CD_22 Original + Derivados

CD_22: Cervical Cancer (Risk Factors) - UCI

Registro clínico del Hospital Universitario de Caracas para la predicción binaria de cáncer cervical basada en el resultado de biopsia (Biopsy). Integra 858 instancias y 36 variables de riesgo: 1) Demográficas/Reproductivas (edad, número de parejas, embarazos); 2) Hábitos/Anticoncepción (tabaquismo, uso de hormonas/DIU); y 3) Historial Médico (diagnósticos específicos de ETS como VPH/VIH y otras pruebas de tamizaje).

📈 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	0.94	0.98	0.96	161
Clase 1	0.25	0.09	0.13	11
Accuracy	0.92
Macro Avg	0.60	0.54	0.55	172
Weighted Avg	0.90	0.92	0.91	172

AUC-ROC: 0.32

F1-Score (weighted): 0.91

Accuracy: 0.92

➡️ Mejora

⬆ +0.60 AUC ⬆ +0.05 F1 ⬆ +0.04 Acc

🏆 MEJOR RENDIMIENTO

🔮 Conjunto Sintético

Clase	Precisión	Recall	F1-Score	Soporte
Clase 0	0.98	0.98	0.98	161
Clase 1	0.67 ⬆ +0.42	0.73 ⬆ +0.64	0.70 ⬆ +0.57	11
Accuracy	0.96 ⬆ +0.04
Macro Avg	0.82 ⬆ +0.22	0.85 ⬆ +0.31	0.84 ⬆ +0.29	172
Weighted Avg	0.96 ⬆ +0.06	0.96 ⬆ +0.04	0.96 ⬆ +0.05	172

AUC-ROC: 0.91 ⬆ +0.60

F1-Score (weighted): 0.96 ⬆ +0.05

Accuracy: 0.96 ⬆ +0.04

📊 Resumen de Mejoras en Clase Minoritaria (Clase 1)

🎯

Precisión

Original: 0.25

Sintético: 0.67

⬆ +0.42

📈

Recall

Original: 0.09

Sintético: 0.73

⬆ +0.64

⚖️

F1-Score

Original: 0.13

Sintético: 0.70

⬆ +0.57

📚 Fuente Original del Conjunto

Cervical Cancer (Risk Factors) Dataset

v1.0

Fernandes, K., Cardoso, J. S., & Fernandes, J. C.

Publicado: 2 de marzo de 2017

Repositorio: UCI Machine Learning Repository

DOI: 10.1007/978-3-319-58838-4_23

URL: UCI ML Repository

Licencia: Uso académico y de investigación

Instancias: 858

Características: 36 (32 predictores + 4 objetivos)

📄 Resumen (Abstract)

El conjunto de datos de Factores de Riesgo de Cáncer Cervical fue recolectado en el Hospital Universitario de Caracas en Caracas, Venezuela. El dataset comprende información demográfica, hábitos y registros médicos históricos de 858 pacientes. El objetivo principal es la predicción de indicadores y diagnóstico de cáncer cervical, utilizando cuatro variables objetivo basadas en diferentes pruebas diagnósticas: Hinselmann, Schiller, Citología y Biopsia. El conjunto incluye factores de riesgo conocidos como edad, número de parejas sexuales, tabaquismo, uso de anticonceptivos hormonales, dispositivos intrauterinos (DIU), historial de enfermedades de transmisión sexual (ETS) e infección por VPH.

🔬 Métodos y Contexto

El dataset fue recolectado en el Hospital Universitario de Caracas como parte de la investigación sobre el cribado del cáncer cervical. El cáncer cervical es el cuarto cáncer más común en mujeres a nivel mundial, con aproximadamente 604,000 casos nuevos y 342,000 muertes en 2020, según la OMS. La detección temprana mediante pruebas de cribado como la citología (Papanicolaou), la colposcopia (pruebas de Schiller y Hinselmann) y la biopsia es fundamental para reducir la mortalidad. Varias pacientes decidieron no responder a algunas preguntas debido a preocupaciones de privacidad, lo que ha generado valores faltantes en el conjunto de datos.

