CD_29 Original + Derivados

CD_29: Patient Medication Adherence: Cumplimiento Terapéutico

Dataset de salud pública y farmacoeconomía para la predicción del cumplimiento del tratamiento (Adherence). Integra determinantes sociales (ingresos, seguro), factores psicosociales (salud mental, apoyo social) y clínicos (dosis, severidad, historial previo).

📈 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	0.57	0.62	0.59	109
Clase 1	0.49	0.43	0.46	91
Accuracy	0.54
Macro Avg	0.53	0.53	0.53	200
Weighted Avg	0.53	0.54	0.53	200

AUC-ROC: 0.61

F1-Score (weighted): 0.53

Accuracy: 0.54

➡️ Mejora

⬆ +0.32 AUC ⬆ +0.33 F1 ⬆ +0.31 Acc

🏆 MEJOR RENDIMIENTO

🔮 Conjunto Sintético

Clase	Precisión	Recall	F1-Score	Soporte
Clase 0	0.88	0.84	0.86	109
Clase 1	0.82 ⬆ +0.33	0.87 ⬆ +0.44	0.84 ⬆ +0.38	91
Accuracy	0.85 ⬆ +0.31
Macro Avg	0.85 ⬆ +0.32	0.86 ⬆ +0.33	0.85 ⬆ +0.32	200
Weighted Avg	0.86 ⬆ +0.33	0.85 ⬆ +0.31	0.86 ⬆ +0.33	200

AUC-ROC: 0.93 ⬆ +0.32

F1-Score (weighted): 0.86 ⬆ +0.33

Accuracy: 0.85 ⬆ +0.31

📊 Resumen de Mejoras en Clase Minoritaria (Clase 1)

🎯

Precisión

Original: 0.49

Sintético: 0.82

⬆ +0.33

📈

Recall

Original: 0.43

Sintético: 0.87

⬆ +0.44

⚖️

F1-Score

Original: 0.46

Sintético: 0.84

⬆ +0.38

📚 Fuente Original del Conjunto

Medication Adherence Prediction Dataset

v1.0

Datos clínicos de adherencia a medicamentos

Disponible en repositorios de salud

Repositorio: Datos de investigación en salud

DOI: No disponible

Licencia: Uso académico y de investigación

Tipo de problema: Clasificación binaria (Adherencia vs. No adherencia)

Modelo sugerido: Regresión Logística

Características: 13 predictores + 1 objetivo

📄 Resumen (Abstract)

El conjunto de datos de Predicción de Adherencia a Medicamentos está diseñado para desarrollar un modelo de Regresión Logística que prediga si un paciente adherirá (1) o no adherirá (0) a un régimen de medicación prescrito. La falta de adherencia a la medicación es un desafío crítico en la atención sanitaria que conduce al empeoramiento de las condiciones de salud, reas hospitalizaciones y aumento de costos. Predecir la no adherencia permite intervenciones tempranas que mejoran los resultados de salud y optimizan el uso de recursos sanitarios.

🩺 Contexto y Motivación

La adherencia a la medicación se define como el grado en que el comportamiento de una persona (tomar medicamentos, seguir una dieta o modificar hábitos de vida) corresponde a las recomendaciones acordadas con un profesional de la salud. La no adherencia es un problema multifactorial que puede deberse a:

Factores del paciente: Olvidos, falta de comprensión, creencias sobre la medicación, problemas de salud mental
Factores socioeconómicos: Bajos ingresos, falta de seguro médico, dificultades de acceso
Factores relacionados con el tratamiento: Efectos secundarios, régimen complejo, costo de los medicamentos
Factores del sistema de salud: Mala comunicación médico-paciente, falta de seguimiento

La predicción temprana de pacientes en riesgo de no adherencia permite implementar intervenciones personalizadas que aborden las barreras específicas de cada paciente.

