CD_24 Original + Derivados

CD_24: NHANES 2013-2014: Diabetes Prediction (CDC)

Matriz analítica consolidada de la encuesta poblacional NHANES (CDC), diseñada para la predicción de Diabetes Tipo 2 (Diabetes_Diagnosis). Integra ~9,800 registros de 5 dominios: 1) Demografía (edad, etnia, ratio de ingresos); 2) Antropometría (IMC, cintura, presión sistólica); 3) Laboratorio (colesterol, triglicéridos); y 4) Nutrición/Hábitos (calorías diarias, ingesta de grasas/azúcares, tabaquismo).

📈 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	0.92	0.99	0.96	185
Clase 1	0.00	0.00	0.00	15
Accuracy	0.92
Macro Avg	0.46	0.50	0.48	200
Weighted Avg	0.86	0.92	0.89	200

AUC-ROC: 0.19

F1-Score (weighted): 0.89

Accuracy: 0.92

➡️ Mejora

⬆ +0.58 AUC ⬆ +0.01 F1 ⬇ -0.02 Acc

🏆 MEJOR RENDIMIENTO

🔮 Conjunto Sintético

Clase	Precisión	Recall	F1-Score	Soporte
Clase 0	0.95	0.94	0.95	185
Clase 1	0.35 ⬆ +0.35	0.40 ⬆ +0.40	0.38 ⬆ +0.38	15
Accuracy	0.90 ⬇ -0.02
Macro Avg	0.65 ⬆ +0.19	0.67 ⬆ +0.17	0.66 ⬆ +0.18	200
Weighted Avg	0.91 ⬆ +0.05	0.90 ⬇ -0.02	0.90 ⬆ +0.01	200

AUC-ROC: 0.78 ⬆ +0.58

F1-Score (weighted): 0.90 ⬆ +0.01

Accuracy: 0.90 ⬇ -0.02

📊 Resumen de Mejoras en Clase Minoritaria (Clase 1)

🎯

Precisión

Original: 0.00

Sintético: 0.35

⬆ +0.35

📈

Recall

Original: 0.00

Sintético: 0.40

⬆ +0.40

⚖️

F1-Score

Original: 0.00

Sintético: 0.38

⬆ +0.38

📚 Fuente Original del Conjunto

NHANES 2013-2014 (National Health and Nutrition Examination Survey)

v1.0

National Center for Health Statistics (NCHS) / Centers for Disease Control and Prevention (CDC)

Publicado: 2013-2014

Institución: CDC / National Center for Health Statistics (NCHS)

DOI: CDC NHANES

URL: https://www.cdc.gov/nchs/nhanes/

Licencia: Dominio público (Datos gubernamentales de EE.UU.)

Muestra anual: ~5,000 personas

Condados visitados: 15 por año

📄 Resumen (Abstract)

La Encuesta Nacional de Examen de Salud y Nutrición (NHANES) es un programa de estudios diseñado para evaluar el estado de salud y nutricional de adultos y niños en Estados Unidos. La encuesta es única en su tipo porque combina entrevistas y exámenes físicos. NHANES es un programa principal del Centro Nacional de Estadísticas de Salud (NCHS), que forma parte de los Centros para el Control y la Prevención de Enfermedades (CDC) y tiene la responsabilidad de producir estadísticas vitales y de salud para la nación.

El programa NHANES comenzó a principios de la década de 1960 y se ha llevado a cabo como una serie de encuestas centradas en diferentes grupos de población o temas de salud. En 1999, la encuesta se convirtió en un programa continuo que tiene un enfoque cambiante en una variedad de mediciones de salud y nutrición para satisfacer las necesidades emergentes. La encuesta examina una muestra representativa a nivel nacional de aproximadamente 5,000 personas cada año, ubicadas en condados de todo el país, de los cuales 15 son visitados cada año.

🔬 Métodos y Contexto

La entrevista de NHANES incluye preguntas sobre demografía, situación socioeconómica, dieta y salud. El componente de examen consiste en mediciones médicas, dentales y fisiológicas, así como pruebas de laboratorio administradas por personal médico altamente capacitado. Hasta la fecha, miles de hallazgos de investigación han sido publicados utilizando los datos de NHANES.