Este dataset es particularmente valioso para abordar problemas de aprendizaje automático con datos faltantes y clasificación con múltiples objetivos, donde las cuatro pruebas diagnósticas pueden considerarse como diferentes puntos de vista del mismo fenómeno.

📊 Descripción de Datos

El dataset contiene 858 instancias con 36 atributos (32 variables predictoras y 4 variables objetivo). Las características son de tipo mixto (enteras, continuas y binarias). El conjunto presenta valores faltantes en la mayoría de las variables predictoras debido a la no respuesta de algunas pacientes por preocupaciones de privacidad.

📋 Variables del Dataset

Variable	Tipo	Descripción	Valores Faltantes
A. Datos Demográficos e Historial
Age	Entero	Edad de la paciente	No
Number of sexual partners	Continuo	Número de parejas sexuales	Sí
First sexual intercourse	Continuo	Edad de la primera relación sexual	Sí
Num of pregnancies	Continuo	Número de embarazos	Sí
B. Hábitos y Estilo de Vida
Smokes	Binaria	¿Fuma la paciente? (0=No, 1=Sí)	Sí
Smokes (years)	Continuo	Años fumando	Sí
Smokes (packs/year)	Continuo	Paquetes por año (intensidad de tabaquismo)	Sí
Hormonal Contraceptives	Binaria	¿Usa anticonceptivos hormonales?	Sí
Hormonal Contraceptives (years)	Continuo	Años de uso de anticonceptivos hormonales	Sí
IUD	Binaria	¿Usa dispositivo intrauterino (DIU)?	Sí
IUD (years)	Continuo	Años de uso de DIU	Sí
C. Enfermedades de Transmisión Sexual (ETS)
STDs	Binaria	¿Ha tenido ETS?	Sí
STDs (number)	Continuo	Número de ETS diagnosticadas	Sí
STDs:condylomatosis	Binaria	Condilomatosis	Sí
STDs:cervical condylomatosis	Binaria	Condilomatosis cervical	Sí
STDs:vaginal condylomatosis	Binaria	Condilomatosis vaginal	Sí
STDs:vulvo-perineal condylomatosis	Binaria	Condilomatosis vulvo-perineal	Sí
STDs:syphilis	Binaria	Sífilis	Sí
STDs:pelvic inflammatory disease	Binaria	Enfermedad inflamatoria pélvica	Sí
STDs:genital herpes	Binaria	Herpes genital	Sí
STDs:molluscum contagiosum	Binaria	Molusco contagioso	Sí
STDs:AIDS	Binaria	SIDA	Sí
STDs:HIV	Binaria	VIH	Sí
STDs:Hepatitis B	Binaria	Hepatitis B	Sí
STDs:HPV	Binaria	Virus del Papiloma Humano (VPH)	Sí
STDs: Number of diagnosis	Entero	Número de diagnósticos de ETS	No
STDs: Time since first diagnosis	Continuo	Tiempo desde el primer diagnóstico de ETS	Sí
STDs: Time since last diagnosis	Continuo	Tiempo desde el último diagnóstico de ETS	Sí
D. Diagnósticos Previos
Dx:Cancer	Binaria	Diagnóstico previo de cáncer	No
Dx:CIN	Binaria	Diagnóstico previo de Neoplasia Intraepitelial Cervical (CIN)	No
Dx:HPV	Binaria	Diagnóstico previo de VPH	No
Dx	Binaria	Diagnóstico previo (general)	No
E. Variables Objetivo (Pruebas Diagnósticas)
Hinselmann	Binaria (Target)	Resultado de la prueba de Hinselmann (colposcopia)	No
Schiller	Binaria (Target)	Resultado de la prueba de Schiller (colposcopia con yodo)	No
Citology	Binaria (Target)	Resultado de la prueba de citología (Papanicolaou)	No
Biopsy	Binaria (Target)	Resultado de la biopsia (estándar de oro)	No