📊 Definición de Variables

🎯 Variable Dependiente (Target)

Variable	Tipo	Descripción	Codificación
Adherence	Binaria	Adherencia del paciente a la medicación prescrita	1 = Adhirió 0 = No adhirió

📋 Variables Predictoras (Features)

A. Datos Demográficos

Variable	Tipo	Descripción
Age	Numérico	Edad del paciente
Gender	Categórica	Género: Male / Female / Other

B. Detalles de la Medicación

Variable	Tipo	Descripción
Medication_Type	Categórica	Tipo de medicamento (ej: TypeA, TypeB, TypeC)
Dosage_mg	Numérico	Dosis en miligramos

C. Historial de Adherencia

Variable	Tipo	Descripción	Codificación
Previous_Adherence	Binaria	Adherencia en la última visita	1 = Adhirió 0 = No adhirió

D. Estatus Socioeconómico

Variable	Tipo	Descripción
Education_Level	Categórica	Nivel educativo: High School, Graduate, Postgraduate
Income	Numérico	Ingreso anual en INR
Social_Support_Level	Categórica	Nivel de apoyo social: Low, Medium, High

E. Estado de Salud

Variable	Tipo	Descripción
Condition_Severity	Categórica	Severidad de la condición: Mild, Moderate, Severe
Comorbidities_Count	Numérico	Número de condiciones adicionales

F. Acceso y Salud Mental

Variable	Tipo	Descripción	Codificación
Healthcare_Access	Categórica	Acceso a atención sanitaria	Good, Average, Poor
Mental_Health_Status	Categórica	Estado de salud mental	Good, Moderate, Poor
Insurance_Coverage	Binaria	Cobertura de seguro médico	1 = Cubierto 0 = No cubierto

🧠 Proceso de Entrenamiento del Modelo

1. Preprocesamiento de Datos

Manejo de valores faltantes
Codificación de variables categóricas (ej: Gender, Medication_Type)
Normalización o estandarización de variables numéricas (ej: Age, Income)

2. División Entrenamiento-Prueba

División estándar: 80% entrenamiento y 20% prueba
Validación cruzada para evaluación robusta

3. Entrenamiento del Modelo de Regresión Logística

Implementación con LogisticRegression() de scikit-learn (o herramienta equivalente)
Interpretación de coeficientes para identificar predictores influyentes

4. Evaluación del Modelo

Métricas de evaluación: Accuracy, Precision, Recall, F1-Score, ROC-AUC
Análisis de coeficientes de características para comprender predictores influyentes

🧪 Predicciones e Intervenciones

Identificación de Pacientes de Alto Riesgo

Pacientes con baja probabilidad predicha de adherencia

Intervenciones Sugeridas

Recordatorios de Medicación: SMS, notificaciones de aplicación
Consejería/Educación al Paciente: Orientación sobre la importancia de la adherencia
Asistencia Financiera: Alivio de copagos, seguimiento de seguros
Visitas Domiciliarias: Apoyo de trabajadores sociales

✅ Resultados Esperados

Información Accionable

Identificar barreras clave para la adherencia (ej: bajos ingresos, salud mental, falta de apoyo)
Los proveedores de salud pueden priorizar la atención y asignar recursos de manera eficiente

Impacto

Aumento de la adherencia a la medicación
Reducción de las tasas de rehospitalización
Mejores resultados de salud para los pacientes

📋 Características del Dataset

Tipo de problema: Clasificación binaria (Adherencia vs. No adherencia)
Modelo recomendado: Regresión Logística (interpretable, coeficientes analizables)
Tipo de características: Mixtas (Numéricas, Categóricas, Binarias)
Área de aplicación: Salud Pública, Gestión de Medicación, Intervenciones Conductuales
Enfoque: Identificación de barreras a la adherencia e intervenciones personalizadas

⚖️ Ética y Privacidad

El conjunto de datos ha sido anonimizado para proteger la privacidad de los pacientes. No contiene información personal identificable. Restricción de confidencialidad: En cumplimiento de los protocolos de privacidad, el uso de los datos está restringido a fines académicos y de investigación. La publicación de resultados debe limitarse a métricas de evaluación, resultados agregados y metodología del modelo, sin divulgación de información que permita la reidentificación de pacientes.

