CD_30 Original + Derivados

CD_30: Autism Spectrum Disorder Screening (Adult)

Conjunto de datos (704 instancias) para el cribado de autismo (TEA). La predicción se basa en las respuestas binarias al cuestionario AQ-10, datos demográficos y antecedentes familiares/médicos (ictericia). Metodológicamente destaca por la eliminación de la variable de suma total (result) para evitar data leakage y forzar al modelo a aprender la estructura latente de las respuestas.

📈 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	0.90	0.99	0.94	103
Clase 1	0.96	0.71	0.82	38
Accuracy	0.91
Macro Avg	0.93	0.85	0.88	141
Weighted Avg	0.92	0.91	0.91	141

AUC-ROC: 0.97

F1-Score (weighted): 0.91

Accuracy: 0.91

➡️ Mejora

⬆ +0.03 AUC ⬆ +0.08 F1 ⬆ +0.08 Acc

🏆 MEJOR RENDIMIENTO

🔮 Conjunto Sintético

Clase	Precisión	Recall	F1-Score	Soporte
Clase 0	1.00	0.99	1.00	103
Clase 1	0.97 ⬆ +0.01	1.00 ⬆ +0.29	0.99 ⬆ +0.17	38
Accuracy	0.99 ⬆ +0.08
Macro Avg	0.99 ⬆ +0.06	1.00 ⬆ +0.15	0.99 ⬆ +0.11	141
Weighted Avg	0.99 ⬆ +0.07	0.99 ⬆ +0.08	0.99 ⬆ +0.08	141

AUC-ROC: 1.00 ⬆ +0.03

F1-Score (weighted): 0.99 ⬆ +0.08

Accuracy: 0.99 ⬆ +0.08

📊 Resumen de Mejoras en Clase Minoritaria (Clase 1)

🎯

Precisión

Original: 0.96

Sintético: 0.97

⬆ +0.01

📈

Recall

Original: 0.71

Sintético: 1.00

⬆ +0.29

⚖️

F1-Score

Original: 0.82

Sintético: 0.99

⬆ +0.17

📚 Fuente Original del Conjunto

Autism Screening Adult Dataset

v1.0

Datos de screening de Trastorno del Espectro Autista (TEA)

Publicado: 23 de diciembre de 2017

Repositorio: UCI Machine Learning Repository

DOI: No disponible

URL: UCI ML Repository

Licencia: Uso académico y de investigación

Instancias: 704

Características: 20 (19 predictores + 1 objetivo)

📄 Resumen (Abstract)

El conjunto de datos de Screening de Autismo para Adultos (Autism Screening Adult) contiene información de 704 instancias con 20 atributos relacionados con la clasificación y tareas predictivas para el Trastorno del Espectro Autista (TEA). El conjunto incluye las puntuaciones de las 10 preguntas del cuestionario de screening AQ-10 (A1_Score a A10_Score), junto con información demográfica (edad, género, etnia), antecedentes médicos (ictericia, antecedentes familiares de TEA), país de residencia, uso previo de aplicaciones de screening y la relación del encuestado con el paciente. El objetivo es predecir si un adulto presenta o no Trastorno del Espectro Autista (variable class).

🧠 Contexto y Motivación

El Trastorno del Espectro Autista (TEA) es una condición del neurodesarrollo que afecta la comunicación, la interacción social y el comportamiento. Se estima que 1 de cada 100 niños en todo el mundo tiene TEA, según la Organización Mundial de la Salud. El diagnóstico temprano es fundamental para:

Acceder a intervenciones tempranas que mejoren el desarrollo
Recibir apoyo educativo y social adaptado a las necesidades
Mejorar la calidad de vida y la integración social
Reducir el impacto en la salud mental y el bienestar

El cuestionario AQ-10 (Autism Spectrum Quotient - 10 items) es una herramienta de screening breve y validada que ayuda a identificar a adultos que pueden estar en el espectro autista y que podrían beneficiarse de una evaluación diagnóstica completa. Este dataset permite desarrollar modelos predictivos que automaticen el screening y faciliten la identificación temprana de casos.