📋 Características del Dataset

Tipo de problema: Clasificación binaria con múltiples objetivos (4 pruebas diagnósticas)
Dimensión: Multivariante
Tipo de características: Mixtas (Enteros, Continuos y Binarios)
Valores faltantes: Sí (presentes en la mayoría de las variables predictoras)
Área de aplicación: Salud y Medicina, Ginecología, Oncología
Institución: Hospital Universitario de Caracas, Venezuela

📖 Publicación Introductoria

El artículo fundamental que describe el uso de aprendizaje por transferencia con observabilidad parcial aplicado al cribado de cáncer cervical es:

Fernandes, K., Cardoso, J. S., & Fernandes, J. C. (2017). Transfer Learning with Partial Observability Applied to Cervical Cancer Screening. Iberian Conference on Pattern Recognition and Image Analysis (IbPRIA 2017), Lecture Notes in Computer Science, vol. 10255, pp. 243-250. https://doi.org/10.1007/978-3-319-58838-4_23

⚖️ Ética y Privacidad

El conjunto de datos fue recolectado en el Hospital Universitario de Caracas y ha sido anonimizado para proteger la privacidad de las pacientes. Varias pacientes decidieron no responder a algunas preguntas debido a preocupaciones de privacidad, lo que ha generado valores faltantes en el conjunto de datos. 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 y la naturaleza de múltiples objetivos. Se recomienda:

Manejar adecuadamente los valores faltantes mediante imputación (media, mediana, moda, o técnicas avanzadas como MICE) o eliminación de registros incompletos
Considerar el problema como clasificación con múltiples objetivos (multi-target), donde las cuatro pruebas diagnósticas pueden predecirse simultáneamente
Las variables objetivo (Hinselmann, Schiller, Citology, Biopsy) representan diferentes niveles de invasividad y precisión diagnóstica
La biopsia se considera el estándar de oro para el diagnóstico definitivo
Estandarizar/normalizar las características numéricas (Age, Number of sexual partners, First sexual intercourse, Num of pregnancies, etc.)
Utilizar validación cruzada estratificada debido al posible desbalanceo entre clases en las variables objetivo
Considerar técnicas de selección de características debido a la alta dimensionalidad relativa al número de instancias
Tener en cuenta que el conjunto de datos proviene de una población específica (Venezuela), lo que debe considerarse al generalizar los resultados a otras poblaciones

💡 Importancia Clínica

El cáncer cervical (de cuello uterino) es el cuarto cáncer más común en mujeres a nivel mundial, con aproximadamente 604,000 casos nuevos y 342,000 muertes en 2020, según la Organización Mundial de la Salud (OMS). Es una enfermedad altamente prevenible y curable si se detecta a tiempo mediante cribado y tratamiento de lesiones precancerosas. Los principales factores de riesgo incluyen:

Infección persistente por Virus del Papiloma Humano (VPH) de alto riesgo (causa necesaria en el 99% de los casos)
Múltiples parejas sexuales
Inicio temprano de actividad sexual
Tabaquismo
Uso prolongado de anticonceptivos orales
Inmunosupresión

La OMS ha lanzado la Estrategia Mundial para Acelerar la Eliminación del Cáncer Cervical, con el objetivo de que todos los países alcancen y mantengan una incidencia inferior a 4 casos por 100,000 mujeres. Este conjunto de datos contribuye a este objetivo al permitir el desarrollo de modelos predictivos que pueden apoyar el cribado y la detección temprana.