📋 Notas de Uso

Este conjunto de datos está diseñado para predecir la adherencia a la medicación utilizando Regresión Logística. Se recomienda:

Manejar valores faltantes mediante imputación (media, mediana, moda) o eliminación de registros
Codificar variables categóricas:
- Binarias: utilizar directamente 0/1
- Ordinales: Label Encoding (Education_Level, Condition_Severity, Social_Support_Level, Healthcare_Access, Mental_Health_Status)
- Nominales: One-Hot Encoding (Gender, Medication_Type)
Estandarizar/normalizar las variables numéricas (Age, Dosage_mg, Income, Comorbidities_Count)
La variable Previous_Adherence es un predictor importante del comportamiento futuro
Analizar los coeficientes de la regresión logística para comprender las barreras clave a la adherencia
Utilizar métricas de evaluación apropiadas para datos desbalanceados (F1-Score, Precision-Recall, ROC-AUC)
Implementar validación cruzada para evaluar la robustez del modelo

💡 Importancia en Salud Pública

La no adherencia a la medicación es un problema global con implicaciones significativas. Según la Organización Mundial de la Salud:

La no adherencia afecta a aproximadamente el 50% de los pacientes con enfermedades crónicas en países desarrollados
Se estima que la no adherencia causa 125,000 muertes anuales en EE.UU.
El costo de la no adherencia en EE.UU. se estima en $100-300 mil millones anuales

La capacidad de predecir y abordar la no adherencia permite a los sistemas de salud mejorar los resultados clínicos, reducir costos y optimizar la asignación de recursos. Las intervenciones tempranas basadas en modelos predictivos pueden transformar la gestión de enfermedades crónicas.

📖 Cómo citar la fuente original

Medication Adherence Prediction Dataset. Datos clínicos de adherencia a medicamentos para predicción de comportamiento de pacientes. Disponible en repositorios de investigación en salud.

📚 Referencias Adicionales

Organización Mundial de la Salud (OMS). (2003). Adherence to Long-Term Therapies: Evidence for Action. https://www.who.int/publications/i/item/adherence-to-long-term-therapies-evidence-for-action
Brown, M. T., & Bussell, J. K. (2011). Medication Adherence: WHO Cares?. Mayo Clinic Proceedings, 86(4), 304-314. https://doi.org/10.4065/mcp.2010.0575
Nieuwlaat, R., et al. (2014). Interventions for enhancing medication adherence. Cochrane Database of Systematic Reviews, (11). https://doi.org/10.1002/14651858.CD000011.pub4
Kripalani, S., Yao, X., & Haynes, R. B. (2007). Interventions to enhance medication adherence in chronic medical conditions: a systematic review. Archives of Internal Medicine, 167(6), 540-550. https://doi.org/10.1001/archinte.167.6.540

🔄 Transformaciones Aplicadas

Modificaciones realizadas al conjunto original (Patient Medication Adherence)

Verificación e imputación de valores faltantes:
- Confirmación de calidad de datos con imputación preventiva: moda para variables categóricas y mediana para variables numéricas.
- Garantía de integridad total del conjunto de datos para modelado directo.
Codificación ordinal respetando jerarquías clínicas y socioeconómicas:
- Education_Level: Mapeo ordinal (High School → 0, Graduate → 1, Postgraduate → 2).
- Social_Support_Level: Mapeo ordinal (Low → 0, Medium → 1, High → 2).
- Condition_Severity: Mapeo ordinal (Mild → 0, Moderate → 1, Severe → 2) — gravedad de la condición médica.
- Healthcare_Access: Mapeo ordinal (Poor → 0, Average → 1, Good → 2) — acceso a servicios de salud.
- Mental_Health_Status: Mapeo ordinal (Poor → 0, Moderate → 1, Good → 2) — estado de salud mental.
Codificación nominal de variables categóricas:
- Gender: Codificación ordinal con preservación de mapeo completo en leyenda.
- Medication_Type: Codificación ordinal con preservación de mapeo completo en leyenda.
Preservación de variables numéricas y binarias: < class="transformacion-lista">
Age (Edad del paciente).
Dosage_mg (Dosis del medicamento en mg).
Income (Ingresos anuales del paciente).
Comorbidities_Count (Número de otras enfermedades coexistentes).
Previous_Adherence (0: No cumplió antes, 1: Sí cumplió) — indicador de comportamiento pasado.
Insurance_Coverage (0: No asegurado, 1: Asegurado).

