CD_2 Original + Derivados

EPOC Exacerbada por Infección Respiratoria

Conjunto de datos clínico real para la predicción de mortalidad en pacientes con Enfermedad Pulmonar Obstructiva Crónica (EPOC) reagudizada. Se distingue por un perfil terapéutico específico (uso intensivo de broncodilatadores como Salbutamol/Aminofilina y corticoides).

📈 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.

🏆 MEJOR RENDIMIENTO

📊 Conjunto Original

Clase	Precisión	Recall	F1-Score	Soporte
Clase 0	0.81	0.83	0.82	36
Clase 1	0.14	0.12	0.13	8
Accuracy	0.70
Macro Avg	0.48	0.48	0.48	44
Weighted Avg	0.69	0.70	0.70	44

AUC-ROC: 0.608

F1-Score (weighted): 0.697

Accuracy: 0.70

➡️ Comparación

⬇ -0.22 AUC ⬇ -0.10 F1 ⬇ -0.13 Acc

🔮 Conjunto Sintético

Clase	Precisión	Recall	F1-Score	Soporte
Clase 0	0.76	0.69	0.72	36
Clase 1	0.00 ⬇ -0.14	0.00 ⬇ -0.12	0.00 ⬇ -0.13	8
Accuracy	0.57 ⬇ -0.13
Macro Avg	0.38 ⬇ -0.10	0.35 ⬇ -0.13	0.36 ⬇ -0.12	44
Weighted Avg	0.62 ⬇ -0.07	0.57 ⬇ -0.13	0.59 ⬇ -0.11	44

AUC-ROC: 0.392 ⬇ -0.22

F1-Score (weighted): 0.593 ⬇ -0.10

Accuracy: 0.57 ⬇ -0.13

📊 Análisis Comparativo

📉

Rendimiento General

Original: 0.70

Sintético: 0.57

⬇ -0.13 Accuracy

🎯

Clase Minoritaria (Clase 1)

Original F1: 0.13

Sintético F1: 0.00

⬇ -0.13 F1-Score

📊

Capacidad Discriminativa

Original AUC: 0.608

Sintético AUC: 0.392

⬇ -0.216 AUC-ROC

📚 Fuente Original del Conjunto

EPOC Reagudizada - Predicción de Mortalidad

v1.0

Datos clínicos hospitalarios · Servicio de Neumología

Publicado: 2017-2024

Repositorio: Datos institucionales

Licencia: CC BY-NC 4.0

📄 Resumen (Abstract)

Conjunto de datos clínico real para la predicción de mortalidad en pacientes con Enfermedad Pulmonar Obstructiva Crónica (EPOC) reagudizada. Se distingue por un perfil terapéutico específico caracterizado por el uso intensivo de broncodilatadores (Salbutamol/Aminofilina) y corticoides sistémicos. Integra variables demográficas, parámetros clínicos, gasométricos, y escalas de severidad para la estratificación del riesgo de mortalidad hospitalaria.

🔬 Métodos

Recolección retrospectiva de registros electrónicos de pacientes ingresados por reagudización de EPOC. Anonimización mediante cifrado.

⚖️ Ética y Privacidad

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

📖 Cómo citar la fuente original

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

🔄 Transformaciones Aplicadas

Modificaciones realizadas al conjunto original

Codificación de categóricas: Transformación a valores numéricos.