📖 Cómo citar la fuente original

Fernandes, K., Cardoso, J. S., & Fernandes, J. C. (2017). Transfer Learning with Partial Observability Applied to Cervical Cancer Screening. In Iberian Conference on Pattern Recognition and Image Analysis (IbPRIA 2017), Lecture Notes in Computer Science, vol. 10255, pp. 243-250. https://doi.org/10.1007/978-3-319-58838-4_23

📚 Referencias Adicionales

Fernandes, K., Cardoso, J. S., & Fernandes, J. C. (2017). Transfer Learning with Partial Observability Applied to Cervical Cancer Screening. IbPRIA 2017, LNCS 10255, pp. 243-250. https://doi.org/10.1007/978-3-319-58838-4_23
Organización Mundial de la Salud (OMS). (2024). Cáncer de cuello uterino. https://www.who.int/es/news-room/fact-sheets/detail/cervical-cancer
UCI Machine Learning Repository - Cervical Cancer (Risk Factors). https://archive.ics.uci.edu/ml/datasets/Cervical+cancer+%28Risk+Factors%29
American Cancer Society. Cervical Cancer. https://www.cancer.org/cancer/cervical-cancer.html

🔄 Transformaciones Aplicadas

Modificaciones realizadas al conjunto original (Cervical Cancer Risk Factors)

Limpieza y tratamiento de valores no numéricos:
- Identificación y reemplazo de valores '?' (indicadores de "no disponible" en el dataset original) a NaN para su correcto tratamiento estadístico.
- Conversión forzada de todas las columnas a tipo numérico mediante pd.to_numeric(..., errors='coerce'), transformando cualquier valor no numérico residual a NaN.
Imputación de valores faltantes con mediana:
- Aplicación de estrategia unificada de imputación con mediana en todas las variables con valores perdidos.
- Justificación metodológica: La mediana es robusta para variables continuas (edad, número de parejas) y funciona como la moda para variables binarias (0/1).
- Dataset resultante 100% completo sin valores faltantes.
Selección y enfoque en variable objetivo específica:
- Enfoque en la variable Biopsy como variable objetivo principal para la clasificación binaria.
- Mapeo: 0 = Resultado Negativo (Sano), 1 = Resultado Positivo (Cáncer/Lesión).
- Preservación de todas las variables predictoras relacionadas con factores de riesgo y resultados de pruebas diagnósticas.
Estandarización y optimización de tipos de datos:
- Conversión forzada de 33 variables conceptualmente enteras/binarias a tipo int para eliminar decimales y optimizar memoria.
- Variables incluyen: edad, número de parejas sexuales, primer coito, número de embarazos, hábitos de tabaquismo, uso de anticonceptivos hormonales, DIU, ETS, diagnósticos, y resultados de pruebas (Hinselmann, Schiller, Citology, Biopsy).
- Variables continuas (ej. Smokes (years), Hormonal Contraceptives (years)) preservadas como float para mantener precisión.
Generación de leyenda completa y documentación:
- Creación del archivo leyenda_cervical_cancer.txt con descripción detallada de todas las variables.
- Identificación automática de variables binarias (0/1) y su significado semántico (No/Negativo vs Sí/Positivo).
- Clasificación de cada variable como Entero/Binario o Continuo (Real) para facilitar la interpretación.
- Documentación de la estrategia de procesamiento (imputación con mediana).
Preservación de la estructura original:
- Mantenimiento de las 858 instancias (pacientes) sin eliminación de filas.
- Conservación de todas las variables originales (36 columnas) sin adición de columnas artificiales.
- Guardado en formato CSV con separador punto y coma (;) para compatibilidad internacional.

📊 Resultado: Dataset de 858 pacientes con 35 variables predictoras (mixtas: binarias/categóricas codificadas y continuas) y 1 variable objetivo (Biopsy). Desbalance extremo (~95% resultados negativos / ~5% positivos) — escenario crítico para validación de técnicas de generación de datos sintéticos y evaluación del índice TabDSFidelity en contextos de detección temprana de cáncer con baja prevalencia.

🏥 Fuente: Cervical Cancer Risk Factors Dataset (UCI Machine Learning Repository) - Donado por el Hospital Universitario de Caracas, Venezuela.

🔬 Variables clave: Factores demográficos, hábitos de salud, historial de ETS, resultados de pruebas diagnósticas (Hinselmann, Schiller, Citología, Biopsia) y diagnósticos (Cáncer, CIN, HPV).