📊 Descripción de Datos

El dataset contiene 704 instancias con 20 atributos (19 variables predictoras y 1 variable objetivo). Las características son de tipo entero y categórico. El conjunto presenta valores faltantes en algunas variables.

📋 Variables del Dataset

Variable	Tipo	Descripción	Valores Faltantes
A. Preguntas del Cuestionario AQ-10 (Screening)
A1_Score	Entero	Puntuación de la pregunta 1 del AQ-10	No
A2_Score	Entero	Puntuación de la pregunta 2 del AQ-10	No
A3_Score	Entero	Puntuación de la pregunta 3 del AQ-10	No
A4_Score	Entero	Puntuación de la pregunta 4 del AQ-10	No
A5_Score	Entero	Puntuación de la pregunta 5 del AQ-10	No
A6_Score	Entero	Puntuación de la pregunta 6 del AQ-10	No
A7_Score	Entero	Puntuación de la pregunta 7 del AQ-10	No
A8_Score	Entero	Puntuación de la pregunta 8 del AQ-10	No
A9_Score	Entero	Puntuación de la pregunta 9 del AQ-10	No
A10_Score	Entero	Puntuación de la pregunta 10 del AQ-10	No
B. Datos Demográficos
age	Entero	Edad del paciente	Sí
gender	Categórica	Género del paciente	No
ethnicity	Categórica	Etnia del paciente	Sí
C. Antecedentes Médicos
jaundice	Categórica	Ictericia al nacer (sí/no)	No
family_pdd	Categórica	Antecedentes familiares de TEA	No
D. Contexto de la Evaluación
country_of_res	Categórica	País de residencia del paciente	No
used_app_before	Categórica	¿Ha usado una aplicación de screening antes?	No
result	Entero	Puntuación total del AQ-10 (suma de A1-A10)	No
age_desc	Categórica	Descripción de la edad (siempre "18 and above")	No
relation	Categórica	Relación del encuestado con el paciente	Sí
E. Variable Objetivo
class	Categórica (Target)	Diagnóstico de Trastorno del Espectro Autista	No

📋 Características del Dataset

Tipo de problema: Clasificación binaria (TEA vs. No TEA)
Dimensión: Multivariante
Tipo de características: Enteros y Categóricas
Valores faltantes: Sí (en age, ethnicity, relation)
Área de aplicación: Salud Mental, Psicología, Neurodesarrollo
Herramienta de screening: AQ-10 (Autism Spectrum Quotient - 10 items)

📖 Instrumento: Cuestionario AQ-10

El Autism Spectrum Quotient (AQ-10) es una herramienta de screening breve diseñada para identificar adultos que pueden estar en el espectro autista. El cuestionario consta de 10 preguntas que evalúan diferentes aspectos del comportamiento y la comunicación social. Las preguntas (A1 a A10) cubren áreas como:

Habilidades sociales (dificultad para comprender convenciones sociales)
Atención a los detalles (tendencia a notar patrones y detalles)
Comunicación (dificultad para entender el lenguaje figurado)
Flexibilidad cognitiva (resistencia a cambios en la rutina)
Intereses restringidos (enfoque intenso en temas específicos)

Una puntuación total (variable result) mayor a cierto umbral sugiere la necesidad de una evaluación diagnóstica completa.

⚖️ Ética y Privacidad

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

📋 Notas de Uso

Este conjunto de datos está diseñado para la clasificación de Trastorno del Espectro Autista en adultos. Se recomienda:

Manejar adecuadamente los valores faltantes:
- Edad: imputación por media o mediana
- Etnia y relación: imputación por moda o categoría "Unknown"
Las puntuaciones A1_Score a A10_Score son la base del screening y deben mantenerse como variables clave
La variable result es la suma total de las 10 preguntas (A1 + A2 + ... + A10) y puede ser redundante si ya se utilizan las puntuaciones individuales
La variable age_desc es constante ("18 and above") y no aporta valor predictivo (puede excluirse)
Codificar variables categóricas:
- Binarias: Label Encoding (gender, jaundice, family_pdd, used_app_before)
- Nominales: One-Hot Encoding (ethnicity, country_of_res, relation)
Estandarizar/normalizar la variable numérica age si se utiliza
La variable objetivo class está codificada como "YES" (TEA) y "NO" (sin TEA)
Utilizar validación cruzada estratificada para evaluar el rendimiento del modelo