📋 Componentes del Dataset NHANES 2013-2014

1. Demographics Dataset

Información demográfica, socioeconómica y de salud general

2. Examinations Dataset

Presión arterial
Medidas corporales (antropometría)
Fuerza muscular - prueba de agarre
Salud oral - dentición
Gusto y olfato

3. Dietary Data - Total Nutrient Intake (First Day)

Ingesta total de nutrientes del primer día

4. Laboratory Dataset

Incluye una amplia gama de pruebas de laboratorio:

Albúmina y Creatinina - Orina
Apolipoproteína B
Metales en sangre (Plomo, Cadmio, Mercurio, Selenio, Manganeso)
Mercurio en sangre (inorgánico, etílico y metílico)
Colesterol - HDL, LDL, Triglicéridos, Total
Conteo sanguíneo completo con diferencial de 5 partes
Cobre, Selenio y Zinc - Suero
Cuestionario de ayuno
Fluoruro - Plasma y Agua
Glicohemoglobina (HbA1c)
Hepatitis A, B, C, D y E
Herpes Simple Virus Tipo-1 y Tipo-2
Prueba de anticuerpos VIH
Virus del Papiloma Humano (HPV) - Enjuague oral y ADN vaginal/penil
Insulina
Yodo - Orina
Perclorato, Nitrato y Tiocianato - Orina
Sustancias perfluoroalquiladas y polifluoroalquiladas (PFC)
Productos químicos de cuidado personal y metabolitos
Metabolitos de ftalatos y plastificantes - Orina
Glucosa plasmática en ayunas
Hidrocarburos aromáticos policíclicos (HAP) - Orina
Perfil bioquímico estándar
Ensayo de transglutaminasa tisular (IgA-TTG) y anticuerpos endomisiales IgA
Trichomonas - Orina
Prueba de tolerancia a la glucosa oral de 2 horas
Clamidia - Orina
Mercurio urinario
Arsénicos especificados en orina
Arsénico total en orina
Tasa de flujo urinario
Metales en orina
Prueba de embarazo en orina
Vitamina B12

5. Questionnaire Dataset

Aculturación
Consumo de alcohol
Presión arterial y Colesterol
Salud cardiovascular
Comportamiento del consumidor
Estado de salud actual
Dermatología
Diabetes
Comportamiento dietético y Nutrición
Discapacidad
Uso de drogas
Primera infancia
Seguridad alimentaria
Seguro de salud
Hepatitis
Utilización hospitalaria y Acceso a la atención
Características de la vivienda
Inmunización
Ingresos
Condiciones médicas
Salud mental - Evaluación de depresión
Ocupación
Salud oral
Osteoporosis
Uso de pesticidas
Actividad física
Funcionamiento físico
Uso preventivo de aspirina
Salud reproductiva
Comportamiento sexual
Trastornos del sueño
Tabaquismo - Consumo de cigarrillos
Tabaquismo - Fumadores en el hogar
Tabaquismo - Uso reciente de tabaco
Tabaquismo - Exposición al humo de segunda mano
Gusto y olfato
Historia de peso
Historia de peso - Jóvenes

6. Medication Dataset

Medicamentos recetados

📊 Descripción de Datos

El conjunto de datos NHANES 2013-2014 es una colección integral de múltiples datasets interconectados que cubren diferentes aspectos de la salud y nutrición de la población estadounidense. Cada componente incluye su propio diccionario de variables y se puede acceder a través del sitio web oficial de NHANES.

📋 Resumen de Componentes

Componente	Descripción	Diccionario
Demographics	Información demográfica, socioeconómica y de salud	Disponible
Examinations	Mediciones físicas, presión arterial, fuerza muscular, salud oral, gusto y olfato	Disponible
Dietary	Ingesta total de nutrientes (primer día)	Disponible
Laboratory	Pruebas de laboratorio (más de 40 tipos de análisis)	Disponible
Questionnaire	Cuestionarios sobre salud, comportamiento y estilo de vida (más de 40 temas)	Disponible
Medication	Medicamentos recetados	Disponible

📋 Características del Dataset

Tipo de problema: Múltiples (Clasificación, Regresión, Análisis de supervivencia, Encuestas)
Dimensión: Multivariante de alta dimensionalidad
Tipo de características: Mixtas (Numéricas, Categóricas, Binarias, Ordinales)
Valores faltantes: Sí (presentes en diversos componentes)
Área de aplicación: Salud Pública, Epidemiología, Nutrición, Enfermedades crónicas
Muestra: Representativa a nivel nacional de EE.UU.
Diseño: Encuesta continua con enfoque cambiante

⚖️ Ética y Privacidad

NHANES es una encuesta gubernamental de EE.UU. que cumple con estrictos protocolos de confidencialidad y privacidad. Todos los identificadores personales son eliminados de los conjuntos de datos públicos para proteger la identidad de los participantes. Los datos están en dominio público y pueden ser utilizados libremente para investigación, con la condición de que se cite adecuadamente a la fuente. El NCHS/CDC ha implementado procedimientos de enmascaramiento de datos para minimizar el riesgo de reidentificación. Restricción de confidencialidad: 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 participantes.

