CD_7 Original + Derivados

Infección Urinaria (Sepsis de origen urinario)

Conjunto de datos clínico enfocado en Sepsis de Origen Urinario. Integra variables microbiológicas típicas del tracto urinario (E. coli, Klebsiella) con intervenciones urológicas específicas (catéter doble J).

📈 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	0.17	0.06	0.08	18
Clase 1	0.60	0.84	0.70	31
Accuracy	0.55
Macro Avg	0.39	0.45	0.39	49
Weighted Avg	0.44	0.55	0.48	49

AUC-ROC: 0.65

F1-Score (weighted): 0.48

Accuracy: 0.55

➡️ Mejora

⬆ +0.11 AUC ⬆ +0.21 F1 ⬆ +0.14 Acc

🏆 MEJOR RENDIMIENTO

🔮 Conjunto Sintético

Clase	Precisión	Recall	F1-Score	Soporte
Clase 0	0.60	0.50	0.55	18
Clase 1	0.74 ⬆ +0.14	0.81 ⬇ -0.03	0.77 ⬆ +0.07	31
Accuracy	0.69 ⬆ +0.14
Macro Avg	0.67 ⬆ +0.28	0.65 ⬆ +0.20	0.66 ⬆ +0.27	49
Weighted Avg	0.69 ⬆ +0.25	0.69 ⬆ +0.14	0.69 ⬆ +0.21	49

AUC-ROC: 0.76 ⬆ +0.11

F1-Score (weighted): 0.69 ⬆ +0.21

Accuracy: 0.69 ⬆ +0.14

📊 Resumen de Mejoras en Clase Minoritaria (Clase 1)

🎯

Precisión

Original: 0.60

Sintético: 0.74

⬆ +0.14

📈

Recall

Original: 0.84

Sintético: 0.81

⬇ -0.03

⚖️

F1-Score

Original: 0.70

Sintético: 0.77

⬆ +0.07

📚 Fuente Original del Conjunto

Neumonía Grave Adquirida en la Comunidad

v1.0

Datos clínicos hospitalarios

Publicado: 2017-2024

Repositorio: Datos institucionales

Licencia: CC BY-NC 4.0

📄 Resumen (Abstract)

Conjunto de datos clínico enfocado en la Sepsis de Origen Urinario. Se distingue por integrar variables microbiológicas típicas del tracto urinario (E. coli, Klebsiella) con intervenciones urológicas específicas (Colocación de catéter doble J).