📋 Diccionario de Datos Detallado

Variable	Descripción Clínica	Tipo	Rango / Categorías	Unidad	¿Objetivo?
`Edad`	Edad del paciente al momento del ingreso	Numérico	0 - 96	años	No
`Estadia`	Días de estancia hospitalaria del paciente	Numérico	0 - 56	días	No
`Tiempo_exacto_de_ventilacion`	Tiempo total de ventilación mecánica durante la estancia	Numérico	0 - 792	horas	No
`Puntaje_Apache`	Puntaje de severidad APACHE II al ingreso	Numérico	0 - 69	puntos	No
`Sexo`	Género del paciente	Categórico	1: Masculino, 2: Femenino	N/A	No
`Raza`	Raza/etnia del paciente	Categórico	1: Blanca, 2: Mestiza, 4: Negra	N/A	No
`Equipo_de_ventilacion_utilizado`	Tipo de equipo de ventilación utilizado durante la estancia	Categórico	1, 3, 4, 5, 6, 7, 8, 9, 11, 12, 13, 14	N/A	No
`Diagnostico_EPOC_exacerbada_por_infeccion_respiratoria`	Diagnóstico de EPOC exacerbada por infección respiratoria	Binario	0: No, 1: Sí	N/A	No
`Infeccion_Respiratoria`	Presencia de infección respiratoria	Binario	0: No, 1: Sí	N/A	No
`Germen_Acynetobacter`	Presencia de infección por Acinetobacter	Binario	0: No, 1: Sí	N/A	No
`Germen_Staphilocco_Aureus_Meicllin_Resitente`	Presencia de Staphylococcus aureus resistente a meticilina (MRSA)	Binario	0: No, 1: Sí	N/A	No
`_Analgesia_Recibida`	Paciente recibió analgesia	Binario	0: No, 1: Sí	N/A	No
`Hidratacion_Recibida`	Paciente recibió hidratación intravenosa	Binario	0: No, 1: Sí	N/A	No
`Anticoagulacion_a_dosis_terapeutica_Recibida`	Paciente recibió anticoagulación a dosis terapéutica	Binario	0: No, 1: Sí	N/A	No
`Hidrocortisona_Recibida`	Paciente recibió hidrocortisona (corticoide)	Binario	0: No, 1: Sí	N/A	No
`Ceftriaxona_Recibida`	Paciente recibió ceftriaxona (antibiótico)	Binario	0: No, 1: Sí	N/A	No
`Claforan_Recibida`	Paciente recibió claforan/cefotaxima (antibiótico)	Binario	0: No, 1: Sí	N/A	No
`Piperacilina_tazobactan_Recibida`	Paciente recibió piperacilina-tazobactam (antibiótico)	Binario	0: No, 1: Sí	N/A	No
`Aerosol_de_salbutamol_Recibida`	Paciente recibió aerosol de salbutamol (broncodilatador)	Binario	0: No, 1: Sí	N/A	No
`Azitromicina_Recibida`	Paciente recibió azitromicina (antibiótico)	Binario	0: No, 1: Sí	N/A	No
`Oseltamivir_Recibida`	Paciente recibió oseltamivir (antiviral)	Binario	0: No, 1: Sí	N/A	No
`Aminofilina_Recibida`	Paciente recibió aminofilina (broncodilatador)	Binario	0: No, 1: Sí	N/A	No
`Murio`	Indicador de fallecimiento del paciente (variable objetivo)	Binario	0: Superviviente, 1: Fallecido	N/A	Sí

23 Variables totales

4 Numéricas

3 Categóricas

16 Binarias

Objetivo: Mortalidad (Murio)

Datos ausentes: 0%

📈 Distribución de la variable objetivo en el conjunto original

📖 Leyenda de Variables Categóricas

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

Sexo Categórica

Código	Significado
1	Masculino
2	Femenino

Raza Categórica

Código	Significado
1	Blanca / Caucásica
2	Mestiza
4	Negra / Afrodescendiente

Equipo_de_ventilacion_utilizado Categórica

Código	Significado
1	Evita-4
3	Servo S
4	Servo-i
5	Savina-300
6	Savina
7	Hamilton-Raphael
8	No ventilado
9	Bella Vista
11	R 50 SIRIUSMED
12	Jenny
13	ABETHA
14	Otros / No especificado

Variables Binarias Binario

Formato común: 0 = No, 1 = Sí

Diagnostico_EPOC_exacerbada_por_infeccion_respiratoria Diagnóstico de EPOC exacerbada por infección respiratoria

Infeccion_Respiratoria Presencia de infección respiratoria

Germen_Acynetobacter Infección por Acinetobacter baumannii

Germen_Staphilocco_Aureus_Meicllin_Resitente Infección por Staphylococcus aureus resistente a meticilina (MRSA)

_Analgesia_Recibida Administración de analgesia

Hidratacion_Recibida Administración de hidratación intravenosa

Anticoagulacion_a_dosis_terapeutica_Recibida Administración de anticoagulación a dosis terapéutica

Hidrocortisona_Recibida Administración de hidrocortisona (corticoide)

Ceftriaxona_Recibida Administración de ceftriaxona (antibiótico - cefalosporina)

Claforan_Recibida Administración de claforan/cefotaxima (antibiótico - cefalosporina)

Piperacilina_tazobactan_Recibida Administración de piperacilina-tazobactam (antibiótico)

Aerosol_de_salbutamol_Recibida Administración de aerosol de salbutamol (broncodilatador)

Azitromicina_Recibida Administración de azitromicina (antibiótico - macrólido)

Oseltamivir_Recibida Administración de oseltamivir (antiviral)