💡 Importancia en Salud Mental

El Trastorno del Espectro Autista (TEA) es una condición del neurodesarrollo que afecta la comunicación, la interacción social y el comportamiento. Según la Organización Mundial de la Salud:

Se estima que 1 de cada 100 niños en todo el mundo tiene TEA
La prevalencia es 4 veces mayor en hombres que en mujeres
El diagnóstico temprano y las intervenciones adecuadas pueden mejorar significativamente la calidad de vida
El TEA a menudo se diagnostica en la infancia, pero los casos leves pueden pasar desapercibidos hasta la edad adulta

El desarrollo de modelos de screening basados en el AQ-10 puede facilitar la identificación temprana de adultos que podrían beneficiarse de una evaluación diagnóstica completa, reduciendo los tiempos de espera y mejorando el acceso a servicios de apoyo.

📖 Cómo citar la fuente original

Autism Screening Adult Dataset. UCI Machine Learning Repository. https://archive.ics.uci.edu/ml/datasets/Autism+Screening+Adult

📚 Referencias Adicionales

Organización Mundial de la Salud (OMS). (2023). Trastorno del Espectro Autista. https://www.who.int/es/news-room/fact-sheets/detail/autism-spectrum-disorders
Baron-Cohen, S., et al. (2001). The Autism-Spectrum Quotient (AQ): Evidence from Asperger Syndrome/High-Functioning Autism, Males and Females, Scientists and Mathematicians. Journal of Autism and Developmental Disorders, 31(1), 5-17. https://doi.org/10.1023/A:1005653411471
Allison, C., et al. (2012). The Q-CHAT (Quantitative CHecklist for Autism in Toddlers): A Normally Distributed Quantitative Measure of Autistic Traits at 18-24 Months of Age: Preliminary Report. Journal of Autism and Developmental Disorders, 38(8), 1414-1425.
UCI Machine Learning Repository - Autism Screening Adult. https://archive.ics.uci.edu/ml/datasets/Autism+Screening+Adult

🔄 Transformaciones Aplicadas

Modificaciones realizadas al conjunto original (Autism Spectrum Disorder - Adults)

Lectura personalizada del formato ARFF:
- Procesamiento manual del archivo .arff (Attribute-Relation File Format) extrayendo exclusivamente la sección @data.
- Asignación de nombres de columnas basados en la especificación del dataset (21 variables en total).
- Limpieza de caracteres especiales: eliminación de comillas y espacios en blanco en valores de texto (ej. 'United States' → United States).
Limpieza y tratamiento de valores faltantes:
- Conversión de valores '?' (indicadores de "no disponible" en el dataset original) a NaN para su correcto tratamiento estadístico.
- Imputación de edad: Relleno de valores faltantes en age con la mediana para preservar robustez frente a outliers.
- Imputación de categóricas: Relleno de valores faltantes en ethnicity, relation y contry_of_res con la moda (valor más frecuente).
- Conversión de age a tipo numérico para garantizar integridad de datos.
Eliminación de variables redundantes:
- Eliminación de result (resultado del screening) para evitar Data Leakage — esta variable es idéntica al target.
- Eliminación de age_desc (variable constante con valor "18 and more" en todos los registros) por no aportar información predictiva.
Codificación específica de variables categóricas:
- Class/ASD (Target): Mapeo manual ('NO' → 0 = Sin rasgos suficientes, 'YES' → 1 = Con rasgos de espectro autista).
- Variables binarias: Mapeo manual de jundice, austim, used_app_before ('no' → 0, 'yes' → 1).
- Gender: Mapeo manual ('f' → 0 = Femenino, 'm' → 1 = Masculino).
- Variables nominales: Codificación ordinal (Label Encoding) para ethnicity, contry_of_res (país de residencia) y relation (relación del informante con el paciente).
Estandarización y optimización de tipos de datos:
- Conversión forzada de las 10 variables de puntuación AQ-10 (A1_Score a A10_Score) a tipo entero (int) para eliminar decimales y optimizar memoria.
- Preservación de todas las variables en tipos numéricos (enteros y flotantes).
Generación de documentación completa:
- Creación del archivo leyenda_autism.txt con semántica completa de la variable objetivo y todas las variables predictoras.
- Documentación de las 10 variables del test AQ-10 (puntuaciones 0/1).
- Mapeo completo de variables binarias (jundice, austim, used_app_before, gender).
- Mapeo completo de variables nominales codificadas (ethnicity, contry_of_res, relation).
- Nota sobre eliminación de result (Data Leakage) y age_desc (constante).
Preservación de la estructura y calidad de datos:
- Mantenimiento de las instancias originales (sin eliminación de filas).
- Dataset final con 18 variables predictoras (10 del test AQ-10 + 8 demográficas/clínicas) y 1 variable objetivo binaria.
- Guardado en formato CSV con separador punto y coma (;) para compatibilidad internacional.