🔬 Métodos

Recolección retrospectiva de registros electrónicos. 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 neumonía grave. 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 - 94	años	No
`Estadia`	Días de estancia hospitalaria del paciente	Numérico	0 - 35	días	No
`Tiempo_exacto_de_ventilacion`	Tiempo total de ventilación mecánica durante la estancia	Numérico	0 - 720	horas	No
`Puntaje_Apache`	Puntaje de severidad APACHE II al ingreso	Numérico	0 - 40	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, 6, 8, 9, 11, 12, 13, 14	N/A	No
`Diagnostico_Infeccion_urinaria`	Diagnóstico de infección urinaria	Binario	0: No, 1: Sí	N/A	No
`Infeccion_Urinaria`	Presencia de infección urinaria	Binario	0: No, 1: Sí	N/A	No
`Germen_Klebsiella`	Presencia de infección por Klebsiella	Binario	0: No, 1: Sí	N/A	No
`Germen_Echierichia_Coli`	Presencia de infección por Escherichia coli	Binario	0: No, 1: Sí	N/A	No
`Germen_Enterobacter_cloacae`	Presencia de infección por Enterobacter cloacae	Binario	0: No, 1: Sí	N/A	No
`Hidratacion_Recibida`	Paciente recibió hidratación intravenosa	Binario	0: No, 1: Sí	N/A	No
`Anticoagulacion_profilactica_Recibida`	Paciente recibió anticoagulación profiláctica	Binario	0: No, 1: Sí	N/A	No
`Antibioprofilaxis_Recibida`	Paciente recibió antibioprofilaxis	Binario	0: No, 1: Sí	N/A	No
`Norepinefrina_Recibida`	Paciente recibió norepinefrina (vasopresor)	Binario	0: No, 1: Sí	N/A	No
`Dobutamina_Recibida`	Paciente recibió dobutamina (inotrópico)	Binario	0: No, 1: Sí	N/A	No
`Epinefrina_Recibida`	Paciente recibió epinefrina (vasopresor)	Binario	0: No, 1: Sí	N/A	No
`Hidrocortisona_Recibida`	Paciente recibió hidrocortisona (corticoide)	Binario	0: No, 1: Sí	N/A	No
`Amiodarona_Recibida`	Paciente recibió amiodarona (antiarrítmico)	Binario	0: No, 1: Sí	N/A	No
`Ceftriaxona_Recibida`	Paciente recibió ceftriaxona (antibiótico - cefalosporina)	Binario	0: No, 1: Sí	N/A	No
`Claforan_Recibida`	Paciente recibió claforan/cefotaxima (antibiótico - cefalosporina)	Binario	0: No, 1: Sí	N/A	No
`Meropenen_Recibida`	Paciente recibió meropenem (antibiótico - carbapenémico)	Binario	0: No, 1: Sí	N/A	No
`Gentamicina_Recibida`	Paciente recibió gentamicina (antibiótico - aminoglucósido)	Binario	0: No, 1: Sí	N/A	No
`Amikacina_Recibida`	Paciente recibió amikacina (antibiótico - aminoglucósido)	Binario	0: No, 1: Sí	N/A	No
`Piperacilina_tazobactan_Recibida`	Paciente recibió piperacilina-tazobactam (antibiótico)	Binario	0: No, 1: Sí	N/A	No
`Insulina_lenta_Recibida`	Paciente recibió insulina lenta	Binario	0: No, 1: Sí	N/A	No
`Ceftazidima_Recibida`	Paciente recibió ceftazidima (antibiótico - cefalosporina)	Binario	0: No, 1: Sí	N/A	No
`Cefuroxima_Recibida`	Paciente recibió cefuroxima (antibiótico - cefalosporina)	Binario	0: No, 1: Sí	N/A	No
`Furosemida_Recibida`	Paciente recibió furosemida (diurético)	Binario	0: No, 1: Sí	N/A	No
`Colocacion_cateter_doble_J_Recibida`	Paciente recibió colocación de catéter doble J	Binario	0: No, 1: Sí	N/A	No
`Fosfomicina_Recibida`	Paciente recibió fosfomicina (antibiótico)	Binario	0: No, 1: Sí	N/A	No
`Murio`	Indicador de fallecimiento del paciente (variable objetivo)	Binario	0: Superviviente, 1: Fallecido	N/A	Sí

34 Variables totales

4 Numéricas

3 Categóricas

27 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. 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
6	Savina
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_Infeccion_urinaria Diagnóstico de infección urinaria

Infeccion_Urinaria Presencia de infección urinaria

Germen_Klebsiella Infección por Klebsiella

Germen_Echierichia_Coli Infección por Escherichia coli

Germen_Enterobacter_cloacae Infección por Enterobacter cloacae

Hidratacion_Recibida Administración de hidratación intravenosa

Anticoagulacion_profilactica_Recibida Administración de anticoagulación profiláctica

Antibioprofilaxis_Recibida Administración de antibioprofilaxis

Norepinefrina_Recibida Administración de norepinefrina (vasopresor)

Dobutamina_Recibida Administración de dobutamina (inotrópico)

Epinefrina_Recibida Administración de epinefrina (vasopresor)

Hidrocortisona_Recibida Administración de hidrocortisona (corticoide)

Amiodarona_Recibida Administración de amiodarona (antiarrítmico)

Ceftriaxona_Recibida Administración de ceftriaxona (antibiótico - cefalosporina)

Claforan_Recibida Administración de claforan/cefotaxima (antibiótico - cefalosporina)

Meropenen_Recibida Administración de meropenem (antibiótico - carbapenémico)

Gentamicina_Recibida Administración de gentamicina (antibiótico - aminoglucósido)

Amikacina_Recibida Administración de amikacina (antibiótico - aminoglucósido)

Piperacilina_tazobactan_Recibida Administración de piperacilina-tazobactam (antibiótico)

Insulina_lenta_Recibida Administración de insulina lenta

Ceftazidima_Recibida Administración de ceftazidima (antibiótico - cefalosporina)