📁 Leyenda disponible: Archivo leyenda_cervical_cancer.txt con mapeo semántico completo de todas las variables binarias y clasificación por tipo de dato.

🎯 Variable objetivo seleccionada: Biopsy (1 = Resultado Positivo - Cáncer/Lesión, 0 = Resultado Negativo - Sano).

⚠️ Desbalance extremo: Solo ~5% de casos positivos, escenario ideal para validación de técnicas de sobremuestreo y generación de datos sintéticos.

📋 Diccionario de Datos Detallado

Variable	Descripción Clínica	Tipo	Rango / Categorías	Unidad	¿Objetivo?
`Age`	Edad de la paciente	Numérico	13 - 79	años	No
`Number_of_sexual_partners`	Número de parejas sexuales	Numérico	1 - 28	parejas	No
`First_sexual_intercourse`	Edad de inicio de relaciones sexuales	Numérico	10 - 32	años	No
`Num_of_pregnancies`	Número de embarazos	Numérico	0 - 10	embarazos	No
`Smokes_years`	Años de hábito tabáquico	Numérico	0 - 37	años	No
`Smokes_packs_year`	Intensidad tabáquica (paquetes/año)	Numérico	0 - 37	paquetes/año	No
`Hormonal_Contraceptives_years`	Años de uso de anticonceptivos hormonales	Numérico	0 - 30	años	No
`IUD_years`	Años de uso de DIU (Dispositivo Intrauterino)	Numérico	0 - 19	años	No
`STDs_number`	Número de ETS diagnosticadas	Numérico	0 - 4	ETS	No
`STDs_Number_of_diagnosis`	Número de diagnósticos de ETS	Numérico	0 - 3	diagnósticos	No
`STDsTime_since_first_diagnosis`	Tiempo desde el primer diagnóstico de ETS	Numérico	1 - 22	años	No
`STDsTime_since_last_diagnosis`	Tiempo desde el último diagnóstico de ETS	Numérico	1 - 22	años	No
`Smokes`	Hábito tabáquico	Binario	0: No, 1: Sí	N/A	No
`Hormonal_Contraceptives`	Uso de anticonceptivos hormonales	Binario	0: No, 1: Sí	N/A	No
`IUD`	Uso de DIU (Dispositivo Intrauterino)	Binario	0: No, 1: Sí	N/A	No
`STDs`	Historial de Enfermedades de Transmisión Sexual	Binario	0: No, 1: Sí	N/A	No
`STDscondylomatosis`	Condilomatosis (ETS)	Binario	0: No, 1: Sí	N/A	No
`STDscervical_condylomatosis`	Condilomatosis cervical (ETS)	Binario	0: No, 1: Sí	N/A	No
`STDsvaginal_condylomatosis`	Condilomatosis vaginal (ETS)	Binario	0: No, 1: Sí	N/A	No
`STDsvulvo_perineal_condylomatosis`	Condilomatosis vulvo-perineal (ETS)	Binario	0: No, 1: Sí	N/A	No
`STDssyphilis`	Sífilis (ETS)	Binario	0: No, 1: Sí	N/A	No
`STDspelvic_inflammatory_disease`	Enfermedad inflamatoria pélvica (ETS)	Binario	0: No, 1: Sí	N/A	No
`STDsgenital_herpes`	Herpes genital (ETS)	Binario	0: No, 1: Sí	N/A	No
`STDsmolluscum_contagiosum`	Molusco contagioso (ETS)	Binario	0: No, 1: Sí	N/A	No
`STDsAIDS`	Diagnóstico de SIDA	Binario	0: No, 1: Sí	N/A	No
`STDsHIV`	Diagnóstico de VIH	Binario	0: No, 1: Sí	N/A	No
`STDsHepatitis_B`	Diagnóstico de Hepatitis B	Binario	0: No, 1: Sí	N/A	No
`STDsHPV`	Diagnóstico de VPH (Virus del Papiloma Humano)	Binario	0: No, 1: Sí	N/A	No
`DxCancer`	Antecedente de diagnóstico de cáncer	Binario	0: No, 1: Sí	N/A	No
`DxCIN`	Antecedente de Neoplasia Intraepitelial Cervical (CIN)	Binario	0: No, 1: Sí	N/A	No
`DxHPV`	Antecedente de diagnóstico de VPH	Binario	0: No, 1: Sí	N/A	No
`Dx`	Antecedente de diagnóstico general (otras patologías)	Binario	0: No, 1: Sí	N/A	No
`Hinselmann`	Resultado de Colposcopia (Prueba de Hinselmann)	Binario	0: Negativo, 1: Positivo	N/A	No
`Schiller`	Resultado de la Prueba de Schiller (tinción yodo)	Binario	0: Negativo, 1: Positivo	N/A	No
`Citology`	Resultado de Citología (Papanicolaou)	Binario	0: Negativo, 1: Positivo	N/A	No
`Biopsy`	Resultado de Biopsia (Diagnóstico definitivo) - OBJETIVO	Binario	0: Negativo, 1: Positivo (Cáncer/Lesión)	N/A	Sí

