CD_20 Original + Derivados

CD_20: Chronic Kidney Disease: Apollo Hospitals

Conjunto de datos clínico recolectado en Apollo Hospitals para la clasificación binaria de Enfermedad Renal Crónica (class). Consta de 400 instancias y 25 variables: 1) Bioquímica Sanguínea/Hemograma (creatinina, urea, electrolitos, hemoglobina); 2) Análisis de Orina (albuminuria/azúcar ordinales, sedimentos binarios); y 3) Antecedentes Clínicos (hipertensión, diabetes, anemia). Destaca por ser un escenario de alta dimensionalidad y tipos de datos mixtos (continuos, ordinales, nominales), sometido a una limpieza rigurosa (imputación por mediana/moda) para subsanar la pérdida de datos original.

📈 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	0.91	1.00	0.95	30
Clase 1	1.00	0.94	0.97	50
Accuracy	0.96
Macro Avg	0.95	0.97	0.96	80
Weighted Avg	0.97	0.96	0.96	80

AUC-ROC: 1.00

F1-Score (weighted): 0.96

Accuracy: 0.96

➡️ Mejora

⬆ +0.001 AUC ⬆ +0.03 F1 ⬆ +0.03 Acc

🏆 MEJOR RENDIMIENTO

🔮 Conjunto Sintético

Clase	Precisión	Recall	F1-Score	Soporte
Clase 0	0.97	1.00	0.98	30
Clase 1	1.00 —	0.98 ⬆ +0.04	0.99 ⬆ +0.02	50
Accuracy	0.99 ⬆ +0.03
Macro Avg	0.98 ⬆ +0.03	0.99 ⬆ +0.02	0.99 ⬆ +0.03	80
Weighted Avg	0.99 ⬆ +0.02	0.99 ⬆ +0.03	0.99 ⬆ +0.03	80

AUC-ROC: 1.00 ----

F1-Score (weighted): 0.99 ⬆ +0.03

Accuracy: 0.99 ⬆ +0.03

📊 Resumen de Mejoras en Clase Minoritaria (Clase 1)

🎯

Precisión

Original: 1.00

Sintético: 1.00

✓ Perfecto

📈

Recall

Original: 0.94

Sintético: 0.98

⬆ +0.04

⚖️

F1-Score

Original: 0.97

Sintético: 0.99

⬆ +0.02

📚 Fuente Original del Conjunto

Chronic Kidney Disease (CKD) Dataset

v1.0

Datos clínicos hospitalarios

Publicado: 2 de julio de 2015

Repositorio: UCI Machine Learning Repository

DOI: No disponible

URL: UCI ML Repository

Licencia: Uso académico y de investigación

Instancias: 400

Características: 24 (23 predictores + 1 objetivo)

📄 Resumen (Abstract)

El conjunto de datos de Enfermedad Renal Crónica (Chronic Kidney Disease - CKD) está diseñado para predecir la presencia de enfermedad renal crónica en pacientes. Los datos fueron recolectados durante un período de aproximadamente 2 meses en un entorno hospitalario. Cada instancia representa a un paciente y contiene 24 atributos que incluyen características demográficas (edad), signos vitales (presión arterial), resultados de laboratorio (glucosa, creatinina, electrolitos, hemoglobina, conteos celulares), hallazgos de análisis de orina (gravedad específica, albúmina, azúcar, células sanguíneas) y antecedentes médicos (hipertensión, diabetes, enfermedad arterial coronaria, anemia). El objetivo es clasificar al paciente como con enfermedad renal crónica o sin ella.

🔬 Métodos y Contexto

El conjunto de datos fue recolectado de registros médicos hospitalarios durante un período de aproximadamente 2 meses. Incluye una amplia gama de variables clínicas y de laboratorio que reflejan la evaluación integral de pacientes con sospecha o diagnóstico de enfermedad renal crónica. La enfermedad renal crónica es una condición progresiva que afecta la función de los riñones, y su detección temprana es crucial para retrasar su avance y prevenir complicaciones. Este dataset permite abordar un problema de clasificación binaria para identificar pacientes en riesgo o diagnosticados con CKD.