Codificación de la variable objetivo:

Preservación de Adherence en su formato binario original: 0 = No Adherido (No cumplió el tratamiento), 1 = Adherido (Cumplió el tratamiento).
Documentación detallada en leyenda sobre el significado clínico de la variable objetivo.

Submuestreo estratificado para reducción del dataset:

Reducción del dataset a 1,000 ejemplos representativos mediante muestreo estratificado.
Uso de train_test_split con parámetro stratify para preservar exactamente la proporción original de clases (desbalance de adherencia).
Semilla fija (random_state=42) para garantizar reproducibilidad científica de la muestra.
Verificación de integridad con diferencia máxima < 1% en proporción de clases.

Generación de documentación completa:

Creación del archivo leyenda_adherence.txt con semántica completa de la variable objetivo y todas las variables predictoras.
Documentación de la estrategia de codificación ordinal (respetando jerarquías naturales).
Mapeo completo de variables nominales (Gender, Medication_Type) con sus categorías originales.
Descripción de variables numéricas, binarias y su significado clínico/socioeconómico.

Optimización y formato de salida:

Dataset completamente numérico (enteros y flotantes) sin variables categóricas.
Guardado en formato CSV con separador punto y coma (;) para compatibilidad internacional.

📊 Resultado: Dataset reducido de 1,000 pacientes (muestra estratificada del dataset original) con 13 variables predictoras (mixtas: ordinales codificadas, nominales codificadas, binarias y numéricas) y 1 variable objetivo binaria (Adherence). Desbalance moderado-preservado (~65% no adheridos / ~35% adheridos) — escenario ideal para validación de técnicas de generación de datos sintéticos y evaluación del índice TabDSFidelity en contextos de adherencia terapéutica, donde factores socioeconómicos, clínicos y de soporte social juegan un papel crucial.

🏥 Fuente: Patient Medication Adherence Dataset (sintético/simulado para investigación en adherencia terapéutica).

🧬 Variables ordinales clave: Education_Level, Social_Support_Level, Condition_Severity, Healthcare_Access, Mental_Health_Status — todas mapeadas respetando su jerarquía natural (Menor a Mayor).

💊 Variables clínicas: Dosage_mg (dosis), Comorbidities_Count (comorbilidades), Previous_Adherence (comportamiento pasado), Medication_Type (tipo de medicamento).

📁 Leyenda disponible: Archivo leyenda_adherence.txt con mapeo semántico completo de todas las variables ordinales, nominales, binarias y numéricas.

🎯 Variable objetivo: Adherence (1 = Paciente adherido al tratamiento, 0 = Paciente no adherido).

🔬 Enfoque metodológico: Codificación ordinal preservando jerarquías naturales de variables socioeconómicas y clínicas para mantener la semántica original en los modelos predictivos.