36 Variables totales

12 Numéricas

0 Categóricas

24 Binarias

Objetivo: Cáncer Cervical (Biopsy)

Datos ausentes: 0%

Instancias: 858

Imputación: Mediana

📈 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 Factores de Riesgo de Cáncer Cervical. Comprender estas codificaciones es fundamental para la correcta interpretación de los resultados clínicos.

Biopsy 🎯 Objetivo

Código	Significado
0	Negativo - Sin cáncer cervical / lesión maligna
1	Positivo - Cáncer cervical o lesión premaligna (CIN)

🎯

Variable Objetivo: Biopsia es el método más confiable para diagnóstico de cáncer cervical.

Variables Binarias Binario

Formato común: 0 = No / Negativo, 1 = Sí / Positivo

Smokes Hábito tabáquico (0: No, 1: Sí)

Hormonal_Contraceptives Uso de anticonceptivos hormonales (0: No, 1: Sí)

IUD Uso de DIU (0: No, 1: Sí)

STDs Historial de ETS (0: No, 1: Sí)

STDscondylomatosis Condilomatosis

STDscervical_condylomatosis Condilomatosis cervical

STDsvaginal_condylomatosis Condilomatosis vaginal

STDsvulvo_perineal_condylomatosis Condilomatosis vulvo-perineal

STDssyphilis Sífilis

STDspelvic_inflammatory_disease Enfermedad inflamatoria pélvica

STDsgenital_herpes Herpes genital

STDsmolluscum_contagiosum Molusco contagioso

STDsAIDS SIDA

STDsHIV VIH

STDsHepatitis_B Hepatitis B

STDsHPV VPH (Virus del Papiloma Humano)

DxCancer Antecedente de cáncer

DxCIN Neoplasia Intraepitelial Cervical

DxHPV Diagnóstico de VPH

Dx Diagnóstico general

Hinselmann Colposcopia (prueba de Hinselmann)

Schiller Prueba de Schiller (tinción con yodo)

Citology Citología (Papanicolaou)

Biopsy 🎯 Variable Objetivo: Biopsia (Gold Standard)

ℹ️

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

📊

Variables binarias: 24

4 Hábitos y Anticoncepción (Smokes, Hormonal, IUD, STDs)
12 ETS específicas (Condilomatosis, Sífilis, VIH, VPH, etc.)
4 Historial de diagnósticos (DxCancer, DxCIN, DxHPV, Dx)
3 Pruebas de tamizaje (Hinselmann, Schiller, Citology)
🎯 1 Objetivo (Biopsy)

📈

Variables numéricas: 12

4 Demográficas/Reproductivas (Age, Partners, First_sex, Pregnancies)
2 Tabaquismo (Smokes_years, Smokes_packs_year)
2 Anticonceptivos (Hormonal_years, IUD_years)
4 ETS (STDs_number, Number_diagnosis, Time_first, Time_last)

