 0.534
OOF PSO para Aumento 1 10000 0.529 0.547 0.527 1.641 0.632 0.000 0.336 0.592 159.740 0.229 0 0.515
OOF PSO para Aumento + Reglas 1 10000 0.605 0.480 0.473 1.025 0.632 0.000 0.398 0.583 351.004 0.199 0 0.486
SMOTE RSB* Refinado 1.001 8817 0.795 0.756 0.755 9.817 0.184 0.328 0.023 0.953 103.153 0.058 76 0.530 🏆
SMOTE RSB* Refinado + Reglas 1.001 8817 0.798 0.744 0.736 9.593 0.184 0.328 0.107 0.943 282.547 0.067 40 0.482
⭐ Mejor seleccionado: SMOTE RSB* Refinado (TabDSFidelity: 9.817, AUC: 0.795, F1: 0.756, MIA: 0.530). 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 1.077 8047 0.778 0.748 0.745 9.292 0.176 0.368 0.026 0.955 181.521 0.056 159 0.542
SMOTE RSB* + Ruido Gaussiano + Reglas 1.077 8047 0.768 0.699 0.691 7.609 0.176 0.368 0.047 0.943 350.649 0.066 119 0.533
CTGAN 2.052 10458 0.538 0.593 0.645 2.641 0.251 0.000 0.032 0.913 467.019 0.078 69 0.463
CTGAN + Reglas del Dominio 2.052 10458 0.595 0.620 0.673 3.815 0.251 0.000 0.051 0.917 663.628 0.074 69 0.438
TVAE 1.321 10450 0.671 0.644 0.655 4.870 0.307 0.177 0.019 0.950 295.229 0.044 70 0.538
TVAE + Reglas del Dominio 1.321 10450 0.711 0.696 0.700 6.562 0.307 0.177 0.042 0.941 481.812 0.046 69 0.526
OOF PSO para Aumento 1 10462 0.663 0.655 0.655 1.795 0.600 0.000 0.301 0.604 257.374 0.219 68 0.530
OOF PSO para Aumento + Reglas 1 10462 0.699 0.711 0.709 3.796 0.600 0.000 0.297 0.625 446.780 0.191 68 0.530
SMOTE RSB* Refinado 1.001 9279 0.794 0.739 0.736 9.123 0.181 0.355 0.022 0.954 193.308 0.056 144 0.544
SMOTE RSB* Refinado + Reglas 1.001 9279 0.820 0.759 0.755 9.845 0.181 0.355 0.045 0.942 378.272 0.065 107 0.561 🏆
⭐ Mejor seleccionado: SMOTE RSB* Refinado + Reglas del Dominio (TabDSFidelity: 9.845, AUC: 0.820, F1: 0.759, MIA: 0.561). Nota: Ratio <= 1.5 = Conjunto Balanceado.

📈 Diagrama del Proceso de Generación

Conjunto Original
CD_1
↓
Balanceo
(8 métodos)
↓ Selección por TabDSFidelity
⭐ Mejor Balanceado
SMOTE
↓
Generación Sintética
(10 métodos)
↓ Evaluación TabDSFidelity
⭐ Mejor Sintético
SMOTE RSB* Refinado
⭐ 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)