📋 Características del Dataset

Tipo de problema: Clasificación binaria (CKD vs. No CKD)
Dimensión: Multivariante
Tipo de características: Mixtas (Enteros, Continuos y Categóricos binarios)
Valores faltantes: Sí (presentes en todas las variables predictoras)
Área de aplicación: Salud y Medicina, Nefrología
Período de recolección: Aproximadamente 2 meses

⚖️ Ética y Privacidad

El conjunto de datos ha sido anonimizado para proteger la privacidad de los pacientes. No contiene información personal identificable como nombres, direcciones o números de identificación. 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 presenta desafíos particulares debido a la presencia de valores faltantes en todas las variables predictoras. Se recomienda:

Manejar adecuadamente los valores faltantes mediante imputación (media, mediana, moda) o eliminación de registros incompletos
Codificar las variables categóricas binarias (rbc, pc, pcc, ba, htn, dm, cad, appet, pe, ane) como 0/1 para modelado
Las variables categóricas sg, al y su requieren codificación ordinal o one-hot encoding según corresponda
Estandarizar/normalizar las características numéricas (age, bp, bgr, bu, sc, sod, pot, hemo, pcv, wbcc, rbcc)
Utilizar validación cruzada estratificada debido al posible desbalanceo entre clases
La variable objetivo class está codificada como "ckd" (enfermedad renal crónica) y "notckd" (sin enfermedad)
Considerar técnicas de selección de características debido a la alta dimensionalidad relativa al número de instancias (24 variables para 400 registros)

💡 Importancia Clínica

La enfermedad renal crónica (CKD) es una condición caracterizada por la pérdida progresiva de la función renal a lo largo del tiempo. Afecta a aproximadamente 850 millones de personas en todo el mundo y es una de las principales causas de morbilidad y mortalidad global. La detección temprana de CKD es fundamental para:

Retrasar la progresión a etapas avanzadas que requieren diálisis o trasplante
Reducir el riesgo de complicaciones cardiovasculares asociadas
Mejorar la calidad de vida de los pacientes mediante intervenciones tempranas
Optimizar los recursos sanitarios mediante la identificación de pacientes de alto riesgo

Este dataset, con su amplia gama de variables clínicas y de laboratorio, permite desarrollar modelos predictivos que pueden apoyar el diagnóstico temprano y la toma de decisiones clínicas en nefrología.

📖 Cómo citar la fuente original

Chronic Kidney Disease Dataset. UCI Machine Learning Repository. https://archive.ics.uci.edu/ml/datasets/Chronic+Kidney+Disease

📚 Referencias Adicionales

Webster, A. C., Nagler, E. V., Morton, R. L., & Masson, P. (2017). Chronic Kidney Disease. The Lancet, 389(10075), 1238-1252. https://doi.org/10.1016/S0140-6736(16)32064-5
Jha, V., et al. (2013). Chronic kidney disease: global dimension and perspectives. The Lancet, 382(9888), 260-272.
UCI Machine Learning Repository - Chronic Kidney Disease. https://archive.ics.uci.edu/ml/datasets/Chronic+Kidney+Disease
National Kidney Foundation. About Chronic Kidney Disease. https://www.kidney.org/atoz/content/about-chronic-kidney-disease

🔄 Transformaciones Aplicadas

Modificaciones realizadas al conjunto original (Chronic Kidney Disease - CKD)