📋 Notas de Uso

El conjunto de datos NHANES es uno de los recursos más valiosos para la investigación en salud pública. Se recomienda:

Consultar los diccionarios de variables completos disponibles en el sitio web de NHANES para cada componente
Tener en cuenta el diseño complejo de la encuesta (muestreo estratificado por conglomerados) al realizar inferencias estadísticas
Utilizar los pesos de muestreo proporcionados para obtener estimaciones representativas de la población de EE.UU.
Manejar adecuadamente los valores faltantes presentes en los diferentes componentes
Considerar la naturaleza temporal de los datos (ciclos de 2 años) para análisis longitudinales
Combinar múltiples componentes (Demographics + Laboratory + Questionnaire) para análisis integrados
Documentar claramente las variables y códigos utilizados en el análisis
Consultar la documentación metodológica de NHANES para comprender los procedimientos de recolección y procesamiento de datos

💡 Importancia en Salud Pública

NHANES es una de las encuestas de salud más importantes del mundo y ha sido fundamental para:

Establecer referencias nacionales para medidas antropométricas, bioquímicas y nutricionales
Identificar tendencias epidemiológicas en enfermedades crónicas (obesidad, diabetes, hipertensión, etc.)
Evaluar el estado nutricional de la población y la ingesta de nutrientes
Detectar exposiciones ambientales a metales pesados, pesticidas y otros contaminantes
Guiar políticas de salud pública y recomendaciones dietéticas
Monitorear la prevalencia de enfermedades infecciosas (hepatitis, VIH, HPV, etc.)

Los datos de NHANES han sido utilizados en miles de publicaciones científicas y continúan siendo un recurso invaluable para la comunidad de investigación en salud global.

📖 Cómo citar la fuente original

National Center for Health Statistics (NCHS). National Health and Nutrition Examination Survey Data 2013-2014. Hyattsville, MD: U.S. Department of Health and Human Services, Centers for Disease Control and Prevention. https://www.cdc.gov/nchs/nhanes/

📚 Referencias Adicionales

Centers for Disease Control and Prevention (CDC). National Health and Nutrition Examination Survey. https://www.cdc.gov/nchs/nhanes/
NHANES 2013-2014 Data Documentation, Codebooks, and Frequencies. https://wwwn.cdc.gov/nchs/nhanes/continuousnhanes/default.aspx?BeginYear=2013
NHANES Response Rates and Population Targets. https://www.cdc.gov/nchs/nhanes/response-rates.htm
NHANES Tutorials and Educational Materials. https://www.cdc.gov/nchs/nhanes/tutorials/default.aspx

🔄 Transformaciones Aplicadas

Modificaciones realizadas al conjunto original (NHANES 2013-2014 - Diabetes Prediction)

Integración y fusión de múltiples tablas:
- Fusión secuencial de 5 archivos del ciclo NHANES 2013-2014: demografía (demographic.csv), dieta (diet.csv), examen físico (examination.csv), laboratorios (labs.csv) y cuestionario (questionnaire.csv).
- Uso de SEQN (identificador único de participante) como clave para los merges (left joins).
- Selección estratégica de 15 variables relevantes de las miles disponibles en NHANES, enfocadas en factores de riesgo metabólico y diabetes.
Selección y renombrado de variables:
- Variables demográficas: Gender (RIAGENDR), Age (RIDAGEYR), Ethnicity (RIDRETH1), Family_Income_Ratio (INDFMPIR).
- Variables de examen físico: BMI (BMXBMI), Waist_Circumference (BMXWAIST), Systolic_BP (BPXSY1).
- Variables de laboratorio: Total_Cholesterol (LBXTC), HDL_Cholesterol (LBXHDL), Triglycerides (LBXTR).
- Variables de dieta: Daily_Calories (DR1TKCAL), Daily_Sugar_Intake (DR1TSUGR), Daily_Fat_Intake (DR1TTFAT).
- Variables de hábitos: Smoker_History (SMQ020), Physical_Activity_Level (PAQ210).
- Eliminación del identificador SEQN tras la fusión para evitar sobreajuste.
Ingeniería y limpieza de la variable objetivo:
- Transformación de Diabetes_Diagnosis (DIQ010) de multiclase a binaria.
- Mapeo: 1 (Sí diagnosticado por doctor) → 1 (Clase Positiva), 2 (No) y 3 (Límite) → 0 (Clase Negativa).
- Eliminación de valores 7 (Rechaza) y 9 (No sabe) como ruido no informativo.
Imputación diferenciada de valores faltantes:
- Variables numéricas (8 columnas): Imputación con mediana para preservar robustez frente a outliers. Variables: Age, Family_Income_Ratio, BMI, Waist_Circumference, Systolic_BP, Total_Cholesterol, HDL_Cholesterol, Triglycerides, Daily_Calories, Daily_Sugar_Intake, Daily_Fat_Intake.
- Variables categóricas (4 columnas): Imputación con moda (valor más frecuente) para preservar la distribución categórica. Variables: Gender, Ethnicity, Smoker_History, Diabetes_Diagnosis.
Codificación específica de variables NHANES y generación de leyenda:
- Gender: Mapeo de NHANES (1=Male, 2=Female) → 0=Male, 1=Female.
- Smoker_History: Mapeo de NHANES (1=Yes, 2=No) → 1=Yes, 0=No.
- Ethnicity: Preservación de códigos numéricos originales (1=Mexican American, 2=Other Hispanic, 3=Non-Hispanic White, 4=Non-Hispanic Black, 5=Other Race) con documentación en leyenda.
- Generación del archivo leyenda_nhanes_diabetes.txt con semántica completa de todas las variables codificadas y descripción de variables continuas.
Estructura y calidad de datos:
- Submuestreo controlado a 1,000 instancias (extraídas del conjunto original de 7,311 participantes NHANES) aplicando muestreo aleatorio estratificado (train_test_split con random_state=42).
- Preservación exacta de la distribución y proporción original del desbalance de la variable objetivo (Diabetes_Diagnosis).
- Dataset final con 14 variables predictoras (mixtas: categóricas codificadas y numéricas continuas) y 1 variable objetivo binaria.
- Guardado en formato CSV con separador punto y coma (;) para compatibilidad internacional.