📊 Resultado: Dataset de pacientes adultos (≈700 registros) con 18 variables predictoras (10 puntuaciones AQ-10 + 8 demográficas/clínicas) y 1 variable objetivo binaria (Class/ASD). Desbalance moderado (~65% sin rasgos autistas / ~35% con rasgos) — escenario ideal para validación de técnicas de generación de datos sintéticos y evaluación del índice TabDSFidelity en contextos de detección temprana de trastornos del espectro autista, donde los cuestionarios de screening (AQ-10) y factores demográficos juegan un papel crucial.

🧩 Fuente: Autism Spectrum Disorder Screening Dataset (UCI Machine Learning Repository).

📋 Variables del test AQ-10: 10 preguntas de screening (0 = No, 1 = Sí) que evalúan rasgos de espectro autista en adultos.

👤 Variables demográficas: Edad, género, etnicidad, país de residencia, relación del informante, historial de ictericia, diagnóstico previo de autismo, uso previo de aplicación de screening.

📁 Leyenda disponible: Archivo leyenda_autism.txt con mapeo semántico completo de la variable objetivo, variables binarias (jundice, austim, used_app_before, gender), y variables nominales codificadas (ethnicity, contry_of_res, relation).

🎯 Variable objetivo: Class/ASD (1 = Presenta rasgos de espectro autista, 0 = No presenta rasgos suficientes).

⚠️ Prevención de Data Leakage: Eliminación de la variable result (idéntica al target) para evitar sobreajuste y garantizar la validez del modelo predictivo.