Lectura personalizada del formato ARFF:
- Procesamiento manual del archivo .arff (Attribute-Relation File Format) extrayendo exclusivamente la sección @data.
- Asignación de nombres de columnas basados en la especificación del dataset (25 variables en total).
- Manejo robusto de espacios en blanco, tabuladores y caracteres ocultos en los datos.
Limpieza y estandarización de valores:
- Conversión de valores '?' (indicadores de "no disponible" en el dataset original) a NaN para su correcto tratamiento estadístico.
- Eliminación de espacios en blanco (strip) en todas las columnas de texto para corregir errores de formato (ej. " yes" → "yes", "\tno" → "no").
- Corrección específica de typos conocidos: dm ('\tno' → 'no', '\tyes' → 'yes'), cad ('\tno' → 'no').
Imputación de valores faltantes diferenciada por tipo de variable:
- Variables numéricas (11 columnas): Imputación con mediana para preservar robustez frente a outliers. Variables: age, bp, bgr, bu, sc, sod, pot, hemo, pcv, wbcc, rbcc.
- Variables categóricas (14 columnas): Imputación con moda (valor más frecuente) para preservar la distribución categórica. Variables: sg, al, su, rbc, pc, pcc, ba, htn, dm, cad, appet, pe, ane, class.
Codificación numérica de variables categóricas y generación de leyenda:
- Transformación de 13 variables categóricas a valores numéricos enteros mediante codificación ordinal (cat.codes).
- Tratamiento especial de la variable objetivo: Mapeo manual de class para asegurar consistencia clínica: 'ckd' → 1 (Enfermedad Renal Crónica), 'notckd' → 0 (Sano).
- Generación del archivo leyenda_ckd.txt con el mapeo semántico completo de todas las variables categóricas codificadas.
Control de calidad y optimización:
- Conversión forzada de variables numéricas a tipos float mediante pd.to_numeric(..., errors='coerce').
- Verificación de integridad estructural del dataset (25 columnas originales).
- Guardado en formato CSV con separador punto y coma (;) para compatibilidad internacional.
- Vista previa del dataset resultante para validación visual.

📊 Resultado: Dataset de 400 pacientes (después de limpieza de formatos e imputación) con 24 variables predictoras (mixtas: 11 numéricas continuas, 13 categóricas codificadas) y 1 variable objetivo binaria (class). Desbalance moderado (~75% casos CKD positivos / ~25% sanos) — escenario ideal para validación de técnicas de generación de datos sintéticos y evaluación del índice TabDSFidelity en contextos de enfermedad renal crónica.

🏥 Fuente: Chronic Kidney Disease Dataset (UCI Machine Learning Repository).

🔬 Variables clínicas clave: Edad, presión arterial, gravedad específica de orina, albúmina, glucosa en sangre, urea, creatinina, sodio, potasio, hemoglobina, hematocrito, conteo de glóbulos blancos/rojos, hipertensión, diabetes mellitus, enfermedad coronaria, apetito, edema, anemia.

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

🎯 Variable objetivo: class (1 = Enfermedad Renal Crónica - CKD, 0 = Sano - notckd).