📊 Resultado: Dataset reducido mediante muestreo estratificado a 1,000 participantes del ciclo NHANES 2013-2014 con 14 variables predictoras (demográficas, antropométricas, metabólicas, dietéticas y de hábitos) y 1 variable objetivo binaria (Diabetes_Diagnosis). Se mantiene fielmente el desbalance original de clases — escenario ideal para validación de técnicas de generación de datos sintéticos y evaluación del índice TabDSFidelity en contextos epidemiológicos con datos complejos y multidimensionales.

🏥 Fuente: National Health and Nutrition Examination Survey (NHANES) 2013-2014 - CDC/NCHS.

🔬 Variables clave: Edad, género, etnicidad, índice de masa corporal, circunferencia de cintura, presión arterial, colesterol total, HDL, triglicéridos, ingesta calórica, consumo de azúcar y grasas, historial de tabaquismo.

📁 Leyenda disponible: Archivo leyenda_nhanes_diabetes.txt con mapeo semántico completo de todas las variables categóricas y descripción de variables continuas.

🎯 Variable objetivo: Diabetes_Diagnosis (1 = Diagnosticado con diabetes por doctor, 0 = No diabético o prediabético).

📋 Contexto epidemiológico: Datos representativos de la población civil no institucionalizada de EE. UU., con seguimiento nutricional y metabólico detallado.

📋 Diccionario de Datos Detallado

Variable	Descripción Clínica	Tipo	Rango / Categorías	Unidad	¿Objetivo?
`Ethnicity`	Origen étnico/racial del participante	Categórico	1: Mexican American, 2: Other Hispanic, 3: Non-Hispanic White, 4: Non-Hispanic Black, 5: Other Race	N/A	No
`Age`	Edad del participante (censurada en 80)	Numérico	1 - 80	años	No
`Family_Income_Ratio`	Índice de pobreza (ratio de ingresos respecto al umbral federal)	Numérico	0 - 5	N/A	No
`BMI`	Índice de Masa Corporal	Numérico	12.9 - 82.9	kg/m²	No
`Waist_Circumference`	Circunferencia de la cintura (grasa visceral)	Numérico	43.4 - 154.4	cm	No
`Systolic_BP`	Presión arterial sistólica (media de lecturas)	Numérico	78 - 208	mm Hg	No
`Total_Cholesterol`	Colesterol total en sangre	Numérico	106 - 348	mg/dL	No
`Triglycerides`	Triglicéridos en sangre	Numérico	28 - 1,184	mg/dL	No
`Daily_Calories`	Ingesta calórica total diaria (recuerdo 24h)	Numérico	203 - 7,933	kcal	No
`Daily_Sugar_Intake`	Ingesta diaria de azúcares totales	Numérico	3.11 - 492.6	gramos	No
`Daily_Fat_Intake`	Ingesta diaria de grasas totales	Numérico	1.84 - 386.95	gramos	No
`Gender`	Sexo biológico del participante	Binario	0: Masculino, 1: Femenino	N/A	No
`Smoker_History`	Historial de tabaquismo (>100 cigarrillos en la vida)	Binario	0: No, 1: Sí	N/A	No
`Diabetes_Diagnosis`	Diagnóstico médico de diabetes (objetivo)	Binario	0: No Diabético, 1: Diabético	N/A	Sí

14 Variables totales

10 Numéricas

1 Categóricas

3 Binarias

Objetivo: Diabetes (Diabetes_Diagnosis)

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 NHANES 2013-2014 para Predicción de Diabetes. Comprender estas codificaciones es fundamental para la correcta interpretación de los resultados clínicos.