Aminofilina_Recibida Administración de aminofilina (broncodilatador)

Murio 🎯 Variable Objetivo: Fallecimiento del paciente (0: Superviviente, 1: Fallecido)

ℹ️

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

📊

Total de variables cat.: 3

Sexo (2 categorías: 1=Masculino, 2=Femenino)
Raza (3 categorías: 1=Blanca, 2=Mestiza, 4=Negra)
Equipo de ventilación (11 categorías presentes: 1,3,4,5,6,7,8,9,11,12,13,14)

🎯

Total de variables binarias: 16

15 variables de diagnóstico/tratamiento
1 variable objetivo (Murio)

💊

Perfil terapéutico presente:

🔵 Broncodilatadores: Salbutamol (aerosol) y Aminofilina
🟢 Corticoides: Hidrocortisona
🔴 Antibióticos: Ceftriaxona, Claforan, Piperacilina-tazobactam, Azitromicina
🟣 Antivirales: Oseltamivir
⚪ Otros: Analgesia, Hidratación, Anticoagulación terapéutica

⚠️

Recomendaciones para análisis:

Verificar posible exclusión mutua entre Ceftriaxona y Claforan (ambos son cefalosporinas)
Validar relación entre MRSA y uso de Piperacilina-tazobactam
El código 8 en ventilación indica "No ventilado"

🔬 Metodología de Generación (Reproducibilidad Científica)

📐 Método Principal

SMOTE RSB* Adaptado

Versión: 2.0

DOI: 10.1007/s42979-026-04896-8

📏 Reglas de restricción

Diagnostico_EPOC_exacerbada_por_infeccion_respiratoria == 1 → Infeccion_Respiratoria = 1
Germen_Acynetobacter == 1 → Infeccion_Respiratoria = 1
Germen_Staphilocco_Aureus_Meicllin_Resitente (MRSA) == 1 → Infeccion_Respiratoria = 1
MRSA == 1 → Vancomicina_Recibida = 1 OR Linezolid_Recibida = 1
Ceftriaxona_Recibida y Claforan_Recibida son mutuamente excluyentes
Tiempo_exacto_de_ventilacion == 0 → Equipo_de_ventilacion_utilizado = 8 (No Aplica)
Tiempo_exacto_de_ventilacion > 0 → Equipo_de_ventilacion_utilizado ≠ 8
Todo paciente debe recibir hidratación (Hidratacion_Recibida = 1)

📋 Detalle de reglas por categoría:

🔬 Jerarquía SNOMED: Diagnóstico de EPOC exacerbada e infección por gérmenes específicos implican Infección Respiratoria
💊 Guía Clínica: MRSA requiere tratamiento con Vancomicina o Linezolid
🚫 Seguridad farmacológica: No administrar Ceftriaxona y Claforan simultáneamente (redundancia terapéutica)
📊 Lógica de datos: Consistencia entre tiempo de ventilación y equipo utilizado
💉 Cuidados estándar: Todo paciente debe recibir hidratación intravenosa

⚙️ Hiperparámetros SMOTE RSB* Adaptado

Valor escala	0.03
Probabilidad Base	0.1

🔄 Hiperparámetros CTGAN

epochs	500
batch_size	20
generator_lr	0.0002
discriminator_lr	0.0002
pac	2
generator_dim	(128, 128)
discriminator_dim	(128, 128)
embedding_dim	128
l2scale	1e-05

📊 Hiperparámetros TVAE

epochs	300
batch_size	20
embedding_dim	32
compress_dims	(32, 32)
decompress_dims	(32, 32)
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	212	0.587	0.801	0.814	5.775	0.138	0.694	0.017	0.962	88.860	0	212	0.475
SMOTE	1	212	0.669	0.805	0.791	6.057	0.182	0.551	0.029	0.960	62.458	0.025	129	0.534
Borderline SMOTE	1	212	0.706	0.767	0.767	5.515	0.203	0.466	0.026	0.956	66.194	0.021	131	0.570
ADASYN	1.057	218	0.734	0.786	0.767	6.087	0.198	0.470	0.032	0.958	63.929	0.025	130	0.518	🏆
SMOTE RSB* Adaptado	1.152	198	0.671	0.750	0.721	4.844	0.155	0.720	0.016	0.968	60.510	0.028	129	0.566
SMOTE RSB* Adaptado + Reglas	1.152	198	0.589	0.784	0.791	5.144	0.159	0.854	0.019	0.966	57.870	0.031	129	0.551
OOF PSO para Balanceo	1	212	0.643	0.836	0.860	4.238	0.303	0.035	0.137	0.735	69.975	0.138	129	0.593
OOF PSO para Balanceo + Reglas	1	212	0.613	0.870	0.884	4.683	0.308	0.009	0.163	0.812	67.948	0.130	51	0.550