📋 Diccionario de Datos Detallado

Variable	Descripción Clínica	Tipo	Rango / Categorías	Unidad	¿Objetivo?
`ethnicity`	Origen étnico del participante	Categórico	0-9 (ver leyenda)	N/A	No
`contry_of_res`	País de residencia del participante	Categórico	Múltiples códigos (ver leyenda)	N/A	No
`relation`	Relación de quien completó el test con el participante	Categórico	0: Health care professional, 1: Others, 2: Parent, 3: Relative, 4: Self	N/A	No
`age`	Edad del participante	Numérico	17 - 383	años	No
`A1_Score`	Pregunta 1: Capacidad para leer el lenguaje corporal / gestos	Binario	0: No, 1: Sí	N/A	No
`A2_Score`	Pregunta 2: Preferencia por detalles en lugar del panorama general	Binario	0: No, 1: Sí	N/A	No
`A3_Score`	Pregunta 3: Dificultad para entender intenciones de otros	Binario	0: No, 1: Sí	N/A	No
`A4_Score`	Pregunta 4: Facilidad para conversar con extraños	Binario	0: No, 1: Sí	N/A	No
`A5_Score`	Pregunta 5: Preferencia por seguir rutinas repetitivas	Binario	0: No, 1: Sí	N/A	No
`A6_Score`	Pregunta 6: Dificultad para mantener conversación	Binario	0: No, 1: Sí	N/A	No
`A7_Score`	Pregunta 7: Sensibilidad a sonidos y ruidos	Binario	0: No, 1: Sí	N/A	No
`A8_Score`	Pregunta 8: Dificultad para entender el sarcasmo	Binario	0: No, 1: Sí	N/A	No
`A9_Score`	Pregunta 9: Dificultad para reconocer emociones en otros	Binario	0: No, 1: Sí	N/A	No
`A10_Score`	Pregunta 10: Preferencia por patrones y rutinas rígidas	Binario	0: No, 1: Sí	N/A	No
`gender`	Género del participante	Binario	0: Femenino, 1: Masculino	N/A	No
`jundice`	Ictericia al nacer (factor de riesgo)	Binario	0: No, 1: Sí	N/A	No
`austim`	Familiar con diagnóstico de autismo (factor genético)	Binario	0: No, 1: Sí	N/A	No
`used_app_before`	Ha usado la aplicación anteriormente (control de validez)	Binario	0: No, 1: Sí	N/A	No
`Class_ASD`	Clasificación de Trastorno del Espectro Autista (objetivo)	Binario	0: NO (No presenta rasgos), 1: YES (Presenta rasgos)	N/A	Sí

19 Variables totales

1 Numéricas

3 Categóricas

15 Binarias

Objetivo: Autismo (Class_ASD)

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 Cribado de Trastorno del Espectro Autista (ASD). Comprender estas codificaciones es fundamental para la correcta interpretación de los resultados clínicos y psicológicos.

ethnicity Categórica

Código	Significado
0	Asian (Asiática)
1	Black (Negra)
2	Hispanic (Hispana)
3	Latino (Latina)
4	Middle Eastern (Medio Oriente)
5	Others (Otros)
6	Pasifika (Islas del Pacífico)
7	South Asian (Sur de Asia)
8	Turkish (Turca)
9	White-European (Blanca Europea)
10	others (Otros - adicional)

contry_of_res Categórica

Códigos de país de residencia (selección representativa)

0 Afghanistan

1 AmericanSamoa

2 Angola

3 Argentina

4 Armenia

5 Aruba

6 Australia

7 Austria

8 Azerbaijan

9 Bahamas

10 Bangladesh

11 Belgium

12 Bolivia

13 Brazil

14 Burundi

15 Canada

17 China

18 Costa Rica

19 Cyprus

20 Czech Republic

21 Ecuador

22 Egypt

23 Ethiopia

24 Finland

25 France

26 Germany

27 Hong Kong

28 Iceland

29 India

3 Argentina

31 Indonesia

32 Iran

33 Iraq

34 Ireland

35 Italy

36 Japan

39 Malaysia

4 Armenia

40 Mexico

42 Nepal

43 Netherlands

44 New Zealand

47 Pakistan

48 Philippines

5 Aruba

50 Portugal

51 Romania

52 Russia

53 Saudi Arabia

54 Serbia

55 Sierra Leone

56 South Africa

57 Spain

58 Sri Lanka

59 Sweden

6 Australia

60 Tonga

62 Turkey

63 Ukraine

64 United Arab Emirates

65 United Kingdom

66 United States

7 Austria

9 Bahamas

⚠️

Nota: ~67 países.

relation Categórica

Código	Significado
0	Health care professional (Profesional de la salud)
1	Others (Otros)
2	Parent (Padre/Madre)
3	Relative (Familiar)
4	Self (El mismo participante)

Variables Binarias Binario

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

A1_Score Lenguaje corporal / gestos

A2_Score Preferencia por detalles vs. panorama general

A3_Score Dificultad para entender intenciones de otros

A4_Score Facilidad para conversar con extraños

A5_Score Preferencia por rutinas repetitivas

A6_Score Dificultad para mantener conversación

A7_Score Sensibilidad a sonidos y ruidos

A8_Score Dificultad para entender sarcasmo

A9_Score Dificultad para reconocer emociones

A10_Score Preferencia por patrones rígidos

gender Género (0: Femenino, 1: Masculino)

jundice Ictericia al nacer (0: No, 1: Sí)

austim Familiar con autismo (0: No, 1: Sí)

used_app_before Usó la aplicación antes (0: No, 1: Sí)