Ethnicity Categórica

Origen étnico/racial del participante

Código	Significado
1	Mexican American (Mexicano-Americano)
2	Other Hispanic (Otro Hispano)
3	Non-Hispanic White (Blanco No Hispano)
4	Non-Hispanic Black (Negro No Hispano)
5	Other Race (Otra Raza)

💡

Relevancia: La etnicidad es un factor de riesgo documentado para diabetes tipo 2. Mexican Americans y Non-Hispanic Blacks tienen mayor prevalencia.

Variables Binarias Binario

Formato común: 0 = No / Ausencia, 1 = Sí / Presencia

Gender Sexo (0: Masculino, 1: Femenino)

Smoker_History Historial de tabaquismo (>100 cigarros en la vida) (0: No, 1: Sí)

Diabetes_Diagnosis 🎯 Variable Objetivo: Diabetes diagnosticada (0: No Diabético, 1: Diabético)

ℹ️

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

📊

Variables categóricas: 1

Ethnicity (5 categorías étnico-raciales)

🎯

Variables binarias: 3

Gender (Sexo)
Smoker_History (Tabaquismo)
🎯 Diabetes_Diagnosis (Objetivo)

📈

Variables numéricas: 10

Demográficas: Age, Family_Income_Ratio
Antropometría: BMI, Waist_Circumference
Cardiovasculares: Systolic_BP, Total_Cholesterol, Triglycerides
Nutrición: Daily_Calories, Daily_Sugar_Intake, Daily_Fat_Intake

⚠️

Recomendaciones Clínicas:

Factores de riesgo principales: BMI, Waist_Circumference, Triglycerides, Age
Obesidad: BMI ≥ 30 kg/m² es un factor de riesgo importante
Grasa visceral: Waist_Circumference > 88 cm (mujeres) y > 102 cm (hombres) indica riesgo
Triglicéridos: > 150 mg/dL se asocia con síndrome metabólico
Hipertensión: Systolic_BP > 130 mm Hg es factor de riesgo
Etnicidad: Minorías étnicas tienen mayor prevalencia de diabetes tipo 2
Dieta: Alta ingesta de azúcares y grasas se asocia con mayor riesgo
Fumar: El tabaquismo está asociado con resistencia a la insulina

🔬 Metodología de Generación (Reproducibilidad Científica)

📐 Método Principal

SMOTE RSB* Adaptado

Versión: 2.0

DOI: 10.1007/s42979-026-04896-8

📏 Reglas de restricción

Daily_Fat_Intake > 150 → Daily_Calories > 1400 (Grasa → calorías totales)
Daily_Sugar_Intake > 300 → Daily_Calories > 1500 (Azúcar → calorías totales)
Waist_Circumference > 120 → BMI > 22 (Cintura obesa → BMI no bajo)
Age < 12 → Smoker_History = 0 (Niños no fumadores)
Age < 10 → Systolic_BP < 150 (Niños sin HTA severa)
Age < 25 → BMI > 25 (Diabetes juvenil → sobrepeso)
BMI < 16 → Total_Cholesterol < 280 (Desnutrición → colesterol no alto)
Systolic_BP > 180 → Age > 30 (Crisis hipertensiva → adulto)
BMI > 40 → (Diabetes_Diagnosis = 1) OR (Smoker_History = 1)
Total_Cholesterol > 300 → (Diabetes_Diagnosis = 1) OR (Smoker_History = 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	1110	0.859	0.910	0.925	7.990	0.274	0.114	0.116	0.935	56.086	0	1110	0.504	🏆
Smote	1	1110	0.828	0.874	0.870	1.694	0.406	0.039	0.121	0.927	51.495	0.029	600	0.498
Borderline SMOTE	1	1110	0.867	0.885	0.895	4.153	0.405	0.026	0.118	0.915	51.166	0.030	600	0.456
ADASYN	1.002	1111	0.828	0.871	0.865	1.446	0.404	0.045	0.122	0.932	51.017	0.030	600	0.502
SMOTE RSB* Adaptado	1.028	1095	0.826	0.880	0.870	2.433	0.350	0.043	0.117	0.935	56.548	0.028	600	0.486
SMOTE RSB* Adaptado + Reglas	1.028	1095	0.854	0.879	0.865	3.013	0.350	0.038	0.116	0.934	52.679	0.028	600	0.488
OOF PSO para Balanceo	1	1110	0.893	0.886	0.920	4.672	0.415	0.000	0.233	0.549	65.382	0.146	600	0.484
OOF PSO para Balanceo + Reglas	1.044	1110	0.875	0.904	0.925	5.487	0.419	0.000	0.200	0.658	67.304	0.132	584	0.475