📋 Diccionario de Datos Detallado

Variable	Descripción Clínica	Tipo	Rango / Categorías	Unidad	¿Objetivo?
`Medication_Type`	Tipo de medicación prescrita (nominal)	Categórico	0: TypeA, 1: TypeB, 2: TypeC	N/A	No
`Education_Level`	Nivel educativo del paciente (ordinal)	Categórico	0: High School, 1: Graduate, 2: Postgraduate	N/A	No
`Social_Support_Level`	Nivel de apoyo social/familiar (ordinal)	Categórico	0: Bajo, 1: Medio, 2: Alto	N/A	No
`Condition_Severity`	Gravedad de la enfermedad (ordinal)	Categórico	0: Leve, 1: Moderada, 2: Severa	N/A	No
`Healthcare_Access`	Nivel de acceso al sistema de salud (ordinal)	Categórico	0: Pobre, 1: Promedio, 2: Bueno	N/A	No
`Mental_Health_Status`	Estado de salud mental (ordinal)	Categórico	0: Pobre, 1: Moderado, 2: Bueno	N/A	No
`Age`	Edad del paciente	Numérico	18 - 90	años	No
`Dosage_mg`	Dosis de medicación prescrita	Numérico	54 - 423	mg	No
`Income`	Ingresos anuales del paciente	Numérico	100,000 - 1,013,273	moneda local	No
`Comorbidities_Count`	Número de comorbilidades (otras enfermedades)	Numérico	0 - 7	N/A	No
`Gender`	Género del paciente	Binario	0: Femenino, 1: Masculino, 2: Otro	N/A	No
`Previous_Adherence`	Historial de adherencia al tratamiento	Binario	0: No cumplió antes, 1: Sí cumplió	N/A	No
`Insurance_Coverage`	Cobertura de seguro médico	Binario	0: No asegurado, 1: Asegurado	N/A	No
`Adherence`	Cumplimiento del tratamiento (objetivo)	Binario	0: No Adherido, 1: Adherido	N/A	Sí

14 Variables totales

4 Numéricas

6 Categóricas

4 Binarias

Objetivo: Adherencia (Adherence)

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 Adherencia a la Medicación. Comprender estas codificaciones es fundamental para la correcta interpretación de los resultados clínicos y el diseño de intervenciones para mejorar el cumplimiento terapéutico.

Medication_Type Categórica

Código	Significado
0	TypeA (Fármaco tipo A)
1	TypeB (Fármaco tipo B)
2	TypeC (Fármaco tipo C)

💊

Nota: Los tipos de fármaco pueden diferir en frecuencia de dosificación, efectos secundarios o vía de administración.

Education_Level Categórica

Código	Significado
0	High School (Educación secundaria)
1	Graduate (Educación universitaria)
2	Postgraduate (Posgrado)

🎓

Orden lógico: Mayor nivel educativo suele correlacionar con mejor comprensión del tratamiento.

Social_Support_Level Categórica

Código	Significado
0	Bajo (Apoyo social/familiar limitado)
1	Medio (Apoyo social/familiar moderado)
2	Alto (Apoyo social/familiar robusto)

🤝

Importancia: El apoyo social es un determinante clave para la adherencia terapéutica.

Condition_Severity Categórica

Código	Significado
0	Leve (Enfermedad de baja gravedad)
1	Moderada (Enfermedad de gravedad media)
2	Severa (Enfermedad de alta gravedad)

🏥

Interpretación: Pacientes con enfermedades severas suelen tener mayor adherencia (síntomas más evidentes).

Healthcare_Access Categórica

Código	Significado
0	Pobre (Acceso limitado a servicios de salud)
1	Promedio (Acceso moderado a servicios de salud)
2	Bueno (Acceso adecuado a servicios de salud)

🚑

Impacto: Buen acceso al sistema de salud facilita la obtención de medicamentos y seguimiento médico.

Mental_Health_Status Categórica

Código	Significado
0	Pobre (Salud mental comprometida)
1	Moderado (Salud mental regular)
2	Bueno (Salud mental estable)

🧠

Importancia: La depresión y ansiedad son barreras significativas para la adherencia terapéutica.

Variables Binarias Binario

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

Gender Género (0: Femenino, 1: Masculino, 2: Otro)

Previous_Adherence Historial de adherencia (0: No cumplió, 1: Sí cumplió)

Insurance_Coverage Cobertura de seguro (0: No asegurado, 1: Asegurado)

Adherence 🎯 Variable Objetivo: Cumplimiento del tratamiento (0: No adherido, 1: Adherido)

ℹ️

Nota: Todas las variables binarias están codificadas como 0 = No y 1 = Sí, excepto Gender que incluye 2 = Otro.