Class_ASD 🎯 Variable Objetivo: Trastorno del Espectro Autista (0: No, 1: Sí)

ℹ️

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

📊

Variables categóricas: 3

ethnicity (11 categorías étnicas)
contry_of_res (~67 países codificados)
relation (5 tipos de relación)

🎯

Variables binarias: 15

10 variables del test AQ-10 (A1_Score a A10_Score)
gender, jundice, austim, used_app_before
🎯 Class_ASD (Objetivo - Autismo)

📈

Variables numéricas: 1

age (Edad en años - 17 a 383)

⚠️

Recomendaciones para el Modelado:

Predictores clave: Las preguntas AQ-10 son el componente más importante del modelo
Factores de riesgo: austim (familiar con autismo) y jundice (ictericia neonatal) aumentan la probabilidad
Edad: Valores extremos (>100) pueden ser errores o valores atípicos
relation: Tests realizados por profesionales o padres pueden tener mayor precisión

🔬 Metodología de Generación (Reproducibilidad Científica)

📐 Método Principal

SMOTE RSB* Adaptado

Versión: 2.0

DOI: 10.1007/s42979-026-04896-8

📏 Reglas de restricción

A1_Score == 0 → Class_ASD = 0 (Sin puntuación → sin diagnóstico)
austim == 1 → A1_Score = 1 (Familiar con autismo → dificultad social presente)
relation == 0 → A2_Score = 1 (Profesional → al menos un ítem positivo)
Age < 4 → relation ≠ 0 (Niño pequeño → no evaluación profesional en app)
A2_Score == 1 → (Class_ASD = 1) OR (A7_Score = 1)
A3_Score == 1 → (Class_ASD = 1) OR (austim = 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 índiceTabDSFidelity.

📊 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	618	1.000	0.993	0.993	9.510	0.083	0.813	0.026	0.966	47.020	0	618	0.520
Smote	1	618	0.997	0.979	0.979	8.601	0.319	0.974	0.019	0.967	49.378	0.030	436	0.508
Borderline SMOTE	1	618	0.997	0.979	0.979	7.913	0.325	0.322	0.020	0.966	49.867	0.030	436	0.499
ADASYN	1.023	625	1.000	0.972	0.972	8.196	0.331	0.651	0.021	0.966	49.942	0.032	435	0.489
*SMOTE RSB Adaptado**	1.367	535	1.000	1.000	1.000	9.985	0.050	1.000	0.012	0.975	46.642	0.017	433	0.492	🏆
SMOTE RSB* Adaptado + Reglas	1.367	535	1.000	0.986	0.986	9.799	0.051	1.000	0.012	0.976	46.943	0.017	426	0.493
OOF PSO para Balanceo	1	618	1.000	0.978	0.979	6.278	0.298	0.000	0.095	0.777	66.497	0.083	422	0.471
OOF PSO para Balanceo + Reglas	1.664	618	0.911	0.705	0.688	0.000	0.345	0.000	0.126	0.749	58.254	0.115	258	0.482

⭐ Mejor seleccionado: SMOTE RSB* Adaptado (TabDSFidelity: 9.985, AUC: 1.000, F1: 1.000, MIA: 0.492). Nota: Ratio <= 1.5 = Conjunto Balanceado.