⭐ Mejor seleccionado: Random Oversampling (TabDSFidelity: 7.990, AUC: 0.859, F1: 0.910, MIA: 0.504). 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	2.221	6641	0.905	0.921	0.940	8.067	0.476	0.024	0.046	0.957	73.127	0.293	0.523
SMOTE RSB* + Ruido Gaussiano + Reglas	2.119	6641	0.894	0.930	0.940	7.972	0.476	0.024	0.048	0.958	197.513	0.293	0.462
CTGAN	1.335	10000	0.800	0.721	0.635	3.196	0.513	0.008	0.161	0.907	529.714	0.085	0.475
CTGAN + Reglas del Dominio	1.416	10000	0.832	0.759	0.685	4.190	0.513	0.008	0.165	0.908	708.240	0.085	0.467
TVAE	1.286	10000	0.907	0.904	0.890	7.221	0.530	0.003	0.095	0.929	296.923	0.054	0.490
TVAE + Reglas del Dominio	1.230	10000	0.916	0.893	0.875	7.215	0.530	0.003	0.100	0.930	470.112	0.054	0.500
OOF PSO para Aumento	1	10000	0.788	0.648	0.550	0.206	0.761	0.000	0.379	0.569	137.244	0.237	0.474
OOF PSO para Aumento + Reglas	1.284	10000	0.782	0.639	0.540	0.143	0.761	0.000	0.388	0.625	298.947	0.247	0.486
*SMOTE RSB Refinado**	2.442	6464	0.887	0.921	0.940	8.487	0.480	0.080	0.039	0.958	68.443	0.223	0.487	🏆
SMOTE RSB* Refinado + Reglas	2.353	6464	0.882	0.913	0.930	8.306	0.480	0.080	0.041	0.960	182.477	0.223	0.467

⭐ Mejor seleccionado: SMOTE RSB* Refinado (TabDSFidelity: 8.487, AUC: 0.887, F1: 0.921, MIA: 0.487). 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	1.962	7751	0.890	0.886	0.920	6.675	0.440	0.032	0.053	0.954	138.191	0.292	0	0.527
SMOTE RSB* + Ruido Gaussiano + Reglas	1.888	7751	0.889	0.913	0.930	7.270	0.440	0.032	0.056	0.955	261.675	0.292	0	0.474
CTGAN	1.296	11110	0.861	0.839	0.795	2.936	0.476	0.012	0.155	0.910	624.460	0.077	201	0.482
CTGAN + Reglas del Dominio	1.367	11110	0.866	0.811	0.755	2.096	0.476	0.012	0.158	0.912	799.408	0.077	201	0.485
TVAE	1.254	11110	0.923	0.911	0.900	7.379	0.485	0.004	0.097	0.930	388.093	0.048	201	0.491
TVAE + Reglas del Dominio	1.204	11110	0.923	0.905	0.890	7.164	0.485	0.004	0.101	0.931	560.491	0.049	201	0.492
OOF PSO para Aumento	1	11110	0.884	0.886	0.875	3.522	0.677	0.000	0.293	0.590	220.912	0.215	201	0.489
OOF PSO para Aumento + Reglas	1.252	11110	0.861	0.905	0.900	3.606	0.677	0.000	0.302	0.641	386.000	0.223	201	0.494
*SMOTE RSB Refinado**	2.113	7574	0.888	0.911	0.935	7.814	0.442	0.074	0.048	0.955	127.589	0.221	0	0.464	🏆
SMOTE RSB* Refinado + Reglas	2.050	7574	0.879	0.881	0.910	6.658	0.442	0.074	0.050	0.956	242.040	0.221	0	0.490

⭐ Mejor seleccionado: SMOTE RSB* Refinado (TabDSFidelity: 7.814, AUC: 0.888, F1: 0.911, MIA: 0.464). Nota: Ratio <= 1.5 = Conjunto Balanceado.

📈 Diagrama del Proceso de Generación

Conjunto Original
CD_24

↓

Balanceo
(8 métodos)

↓ Selección por TabDSFidelity

⭐ Mejor Balanceado
Random Oversampling

↓

Generación Sintética
(10 métodos)

↓ Evaluación TabDSFidelity

⭐ Mejor Sintético
SMOTE RSB* Refinado

⭐ Mejor Aumentado
SMOTE RSB* Refinado

↓

Conjunto Sintético Final
Seleccionado por calidad

📊 Guía de Métricas de Evaluación

Para interpretar correctamente los resultados de los conjuntos de datos generados, es fundamental comprender qué mide cada métrica y cómo se relacionan entre sí. A continuación, se detalla cada una de las métricas utilizadas en la evaluación:

🎯 Métricas de Rendimiento Predictivo

AUC-ROC (0.5 - 1.0)

¿Qué mide? Capacidad del modelo para distinguir entre clases (Ej: mortalidad vs supervivencia).