⚠️

Recomendaciones Clínicas:

Factor principal: Infección por VPH (STDsHPV) es el principal factor de riesgo para cáncer cervical
Factores secundarios: Tabaco, multiparidad, anticonceptivos hormonales prolongados
Tamizaje: Citología, Hinselmann y Schiller son pruebas de cribado complementarias a la biopsia
Historial: DxCIN (Neoplasia Intraepitelial) es precáncer y debe ser monitorizado
Desbalance: La clase asociada a las ETS tiene baja prevalencia
Imputación: Datos perdidos imputados con la mediana, especialmente en variables de tiempo de ETS

🔬 Metodología de Generación (Reproducibilidad Científica)

📐 Método Principal

SMOTE RSB* Adaptado

Versión: 2.0

DOI: 10.1007/s42979-026-04896-8

📏 Reglas de restricción

Age < 12 → Num_of_pregnancies = 0
Age < 12 → Number_of_sexual_partners = 0
Age < 15 → IUD = 0
Smokes == 0 → Smokes_years = 0
Smokes == 0 → Smokes_packs_year = 0
Hormonal_Contraceptives == 0 → Hormonal_Contraceptives_years = 0
IUD == 0 → IUD_years = 0
STDs == 0 → STDs_number = 0
Smokes_years > 0 → Smokes = 1
Hormonal_Contraceptives_years > 0 → Hormonal_Contraceptives = 1
IUD_years > 0 → IUD = 1
STDs_number > 0 → STDs = 1
STDsAIDS == 1 → STDsHIV = 1
DxCancer == 1 → Dx = 1
DxHPV == 1 → Dx = 1
STDs == 1 → (STDs_number > 0) OR (STDsHPV = 1) OR (STDscondylomatosis = 1) OR (STDssyphilis = 1) OR (STDsHIV = 1) OR (STDsgenital_herpes = 1)
STDscondylomatosis == 1 → STDs = 1
STDsHIV == 1 → STDs = 1

⚙️ 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	962	0.931	0.949	0.953	6.068	0.097	0.592	0.049	0.951	83.794	0	962	0.424
Smote	1	962	0.890	0.942	0.942	3.919	0.142	0.663	0.033	0.963	64.837	0.008	514	0.547
Borderline SMOTE	1	962	0.886	0.931	0.924	2.754	0.143	0.599	0.030	0.957	63.852	0.008	514	0.560
ADASYN	1.017	954	0.907	0.953	0.953	5.224	0.143	0.627	0.035	0.963	62.804	0.008	515	0.516
SMOTE RSB* Adaptado	1.041	943	0.921	0.983	0.983	7.888	0.130	0.606	0.048	0.957	75.553	0.014	518	0.368
*SMOTE RSB Adaptado + Reglas**	1.041	943	0.947	0.978	0.977	8.197	0.131	0.519	0.047	0.960	79.086	0.017	514	0.426	🏆
OOF PSO para Balanceo	1	962	0.933	0.945	0.953	3.105	0.310	0.088	0.293	0.639	74.063	0.180	514	0.391
OOF PSO para Balanceo + Reglas	1	962	0.933	0.945	0.953	3.859	0.274	0.184	0.288	0.746	73.931	0.168	510	0.399