⭐ Mejor seleccionado: ADASYN (TabDSFidelity: 6.087, AUC: 0.734, F1: 0.786, MIA: 0.518). 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**	1.163	7022	0.651	0.767	0.767	9.174	0.243	0.273	0.038	0.942	84.339	0.070	50	0.534	🏆
SMOTE RSB* + Ruido Gaussiano + Reglas	1.163	7022	0.631	0.691	0.651	6.503	0.243	0.273	0.073	0.933	297.072	0.082	18	0.534
CTGAN	1.146	9996	0.683	0.691	0.651	7.469	0.227	0.364	0.022	0.919	433.217	0.081	0	0.487
CTGAN + Reglas del Dominio	1.146	9996	0.671	0.636	0.581	5.745	0.227	0.364	0.069	0.913	716.085	0.089	0	0.518
TVAE	1.130	9996	0.522	0.642	0.605	2.810	0.396	0.014	0.065	0.929	247.652	0.059	0	0.521
TVAE + Reglas del Dominio	1.130	9996	0.579	0.674	0.651	4.525	0.396	0.014	0.100	0.922	480.060	0.069	0	0.521
OOF PSO para Aumento	1	10000	0.552	0.656	0.605	1.028	0.657	0.000	0.248	0.671	150.391	0.194	0	0.486
OOF PSO para Aumento + Reglas	1	10000	0.571	0.636	0.581	0.636	0.657	0.000	0.291	0.676	359.104	0.215	0	0.520
SMOTE RSB* Refinado	1.062	8216	0.625	0.726	0.698	7.415	0.248	0.250	0.037	0.940	130.134	0.073	45	0.471
SMOTE RSB* Refinado + Reglas	1.062	8216	0.613	0.716	0.674	6.853	0.248	0.250	0.070	0.930	339.050	0.085	20	0.547

⭐ Mejor seleccionado: SMOTE RSB* + Ruido Gaussiano (TabDSFidelity: 9.174, AUC: 0.651, F1: 0.767, MIA: 0.534). 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**	1.155	7240	0.688	0.744	0.721	9.182	0.242	0.274	0.038	0.942	176.143	0.069	90	0.558	🏆
SMOTE RSB* + Ruido Gaussiano + Reglas	1.155	7240	0.621	0.726	0.698	7.324	0.242	0.274	0.069	0.934	394.138	0.081	54	0.513
CTGAN	1.141	10214	0.702	0.654	0.605	6.546	0.226	0.375	0.022	0.920	583.173	0.081	32	0.495
CTGAN + Reglas del Dominio	1.141	10214	0.665	0.635	0.581	5.216	0.226	0.375	0.065	0.914	853.078	0.088	32	0.518
TVAE	1.126	10214	0.591	0.718	0.698	5.585	0.389	0.016	0.053	0.933	366.993	0.058	32	0.471
TVAE + Reglas del Dominio	1.126	10214	0.639	0.690	0.674	5.641	0.389	0.016	0.086	0.927	592.546	0.067	32	0.479
OOF PSO para Aumento	1.001	10218	0.609	0.713	0.674	3.102	0.641	0.000	0.237	0.676	253.339	0.189	32	0.497
OOF PSO para Aumento + Reglas	1.001	10218	0.627	0.667	0.628	1.884	0.641	0.000	0.277	0.682	481.734	0.210	32	0.526
SMOTE RSB* Refinado	1.059	8434	0.679	0.750	0.721	9.056	0.247	0.252	0.037	0.940	230.866	0.070	93	0.511
SMOTE RSB* Refinado + Reglas	1.059	8434	0.659	0.735	0.698	8.100	0.247	0.252	0.067	0.930	456.934	0.083	60	0.511

⭐ Mejor seleccionado: SMOTE RSB* + Ruido Gaussiano (TabDSFidelity: 9.182, AUC: 0.688, F1: 0.744, MIA: 0.558). Nota: Ratio <= 1.5 = Conjunto Balanceado.

📈 Diagrama del Proceso de Generación

Conjunto Original
CD_2

↓

Balanceo
(8 métodos)

↓ Selección por TabDSFidelity

⭐ Mejor Balanceado
ADASYN

↓

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)