Interpretación:

0.5: Sin capacidad predictiva (aleatorio)
0.7-0.8: Aceptable
0.8-0.9: Excelente
>0.9: Sobresaliente

Ejemplo: AUC-ROC = 0.82 significa que hay un 82% de probabilidad de que el modelo clasifique correctamente un paciente fallecido frente a uno superviviente.

F1-Score (0 - 1.0)

¿Qué mide? Media armónica entre precisión y sensibilidad (recall).

Interpretación:

0.7-0.8: Buen equilibrio entre precisión y sensibilidad
0.8-0.9: Muy buen equilibrio
>0.9: Excelente equilibrio

Ejemplo: F1 = 0.76 indica que el modelo mantiene un buen balance entre identificar correctamente a los pacientes que fallecen (sensibilidad) y no etiquetar erróneamente a los que sobreviven (precisión).

Accuracy (0 - 1.0)

¿Qué mide? Proporción de predicciones correctas sobre el total.

Interpretación:

0.7-0.8: Buen rendimiento general
0.8-0.9: Muy buen rendimiento
>0.9: Excelente rendimiento

Ejemplo: Accuracy = 0.75 significa que el 75% de las predicciones del modelo son correctas.

⚠️ Nota: En conjuntos desbalanceados, esta métrica puede ser engañosa. Es mejor usar F1-Score o AUC-ROC.

🔬 Índice de Fidelidad del Conjunto

TabDSFidelity (0 - 10+)

¿Qué mide? Calidad global del conjunto sintético comparado con el original.

Interpretación:

< 3.0: Baja fidelidad (poca similitud con el original)
3.0 - 6.0: Fidelidad moderada
6.0 - 8.0: Alta fidelidad
> 8.0: Muy alta fidelidad (excelente representación)

Ejemplo: TabDSFidelity = 8.08 indica que el conjunto sintético mantiene una alta similitud con el original, preservando las relaciones y distribuciones de los datos reales, además de maximizar su eficacia predictiva.

💡 Importante: Este es el índice para seleccionar el mejor conjunto de datos sintéticos. Para este caso, el peso empleado para las métricas "AUC-ROC", "F1-Score" y "Accuracy" fue (2) y para el resto de las métricas fue (1).

📊 Métricas de Similitud de Distribuciones

Jensen-Shannon (Promedio) (0 - 1.0)

¿Qué mide? Similitud entre las distribuciones de variables numéricas del conjunto sintético y el original.

Interpretación:

Cerca de 0: Distribuciones muy similares (ideal)
0.1 - 0.3: Diferencias moderadas
> 0.3: Diferencias significativas

Ejemplo: JS = 0.118 indica que las distribuciones de las variables numéricas (edad, presión arterial, etc.) son bastante similares a las del conjunto original.

📌 Nota: Es el promedio de la divergencia de Jensen-Shannon calculada para todas las variables numéricas.

Kolmogorov-Smirnov (p-valor promedio) (0 - 1.0)

¿Qué mide? Probabilidad estadística de que las muestras numéricas del conjunto sintético provengan de la misma distribución continua que el original.

Interpretación:

Cerca de 1.0: Altísima probabilidad de que sean la misma distribución (ideal)
> 0.05: Similitud aceptable (no se rechaza que sean iguales)
< 0.05: Diferencias estadísticamente significativas

Ejemplo: KS p-valor = 0.753 indica que hay evidencia fuerte a favor de que las distribuciones acumulativas de la variable sintética y la original son equivalentes.

📌 Nota: Se reporta el promedio de los p-valores obtenidos mediante la prueba de Kolmogorov-Smirnov de dos muestras para las variables numéricas.

Kullback-Leibler (Promedio) (0 - ∞)

¿Qué mide? Divergencia entre las distribuciones de variables categóricas del conjunto sintético y el original.

Interpretación:

Cerca de 0: Distribuciones muy similares (ideal)
0.01 - 0.1: Diferencias pequeñas
> 0.1: Diferencias notables

Ejemplo: KL = 0.014 indica que la distribución de las variables categóricas (género, mortalidad) es muy similar a la del conjunto original.

📌 Nota: Es el promedio de la divergencia de Kullback-Leibler para todas las variables categóricas. A diferencia de JS y KS, esta métrica se aplica solo a variables categóricas.

📊 Métricas de Estructura

Similitud de Correlación (0 - 1.0)

¿Qué mide? Preservación de las relaciones entre variables del conjunto original.

Interpretación:

Cerca de 1.0: Las relaciones entre variables se mantienen casi idénticas
> 0.9: Excelente preservación de relaciones
0.7 - 0.9: Buena preservación
< 0.7: Pérdida significativa de relaciones

Ejemplo: Correlación = 0.976 significa que las relaciones entre variables (ej. edad y mortalidad) se mantienen en un 97.6% respecto al conjunto original.