📊

Variables categóricas: 6

Medication_Type (Nominal - 3 tipos)
Education_Level (Ordinal - 3 niveles)
Social_Support_Level (Ordinal - 3 niveles)
Condition_Severity (Ordinal - 3 niveles)
Healthcare_Access (Ordinal - 3 niveles)
Mental_Health_Status (Ordinal - 3 niveles)

🎯

Variables binarias: 4

Gender (0: Femenino, 1: Masculino, 2: Otro)
Previous_Adherence (Historial de cumplimiento)
Insurance_Coverage (Seguro médico)
🎯 Adherence (Objetivo - Cumplimiento terapéutico)

📈

Variables numéricas: 4

Age (Edad en años)
Dosage_mg (Dosis en miligramos)
Income (Ingresos anuales)
Comorbidities_Count (Número de comorbilidades)

⚠️

Recomendaciones Clínicas:

Factor más importante: Previous_Adherence - historial de cumplimiento previo
Barreras clave: Bajo apoyo social (Social_Support_Level = 0) y mala salud mental (Mental_Health_Status = 0)
Facilitadores: Buena educación (Education_Level = 2) y acceso a salud (Healthcare_Access = 2)
Seguro médico: Insurance_Coverage = 1 reduce barreras financieras
Dosis: Mayor Dosage_mg puede afectar adherencia por efectos secundarios
Intervención: Enfoque en pacientes con historial de no adherencia, bajo apoyo social y mala salud mental

🔬 Metodología de Generación (Reproducibilidad Científica)

📐 Método Principal

SMOTE RSB* Adaptado

Versión: 2.0

DOI: 10.1007/s42979-026-04896-8

📏 Reglas de restricción

Healthcare_Access == 0 → Adherence = 0 (Sin acceso → sin adherencia)
Condition_Severity == 2 → Insurance_Coverage = 1 (Severidad alta → cobertura requerida)
Mental_Health_Status == 0 → Adherence = 0 (Problemas mentales → sin adherencia)
Previous_Adherence == 0 → Social_Support_Level > 0 (Mala adherencia previa → requiere apoyo social)
Comorbidities_Count > 4 → Education_Level > 0 (Múltiples comorbilidades → educación requerida)
Condition_Severity == 2 → Mental_Health_Status > 0 (Severidad alta → salud mental adecuada)
Social_Support_Level == 0 → (Adherence = 0) OR (Healthcare_Access = 0)
Education_Level == 2 → (Adherence = 1) OR (Healthcare_Access = 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
Random Oversampling	-	-	-	-	-	-	-	-	-	-	-	-	-	-
Smote	-	-	-	-	-	-	-	-	-	-	-	-	-	-
Borderline SMOTE	-	-	-	-	-	-	-	-	-	-	-	-	-	-
ADASYN	-	-	-	-	-	-	-	-	-	-	-	-	-	-
SMOTE RSB* Adaptado	-	-	-	-	-	-	-	-	-	-	-	-	-	-
SMOTE RSB* Adaptado + Reglas	-	-	-	-	-	-	-	-	-	-	-	-	-	-
OOF PSO para Balanceo	-	-	-	-	-	-	-	-	-	-	-	-	-	-
OOF PSO para Balanceo + Reglas	-	-	-	-	-	-	-	-	-	-	-	-	-	-