⭐ Mejor seleccionado: SMOTE RSB* Adaptado + Reglas del Dominio (TabDSFidelity: 8.197, AUC: 0.947, F1: 0.978, MIA: 0.426). 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	1.017	9270	0.910	0.965	0.965	7.393	0.198	0.220	0.067	0.946	128.278	0.670	0	0.427
SMOTE RSB* + Ruido Gaussiano + Reglas	1.017	9270	0.915	0.958	0.959	7.838	0.160	0.456	0.075	0.946	377.993	0.669	0	0.423
CTGAN	1.567	9999	0.742	0.870	0.849	2.742	0.229	0.244	0.072	0.899	716.492	0.060	1	0.538
CTGAN + Reglas del Dominio	1.567	9999	0.757	0.860	0.826	2.460	0.216	0.259	0.082	0.904	979.979	0.059	3	0.564
TVAE	1.162	9982	0.965	0.958	0.953	7.074	0.295	0.113	0.053	0.931	376.518	0.023	10	0.392
TVAE + Reglas del Dominio	1.162	9982	0.982	0.940	0.930	7.134	0.228	0.284	0.054	0.931	619.151	0.022	22	0.400
OOF PSO para Aumento	1	10000	0.935	0.978	0.977	5.696	0.608	0.000	0.419	0.622	176.677	0.255	0	0.437
OOF PSO para Aumento + Reglas	1	10000	0.933	0.978	0.977	5.644	0.586	0.000	0.407	0.591	435.069	0.253	0	0.499
SMOTE RSB* Refinado	1.045	9424	0.917	0.958	0.959	7.260	0.198	0.227	0.069	0.944	126.929	0.643	0	0.440
*SMOTE RSB Refinado + Reglas**	1.045	9424	0.916	0.958	0.959	7.883	0.161	0.481	0.078	0.945	365.491	0.643	0	0.442	🏆

⭐ Mejor seleccionado: SMOTE RSB* Refinado + Reglas del Dominio (TabDSFidelity: 7.883, AUC: 0.916, F1: 0.958, MIA: 0.442). 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	1.012	10213	0.915	0.972	0.971	6.746	0.192	0.223	0.065	0.946	263.008	0.670	0	0.403
*SMOTE RSB + Ruido Gaussiano + Reglas**	1.012	10213	0.926	0.978	0.977	8.177	0.156	0.465	0.072	0.947	510.331	0.670	0	0.436	🏆
CTGAN	1.511	10942	0.871	0.949	0.953	3.739	0.215	0.251	0.068	0.905	853.714	0.055	100	0.455
CTGAN + Reglas del Dominio	1.511	10942	0.879	0.949	0.953	4.035	0.201	0.282	0.078	0.910	1120.790	0.053	100	0.472
TVAE	1.143	10925	0.915	0.968	0.965	5.832	0.277	0.122	0.050	0.939	506.428	0.021	115	0.396
TVAE + Reglas del Dominio	1.143	10925	0.961	0.940	0.930	4.418	0.213	0.288	0.052	0.940	748.774	0.020	124	0.385
OOF PSO para Aumento	1.003	10943	0.924	0.978	0.977	5.260	0.557	0.000	0.362	0.643	314.274	0.235	100	0.411
OOF PSO para Aumento + Reglas	1.003	10943	0.920	0.978	0.977	5.146	0.537	0.000	0.356	0.613	572.799	0.233	100	0.428
SMOTE RSB* Refinado	1.037	10367	0.918	0.960	0.959	5.723	0.192	0.229	0.067	0.945	253.775	0.643	0	0.428
SMOTE RSB* Refinado + Reglas	1.037	10367	0.919	0.958	0.959	6.288	0.157	0.488	0.075	0.945	490.501	0.643	0	0.440

⭐ Mejor seleccionado: SMOTE RSB* + Ruido Gaussiano + Reglas del Dominio (TabDSFidelity: 8.177, AUC: 0.926, F1: 0.978, MIA: 0.436). Nota: Ratio <= 1.5 = Conjunto Balanceado.

📈 Diagrama del Proceso de Generación

Conjunto Original
CD_22

↓

Balanceo
(8 métodos)

↓ Selección por TabDSFidelity

⭐ Mejor Balanceado
SMOTE RSB* Adaptado + Reglas del Dominio

↓

Generación Sintética
(10 métodos)

↓ Evaluación TabDSFidelity

⭐ Mejor Sintético
SMOTE RSB* Refinado + Reglas del Dominio

⭐ Mejor Aumentado
SMOTE RSB* + Ruido Gaussiano + 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 Cervical Cancer Risk Factors (Version 1). figshare. https://doi.org/10.6084/m9.figshare.32934074.v1