⏱️ Métricas de Rendimiento Temporal

Tiempo Total (s) (segundos)

¿Qué mide? Tiempo total de ejecución del proceso de generación del conjunto.

Interpretación:

< 100s: Generación rápida
100-300s: Tiempo moderado
> 300s: Proceso lento (puede ser aceptable para conjuntos grandes)

Ejemplo: Tiempo total = 69.45s significa que el proceso completo de generación del conjunto balanceado tomó aproximadamente 1.16 minutos.

⏱️ Nota: Incluye el tiempo de generación sintética + cálculo de métricas.

🔒 Métricas de Privacidad

Estas métricas evalúan el riesgo de exposición de información sensible y la capacidad de un atacante para inferir datos de los pacientes a partir del conjunto de datos sintéticos.

Distancia al Registro Más Cercano (≥ 0)

¿Qué mide? La distancia promedio entre cada registro sintético y su registro más cercano en el conjunto de datos original.

Interpretación:

Cerca de 0: Los datos sintéticos son muy similares a los originales → ⚠️ ALTO RIESGO de privacidad
0.01 - 0.05: Similaridad moderada → Riesgo moderado
> 0.05: Buena separación de los datos originales → ✅ BAJO RIESGO de privacidad

Ejemplo: Distancia promedio = 0.015 en SMOTE indica que los registros sintéticos están relativamente cerca de los originales, lo que podría implicar un riesgo de privacidad moderado.

🔬

Metodología: Calculada utilizando la Distancia de Gower, la cual maneja internamente tipos de datos mixtos, normalizando las variables numéricas y penalizando diferencias categóricas para devolver un índice estandarizado entre 0 y 1.

💡

Recomendación: Valores < 0.01 deben ser evaluados con precaución. Idealmente, buscar valores > 0.02 para garantizar la privacidad.

Copias Exactas (≥ 0)

¿Qué mide? Número de registros sintéticos que son copias idénticas de registros en el conjunto de datos original.

Interpretación:

0: Ninguna copia exacta → ✅ SEGURO
1 - 10: Pocas copias → Riesgo bajo
11 - 50: Copias moderadas → ⚠️ RIESGO MODERADO
> 50: Muchas copias → 🔴 ALTO RIESGO de reidentificación

Ejemplo: SMOTE RSB* Refinado genera 76 copias exactas de 8817 registros (0.86%), lo que representa un riesgo de privacidad que debe ser evaluado.

⚠️

Importante: La presencia de copias exactas es uno de los indicadores más críticos de fuga de datos. Idealmente, este valor debe ser 0.

Ataque de Inferencia de Membresía (MIA) (0 - 1.0)

¿Qué mide? Tasa de éxito (medida en AUC-ROC) de un atacante para determinar si un registro específico pertenece al conjunto de datos original.

Interpretación:

0.5: Aleatorio (ideal) → ✅ PRIVACIDAD ÓPTIMA
0.5 - 0.55: Riesgo bajo
0.55 - 0.6: Riesgo moderado → ⚠️ PRIVACIDAD CUESTIONABLE
> 0.6: Riesgo alto → 🔴 PRIVACIDAD COMPROMETIDA

Ejemplo: MIA = 0.553 significa que el atacante tiene un éxito ligeramente superior al 50% aleatorio, lo que indica un riesgo de privacidad bajo/moderado.

🎯

Objetivo: Buscar valores lo más cercanos a 0.5. Valores > 0.6 indican que el conjunto sintético no protege adecuadamente la privacidad.

📝 Resumen Rápido para Selección

🏆

Para seleccionar el mejor conjunto:

Priorizar TabDSFidelity más alto
Buscar AUC-ROC y F1 altos
Valores de divergencia JS y KL cercanos a 0
P-valor de KS lo más cercano a 1.0 posible (>0.05)
Correlación > 0.9

⚖️

Balance entre calidad y tiempo:

Un TabDSFidelity > 8.0 indica excelente calidad
Tiempos de generación < 200s son aceptables
La Correlación > 0.95 asegura buena preservación de relaciones

🔒

Para garantizar la privacidad:

MIA lo más cercano a 0.5 (ideal)
Copias exactas = 0 (ideal) o lo más bajo posible
Distancia promedio > 0.02 para buena separación
Evaluar balance entre calidad (TabDSFidelity) y privacidad (MIA)

📥 Descargar conjuntos y código Python

📦 Descargar completo (ZIP)

Formatos incluidos: CSV.

📚 Cómo citar este conjunto

Díaz Bastida, M., Pérez Vázquez, R. A., & Bello Pérez, R. (2026). High-Fidelity Synthetic Dataset for Diabetes Prediction (Version 1). figshare. https://doi.org/10.6084/m9.figshare.32934134.v1