⭐ Mejor seleccionado: Sin datos disponibles (TabDSFidelity: -, AUC: -, F1: -, MIA: -). 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**	1.129	9979	1.000	0.995	0.995	9.953	0.208	0.774	0.003	0.988	71.110	0.048	18	0.432	🏆
SMOTE RSB* + Ruido Gaussiano + Reglas	2.273	9979	0.800	0.824	0.830	7.515	0.208	0.774	0.008	0.981	201.223	0.057	12	0.440
CTGAN	1.231	10000	0.598	0.566	0.565	2.543	0.355	0.000	0.075	0.955	346.134	0.126	0	0.494
CTGAN + Reglas del Dominio	2.949	10000	0.556	0.547	0.565	2.248	0.355	0.000	0.087	0.948	466.920	0.122	0	0.464
TVAE	1.269	10000	0.714	0.621	0.640	3.097	0.336	0.004	0.214	0.916	168.648	0.074	0	0.486
TVAE + Reglas del Dominio	1.362	10000	0.695	0.578	0.620	2.723	0.336	0.004	0.215	0.915	288.859	0.074	0	0.475
OOF PSO para Aumento	1	10000	0.716	0.603	0.625	1.244	0.615	0.000	0.351	0.707	96.810	0.210	0	0.514
OOF PSO para Aumento + Reglas	5.039	10000	0.671	0.600	0.600	1.010	0.615	0.000	0.351	0.714	215.895	0.214	0	0.451
SMOTE RSB* Refinado	1	9982	1.000	1.000	1.000	9.791	0.210	0.582	0.004	0.986	67.331	0.074	20	0.461
SMOTE RSB* Refinado + Reglas	2.102	9982	0.750	0.824	0.830	7.081	0.210	0.582	0.007	0.979	187.297	0.078	15	0.468

⭐ Mejor seleccionado: SMOTE RSB* + Ruido Gaussiano (TabDSFidelity: 9.953, AUC: 1.000, F1: 0.995, MIA: 0.432). 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**	1.134	10979	1.000	1.000	1.000	7.998	0.192	0.834	0.003	0.989	142.534	0.043	207	0.432	🏆
SMOTE RSB* + Ruido Gaussiano + Reglas	2.131	10979	1.000	0.985	0.985	3.975	0.192	0.834	0.007	0.983	262.878	0.049	202	0.445
CTGAN	1.227	11000	1.000	1.000	1.000	6.285	0.318	0.000	0.043	0.959	407.739	0.113	186	0.441
CTGAN + Reglas del Dominio	2.680	11000	1.000	1.000	1.000	6.265	0.318	0.000	0.053	0.954	529.028	0.109	186	0.458
TVAE	1.262	11000	1.000	1.000	1.000	5.812	0.299	0.008	0.123	0.925	231.085	0.067	186	0.452
TVAE + Reglas del Dominio	1.345	11000	1.000	1.000	1.000	5.809	0.299	0.008	0.124	0.924	352.556	0.067	186	0.443
OOF PSO para Aumento	1.016	11000	1.000	1.000	1.000	4.000	0.557	0.000	0.252	0.725	157.325	0.192	186	0.458
OOF PSO para Aumento + Reglas	4.206	11000	1.000	1.000	1.000	4.097	0.557	0.000	0.252	0.730	276.435	0.194	186	0.416
SMOTE RSB* Refinado	1.016	10982	1.000	1.000	1.000	7.837	0.193	0.670	0.003	0.987	128.919	0.070	209	0.453
SMOTE RSB* Refinado + Reglas	1.988	10982	1.000	0.990	0.990	5.149	0.193	0.670	0.006	0.981	249.082	0.073	202	0.460

⭐ Mejor seleccionado: SMOTE RSB* + Ruido Gaussiano (TabDSFidelity: 7.998, AUC: 1.000, F1: 1.000, MIA: 0.432). Nota: Ratio <= 1.5 = Conjunto Balanceado.

📈 Diagrama del Proceso de Generación

Conjunto Original
CD_29

↓

Balanceo
(8 métodos)

↓ Selección por TabDSFidelity

⭐ Mejor Balanceado
----

↓

Generación Sintética
(10 métodos)

↓ Evaluación TabDSFidelity

⭐ Mejor Sintético
SMOTE RSB* + Ruido Gaussiano

⭐ Mejor Aumentado
SMOTE RSB* + Ruido Gaussiano

↓

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 Patient Medication Adherence Prediction (Version 1). figshare. https://doi.org/10.6084/m9.figshare.32938907.v1