Cefuroxima_Recibida Administración de cefuroxima (antibiótico - cefalosporina)

Furosemida_Recibida Administración de furosemida (diurético)

Colocacion_cateter_doble_J_Recibida Colocación de catéter doble J

Fosfomicina_Recibida Administración de fosfomicina (antibiótico)

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 categóricas: 3

Sexo (2 categorías: 1=Masculino, 2=Femenino)
Raza (3 categorías: 1=Blanca, 2=Mestiza, 4=Negra)
Equipo de ventilación (10 categorías presentes: 1, 3, 4, 6, 8, 9, 11, 12, 13, 14)

🎯

Total de variables binarias: 27

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

💊

Perfil terapéutico identificado:

🩸 Vasopresores e inotrópicos: Norepinefrina, Dobutamina, Epinefrina
💊 Antibióticos: Ceftriaxona, Claforan, Meropenem, Gentamicina, Amikacina, Piperacilina/Tazobactam, Ceftazidima, Cefuroxima, Fosfomicina
💉 Anticoagulación: Anticoagulación profiláctica
💧 Hidratación: Hidratación intravenosa
🛡️ Antibioprofilaxis
🫀 Antiarrítmico: Amiodarona
💊 Corticoide: Hidrocortisona
💉 Insulina: Insulina lenta
💧 Diurético: Furosemida
🩺 Procedimiento: Colocación de catéter doble J

⚠️

Recomendaciones para análisis:

Verificar relación entre Diagnostico_Infeccion_urinaria y la presencia de gérmenes específicos
Validar la exclusión mutua entre Ceftriaxona y Claforan
Validar la exclusión mutua entre Gentamicina y Amikacina (aminoglucósidos)
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_Infeccion_urinaria == 1 → Infeccion_Urinaria = 1
Germen_Echierichia_Coli == 1 → Infeccion_Urinaria = 1
Germen_Klebsiella == 1 → Infeccion_Urinaria = 1
Norepinefrina_Recibida == 1 → Meropenen_Recibida = 1 OR Piperacilina_tazobactan_Recibida = 1
Ceftriaxona_Recibida y Claforan_Recibida son mutuamente excluyentes
Gentamicina_Recibida y Amikacina_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:

🩺 Consistencia de Datos: Diagnóstico de ITU implica Infección Urinaria = 1
🦠 Atributo SNOMED: Presencia de E. Coli o Klebsiella implica Infección Urinaria
💊 Guía Clínica Sepsis: Paciente con soporte vasopresor (Norepinefrina) debe recibir antibiótico de amplio espectro (Meropenem o Piperacilina/Tazobactam)
⛔ Redundancia Terapéutica: No administrar Ceftriaxona y Claforan al mismo tiempo. No administrar Gentamicina y Amikacina al mismo tiempo
📊 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	300
batch_size	20
generator_lr	0.0002
discriminator_lr	0.0002
pac	2
generator_dim	(64, 64)
discriminator_dim	(64, 64)
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	180	0.888	0.817	0.816	8.700	0.078	0.961	0.002	0.982	86.196	0	180	0.531	🏆
SMOTE	1	180	0.870	0.817	0.816	7.183	0.115	0.869	0.005	0.984	72.957	0.007	144	0.539
Borderline SMOTE	1	180	0.838	0.777	0.776	3.098	0.134	0.908	0.004	0.980	62.731	0.009	144	0.517
ADASYN	1.011	181	0.845	0.777	0.776	3.592	0.122	0.962	0.005	0.983	64.373	0.008	144	0.424
SMOTE RSB* Adaptado	1	180	0.875	0.817	0.816	7.808	0.114	0.947	0.002	0.977	64.247	0.011	144	0.463
SMOTE RSB* Adaptado + Reglas	1	180	0.867	0.778	0.776	4.885	0.110	0.982	0.003	0.977	57.800	0.011	144	0.457
OOF PSO para Balanceo	1	180	0.872	0.815	0.816	4.022	0.197	0.281	0.044	0.790	71.812	0.070	144	0.455
OOF PSO para Balanceo + Reglas	1	180	0.879	0.834	0.837	6.452	0.197	0.454	0.061	0.860	68.348	0.083	61	0.440