🔮 Conjuntos Sintéticos Puros 10 conjuntos

Algoritmo	Ratio	N° Ejemplos	AUC-ROC	F1	Accuracy	TabDSFidelity	Jensen-Shannon	Kolmogorov-Smirnov	Kullback-Leibler	Correlación	Tiempo Total (s)	Dist. Promedio	Ataque MIA	Mejor
SMOTE RSB* + Ruido Gaussiano	1.350	3676	0.998	0.972	0.972	9.359	0.078	0.997	0.109	0.964	58.447	0.155	0.458
SMOTE RSB* + Ruido Gaussiano + Reglas	1.214	3676	0.863	0.691	0.674	3.812	0.078	0.997	0.123	0.946	155.403	0.169	0.462
CTGAN	1.805	9716	0.964	0.859	0.865	6.658	0.235	0.000	0.045	0.921	324.098	0.140	0.510
CTGAN + Reglas del Dominio	1.124	9716	0.837	0.678	0.660	2.535	0.235	0.000	0.056	0.917	468.981	0.146	0.507
TVAE	1.553	9201	0.998	0.971	0.972	8.699	0.147	0.033	0.042	0.944	161.982	0.098	0.527
TVAE + Reglas del Dominio	1.102	9201	0.864	0.698	0.681	3.328	0.147	0.033	0.052	0.941	298.428	0.107	0.480
OOF PSO para Aumento	1	10000	0.992	0.806	0.794	3.632	0.652	0.000	0.202	0.680	120.475	0.113	0.531
OOF PSO para Aumento + Reglas	1.006	10000	0.974	0.711	0.695	2.204	0.652	0.000	0.210	0.701	266.058	0.132	0.517
*SMOTE RSB Refinado**	1.265	5352	1.000	0.972	0.972	9.764	0.072	0.991	0.064	0.971	60.036	0.129	0.503	🏆
SMOTE RSB* Refinado + Reglas	1.317	5352	0.884	0.711	0.695	4.731	0.072	0.991	0.078	0.952	162.394	0.145	0.498

⭐ Mejor seleccionado: SMOTE RSB* Refinado (TabDSFidelity: 9.764, AUC: 1.000, F1: 0.972, MIA: 0.503). 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	1.353	4211	0.999	0.979	0.979	9.285	0.073	0.998	0.086	0.968	107.363	0.137	208	0.468
SMOTE RSB* + Ruido Gaussiano + Reglas	1.139	4211	0.955	0.838	0.830	6.248	0.073	0.998	0.097	0.952	202.260	0.150	208	0.470
CTGAN	1.778	10251	0.976	0.906	0.908	6.921	0.225	0.000	0.035	0.924	400.217	0.133	93	0.500
CTGAN + Reglas del Dominio	1.136	10251	0.901	0.732	0.716	2.738	0.225	0.000	0.045	0.921	540.636	0.138	93	0.482
TVAE	1.542	9736	0.997	0.957	0.957	8.215	0.139	0.049	0.038	0.947	232.356	0.091	97	0.530
TVAE + Reglas del Dominio	1.078	9736	0.912	0.732	0.716	3.114	0.139	0.049	0.047	0.945	367.448	0.100	97	0.476
OOF PSO para Aumento	1.016	10535	0.999	0.979	0.979	5.892	0.617	0.000	0.168	0.694	194.276	0.109	88	0.490
OOF PSO para Aumento + Reglas	1.010	10535	0.999	0.979	0.979	5.965	0.617	0.000	0.175	0.714	339.941	0.126	88	0.523
*SMOTE RSB Refinado**	1.274	5887	0.999	0.986	0.986	9.707	0.069	0.994	0.056	0.973	111.523	0.117	170	0.511	🏆
SMOTE RSB* Refinado + Reglas	1.248	5887	0.941	0.718	0.702	4.460	0.069	0.994	0.068	0.955	214.862	0.132	170	0.485

⭐ Mejor seleccionado: SMOTE RSB* Refinado (TabDSFidelity: 9.707, AUC: 0.999, F1: 0.986, MIA: 0.511). Nota: Ratio <= 1.5 = Conjunto Balanceado.

📈 Diagrama del Proceso de Generación

Conjunto Original
CD_30

↓

Balanceo
(8 métodos)

↓ Selección por TabDSFidelity

⭐ Mejor Balanceado
SMOTE RSB* Adaptado

↓

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 Autism Spectrum Disorder Screening - Adult (Version 1). figshare. https://doi.org/10.6084/m9.figshare.32938952.v1