📋 Diccionario de Datos Detallado

Variable	Descripción Clínica	Tipo	Rango / Categorías	Unidad	¿Objetivo?
`sg`	Gravedad específica de la orina	Categórico	0: 1.005, 1: 1.010, 2: 1.015, 3: 1.020, 4: 1.025	N/A	No
`al`	Albúmina en orina (proteinuria)	Categórico	0-5 (nivel de albúmina)	N/A	No
`su`	Azúcar en orina (glucosuria)	Categórico	0-5 (nivel de azúcar)	N/A	No
`age`	Edad del paciente	Numérico	2 - 82	años	No
`bp`	Presión arterial (sistólica)	Numérico	50 - 180	mm Hg	No
`bgr`	Glucosa en sangre aleatoria	Numérico	70 - 490	mg/dL	No
`bu`	Urea en sangre (nitrógeno ureico)	Numérico	10 - 309	mg/dL	No
`sc`	Creatinina sérica (indicador crítico de función renal)	Numérico	0.5 - 76	mg/dL	No
`sod`	Sodio sérico	Numérico	4.5 - 150	mEq/L	No
`pot`	Potasio sérico	Numérico	2.5 - 7.6	mEq/L	No
`hemo`	Hemoglobina	Numérico	3.1 - 17.8	g/dL	No
`pcv`	Volumen celular aglomerado (hematocrito)	Numérico	9 - 54	%	No
`wbcc`	Conteo de glóbulos blancos	Numérico	2,200 - 26,400	células/mm³	No
`rbcc`	Conteo de glóbulos rojos	Numérico	2.1 - 8.0	millones/mm³	No
`rbc`	Glóbulos rojos en sedimento urinario	Binario	0: Anormal, 1: Normal	N/A	No
`pc`	Células de pus en orina (piuria)	Binario	0: Anormal, 1: Normal	N/A	No
`pcc`	Agrupaciones de células de pus	Binario	0: No presente, 1: Presente	N/A	No
`ba`	Bacterias en orina (bacteriuria)	Binario	0: No presente, 1: Presente	N/A	No
`htn`	Hipertensión arterial (antecedente)	Binario	0: No, 1: Sí	N/A	No
`dm`	Diabetes Mellitus (antecedente)	Binario	0: No, 1: Sí	N/A	No
`cad`	Enfermedad coronaria (antecedente)	Binario	0: No, 1: Sí	N/A	No
`appet`	Estado del apetito	Binario	0: Bueno, 1: Pobre	N/A	No
`pe`	Edema en pies (presencia)	Binario	0: No, 1: Sí	N/A	No
`ane`	Anemia (diagnóstico)	Binario	0: No, 1: Sí	N/A	No
`class`	Diagnóstico de Enfermedad Renal Crónica (objetivo)	Binario	0: notckd (Sano), 1: ckd (Enfermedad Renal Crónica)	N/A	Sí

25 Variables totales

11 Numéricas

3 Categóricas

11 Binarias

Objetivo: Enfermedad Renal Crónica (class)

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 Enfermedad Renal Crónica (Chronic Kidney Disease). Comprender estas codificaciones es fundamental para la correcta interpretación de los resultados clínicos.

sg Categórica

Gravedad específica de la orina

Código	Significado
0	1.005 (Baja densidad - orina diluida)
1	1.010
2	1.015
3	1.020
4	1.025 (Alta densidad - orina concentrada)

💡

Interpretación: La gravedad específica mide la capacidad de concentración renal. Valores bajos indican pérdida de capacidad de concentración.

al Categórica

Albúmina en orina (Proteinuria)

Código	Significado
0	Ausente (Normal)
1	Traza
2	+ (Leve)
3	++ (Moderada)
4	+++ (Severa)
5	++++ (Muy severa)

🚨

Importancia clínica: La presencia de albúmina en orina (proteinuria) es un marcador temprano de daño renal y predictor de progresión de enfermedad renal.

su Categórica

Azúcar en orina (Glucosuria)

Código	Significado
0	Ausente (Normal)
1	Traza
2	+ (Leve)
3	++ (Moderada)
4	+++ (Severa)
5	++++ (Muy severa)

⚠️

Interpretación: La presencia de azúcar en orina puede indicar diabetes mellitus no controlada o daño tubular renal.

Variables Binarias Binario

Formato común: 0 = No / Ausente / Anormal, 1 = Sí / Presente / Normal

rbc Glóbulos rojos en orina (0: Anormal, 1: Normal)

pc Células de pus en orina (0: Anormal, 1: Normal)

pcc Agrupaciones de pus (0: No presente, 1: Presente)

ba Bacterias en orina (0: No presente, 1: Presente)

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

dm Diabetes Mellitus (0: No, 1: Sí)

cad Enfermedad coronaria (0: No, 1: Sí)

appet Apetito (0: Bueno, 1: Pobre)

pe Edema en pies (0: No, 1: Sí)

ane Anemia (0: No, 1: Sí)

class 🎯 Variable Objetivo: Enfermedad Renal Crónica (0: notckd, 1: ckd)

ℹ️

Nota: Las variables rbc, pc, pcc, ba representan hallazgos del sedimento urinario. htn, dm, cad son antecedentes médicos. appet, pe, ane son hallazgos clínicos.