⭐ Mejor seleccionado: Random Oversampling (TabDSFidelity: 8.700, AUC: 0.888, F1: 0.817, MIA: 0.531). 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**	1.399	6160	0.862	0.817	0.816	9.732	0.164	0.632	0.026	0.953	98.415	0.062	143	0.529	🏆
SMOTE RSB* + Ruido Gaussiano + Reglas	1.399	6160	0.781	0.723	0.735	8.314	0.164	0.632	0.043	0.946	271.320	0.078	49	0.517
CTGAN	1.096	9992	0.831	0.759	0.755	8.027	0.219	0.049	0.004	0.910	316.770	0.075	0	0.576
CTGAN + Reglas del Dominio	1.096	9992	0.719	0.619	0.612	5.792	0.219	0.049	0.024	0.911	521.681	0.085	0	0.576
TVAE	1.126	9975	0.789	0.717	0.714	7.212	0.367	0.182	0.023	0.943	172.323	0.040	1	0.659
TVAE + Reglas del Dominio	1.126	9975	0.728	0.658	0.653	6.145	0.367	0.182	0.029	0.935	376.901	0.053	1	0.663
OOF PSO para Aumento	1	10000	0.567	0.459	0.469	0.519	0.640	0.000	0.249	0.605	154.098	0.216	0	0.428
OOF PSO para Aumento + Reglas	1	10000	0.608	0.395	0.429	0.301	0.640	0.000	0.297	0.603	365.070	0.228	0	0.508
SMOTE RSB* Refinado	1.226	7989	0.812	0.710	0.714	8.463	0.188	0.690	0.018	0.954	104.885	0.059	102	0.399
SMOTE RSB* Refinado + Reglas	1.226	7989	0.808	0.747	0.755	8.801	0.188	0.690	0.035	0.948	298.094	0.074	50	0.469

⭐ Mejor seleccionado: SMOTE RSB* + Ruido Gaussiano (TabDSFidelity: 9.732, AUC: 0.862, F1: 0.817, MIA: 0.529). 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**	1.385	6340	0.867	0.796	0.796	9.733	0.161	0.647	0.025	0.953	182.751	0.060	181	0.533	🏆
SMOTE RSB* + Ruido Gaussiano + Reglas	1.385	6340	0.817	0.752	0.755	8.177	0.161	0.647	0.041	0.947	357.851	0.077	106	0.514
CTGAN	1.094	10172	0.814	0.719	0.714	6.322	0.216	0.054	0.004	0.912	418.442	0.074	40	0.620
CTGAN + Reglas del Dominio	1.094	10172	0.703	0.679	0.673	4.175	0.216	0.054	0.023	0.912	624.005	0.084	40	0.500
TVAE	1.124	10155	0.799	0.696	0.694	5.523	0.360	0.190	0.021	0.945	275.087	0.039	40	0.579
TVAE + Reglas del Dominio	1.124	10155	0.760	0.677	0.673	4.597	0.360	0.190	0.027	0.937	480.832	0.052	40	0.548
OOF PSO para Aumento	1	10180	0.661	0.639	0.633	0.005	0.626	0.000	0.235	0.634	259.739	0.212	39	0.541
OOF PSO para Aumento + Reglas	1	10180	0.703	0.679	0.673	1.443	0.626	0.000	0.282	0.632	475.470	0.225	39	0.558
SMOTE RSB* Refinado	1.220	8169	0.833	0.755	0.755	8.483	0.186	0.706	0.017	0.955	204.670	0.055	148	0.452
SMOTE RSB* Refinado + Reglas	1.220	8169	0.794	0.710	0.714	7.007	0.186	0.706	0.034	0.949	394.487	0.071	92	0.448

⭐ Mejor seleccionado: SMOTE RSB* + Ruido Gaussiano (TabDSFidelity: 9.733, AUC: 0.867, F1: 0.796, MIA: 0.533). Nota: Ratio <= 1.5 = Conjunto Balanceado.

📈 Diagrama del Proceso de Generación

Conjunto Original
CD_7

↓

Balanceo
(8 métodos)

↓ Selección por TabDSFidelity

⭐ Mejor Balanceado
Random Oversampling

↓

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)