📊

Variables categóricas: 3

sg (5 niveles - Gravedad específica)
al (6 niveles - Albúmina)
su (6 niveles - Azúcar)

🎯

Variables binarias: 11

4 variables de urinálisis (rbc, pc, pcc, ba)
3 comorbilidades (htn, dm, cad)
3 hallazgos clínicos (appet, pe, ane)
🎯 class (Objetivo - Enfermedad Renal Crónica)

📈

Variables numéricas: 11

age, bp (Demográficas)
bgr, bu, sc, sod, pot (Bioquímica)
hemo, pcv, wbcc, rbcc (Hematología)

⚠️

Recomendaciones Clínicas:

Marcadores clave de ERC: sc (creatinina), bu (urea), al (proteinuria)
Creatinina sérica (sc): Valores > 1.5 mg/dL sugieren disfunción renal
Proteinuria (al): Niveles ≥ 2 son indicadores de daño renal significativo
Hipertensión (htn) y Diabetes (dm): Principales factores de riesgo para ERC
Anemia (ane): Común en ERC avanzada por déficit de eritropoyetina
Hemoglobina (hemo): Niveles bajos (< 10 g/dL) sugieren anemia en ERC
Imputación: Valores perdidos en variables categóricas imputados con Moda; numéricas con Mediana

🔬 Metodología de Generación (Reproducibilidad Científica)

📐 Método Principal

SMOTE RSB* Adaptado

Versión: 2.0

DOI: 10.1007/s42979-026-04896-8

📏 Reglas de restricción

sc > 2.0 → class = 1 (Enfermedad renal presente)
class == 0 → al = 0 (Sin enfermedad renal → sin albuminuria)
class == 0 → sc < 1.2 (Sin enfermedad renal → creatinina normal)
hemo > 14 → pcv > 40 (Hemoglobina alta → hematocrito elevado)
hemo < 9 → rbcc < 3.5 (Hemoglobina baja → glóbulos rojos bajos)
hemo < 9.0 → ane = 1 (Anemia diagnosticada)
sc > 5.0 → pot > 4.5 (Creatinina muy alta → potasio elevado)
bgr > 200 → dm = 1 (Glucosa elevada → diabetes)
su > 0 → bgr > 140 (Glucosa en orina → glucosa en sangre elevada)
ba == 1 → pc = 0 (Bacterias presentes → células de pus no deben estar)
sc > 4.0 → bu > 50 (Creatinina extremadamente alta → BUN elevado)
bp > 100 → htn = 1 (Presión arterial elevada → hipertensión)

⚙️ 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	296	1.000	1.000	1.000	3.892	0.081	0.651	0.009	0.977	51.932	0	296	0.456	🏆
Smote	1	296	1.000	1.000	1.000	2.605	0.256	0.446	0.008	0.974	53.446	0.002	237	0.433
Borderline SMOTE	1	296	1.000	1.000	1.000	2.595	0.255	0.496	0.009	0.976	55.393	0.002	237	0.404
ADASYN	1.050	289	1.000	1.000	1.000	2.960	0.240	0.566	0.007	0.979	55.494	0.002	237	0.394
SMOTE RSB* Adaptado	1	296	1.000	1.000	1.000	2.811	0.207	0.385	0.008	0.975	47.341	0.003	232	0.419
SMOTE RSB* Adaptado + Reglas	1	296	1.000	1.000	1.000	2.824	0.208	0.400	0.008	0.975	48.162	0.003	232	0.432
OOF PSO para Balanceo	1	296	1.000	1.000	1.000	0.024	0.252	0.002	0.020	0.802	59.651	0.041	237	0.430
OOF PSO para Balanceo + Reglas	1	296	1.000	1.000	1.000	0.947	0.233	0.012	0.013	0.874	58.856	0.026	225	0.448

⭐ Mejor seleccionado: Random Oversampling (TabDSFidelity: 3.892, AUC: 1.000, F1: 1.000, MIA: 0.456). 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	1.342	8664	1.000	0.988	0.988	9.413	0.379	0.414	0.018	0.947	90.811	0.565	0.454
*SMOTE RSB + Ruido Gaussiano + Reglas**	1.428	8664	1.000	0.988	0.988	9.453	0.379	0.414	0.015	0.954	247.613	0.565	0.445	🏆
CTGAN	1.899	10000	0.996	0.963	0.963	8.062	0.291	0.099	0.012	0.925	294.970	0.094	0.463
CTGAN + Reglas del Dominio	2.190	10000	1.000	1.000	1.000	9.129	0.291	0.099	0.017	0.925	474.570	0.095	0.448
TVAE	1.244	10000	1.000	1.000	1.000	8.782	0.407	0.061	0.020	0.933	177.662	0.047	0.439
TVAE + Reglas del Dominio	1.246	10000	1.000	1.000	1.000	8.778	0.407	0.061	0.019	0.932	350.593	0.048	0.424
OOF PSO para Aumento	1	10000	0.980	0.815	0.813	0.701	0.752	0.000	0.279	0.624	125.135	0.206	0.490
OOF PSO para Aumento + Reglas	6.220	10000	0.970	0.914	0.913	2.141	0.752	0.000	0.404	0.626	298.834	0.247	0.429
SMOTE RSB* Refinado	1.106	9501	1.000	1.000	1.000	9.381	0.398	0.280	0.016	0.961	94.195	0.526	0.428
SMOTE RSB* Refinado + Reglas	1.106	9501	1.000	0.988	0.988	9.125	0.398	0.280	0.014	0.963	265.196	0.526	0.434

⭐ Mejor seleccionado: SMOTE RSB* + Ruido Gaussiano + Reglas del Dominio (TabDSFidelity: 9.453, AUC: 1.000, F1: 0.988, MIA: 0.445). 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	1.329	8960	1.000	0.988	0.988	7.668	0.370	0.417	0.017	0.949	170.090	0.565	0	0.448
SMOTE RSB* + Ruido Gaussiano + Reglas	1.411	8960	1.000	0.988	0.988	7.708	0.370	0.417	0.014	0.955	327.843	0.565	0	0.450
CTGAN	1.862	10296	0.993	0.975	0.975	3.152	0.284	0.110	0.011	0.927	385.775	0.092	59	0.456
CTGAN + Reglas del Dominio	2.136	10296	1.000	0.988	0.988	7.150	0.284	0.110	0.016	0.927	564.341	0.093	59	0.432
TVAE	1.236	10296	1.000	1.000	1.000	8.800	0.395	0.070	0.019	0.935	266.461	0.046	59	0.433	🏆
TVAE + Reglas del Dominio	1.238	10296	1.000	1.000	1.000	8.796	0.395	0.070	0.018	0.934	438.137	0.046	59	0.422
OOF PSO para Aumento	1	10296	1.000	0.988	0.988	4.017	0.720	0.000	0.259	0.630	212.310	0.200	59	0.466
OOF PSO para Aumento + Reglas	5.716	10296	1.000	0.975	0.975	2.007	0.720	0.000	0.373	0.632	388.849	0.240	59	0.475
SMOTE RSB* Refinado	1.102	9797	1.000	0.987	0.988	7.274	0.390	0.286	0.015	0.962	181.736	0.526	0	0.453
SMOTE RSB* Refinado + Reglas	1.102	9797	0.999	0.988	0.988	7.200	0.390	0.286	0.014	0.964	351.774	0.526	0	0.429

⭐ Mejor seleccionado: TVAE (TabDSFidelity: 8.800, AUC: 1.000, F1: 1.000, MIA: 0.433). Nota: Ratio <= 1.5 = Conjunto Balanceado.

📈 Diagrama del Proceso de Generación

Conjunto Original
CD_20

↓

Balanceo
(8 métodos)

↓ Selección por TabDSFidelity

⭐ Mejor Balanceado
Random Oversampling

↓

Generación Sintética
(10 métodos)

↓ Evaluación TabDSFidelity

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

⭐ Mejor Aumentado
TVAE

↓

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 Chronic Kidney Disease (Version 1). figshare. https://doi.org/10.6084/m9.figshare.32932754.v1