CD_9 Original + Derivados

Síndrome de Weil (Leptospirosis Grave)

Conjunto de datos infectológico centrado en Leptospirosis Grave. Modela patología sistémica que combina falla renal (hemodiálisis) y hepática/coagulación (plasma y vitamina K).

📈 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	0.67	0.40	0.50	10
Clase 1	0.25	0.50	0.33	4
Accuracy	0.43
Macro Avg	0.46	0.45	0.42	14
Weighted Avg	0.55	0.43	0.45	14

AUC-ROC: 0.33

F1-Score (weighted): 0.45

Accuracy: 0.43

➡️ Mejora

⬆ +0.43 AUC ⬆ +0.39 F1 ⬆ +0.43 Acc

🏆 MEJOR RENDIMIENTO

🔮 Conjunto Sintético

Clase	Precisión	Recall	F1-Score	Soporte
Clase 0	0.83	1.00	0.91	10
Clase 1	1.00 ⬆ +0.75	0.50 —	0.67 ⬆ +0.34	4
Accuracy	0.86 ⬆ +0.43
Macro Avg	0.92 ⬆ +0.46	0.75 ⬆ +0.30	0.79 ⬆ +0.37	14
Weighted Avg	0.88 ⬆ +0.33	0.86 ⬆ +0.43	0.84 ⬆ +0.39	14

AUC-ROC: 0.75 ⬆ +0.43

F1-Score (weighted): 0.84 ⬆ +0.39

Accuracy: 0.86 ⬆ +0.43

📊 Resumen de Mejoras en Clase Minoritaria (Clase 1)

🎯

Precisión

Original: 0.25

Sintético: 1.00

⬆ +0.75

📈

Recall

Original: 0.50

Sintético: 0.50

— Sin cambio

⚖️

F1-Score

Original: 0.33

Sintético: 0.67

⬆ +0.34

📚 Fuente Original del Conjunto

Síndrome de Weil (Leptospirosis Grave)

v1.0

Datos clínicos hospitalarios

Publicado: 2017-2024

Repositorio: Datos institucionales

Licencia: CC BY-NC 4.0

📄 Resumen (Abstract)

Conjunto de datos infectológico centrado en la Leptospirosis Grave (Síndrome de Weil). Se distingue por modelar una patología sistémica que combina falla renal (uso de Hemodiálisis) y hepática/coagulación (uso de Plasma y Vitamina K).

🔬 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 - 85	años	No
`Estadia`	Días de estancia hospitalaria del paciente	Numérico	1 - 35	días	No
`Tiempo_exacto_de_ventilacion`	Tiempo total de ventilación mecánica durante la estancia	Numérico	0 - 240	horas	No
`Puntaje_Apache`	Puntaje de severidad APACHE II al ingreso (0-34)	Numérico	0 - 26	puntos	No
`Sexo`	Género del paciente	Categórico	1: Masculino, 2: Femenino	N/A	No
`Raza`	Raza/etnia del paciente	Categórico	1, 2, 4	N/A	No
`Equipo_de_ventilacion_utilizado`	Tipo de equipo de ventilación utilizado durante la estancia	Categórico	1, 3, 4, 6, 8, 9, 11, 13	N/A	No
`Diagnostico_Sindrome_de_Weil`	Diagnóstico de Síndrome de Weil (Leptospirosis ictérica)	Binario	0: No, 1: Sí	N/A	No
`Infeccion_Respiratoria`	Presencia de infección respiratoria	Binario	0: No, 1: Sí	N/A	No
`Infeccion_Intraabdominal`	Presencia de infección intraabdominal	Binario	0: No, 1: Sí	N/A	No
`Infeccion_Urinaria`	Presencia de infección del tracto urinario	Binario	0: No, 1: Sí	N/A	No
`Infeccion_Hematologica`	Presencia de infección hematológica (bacteriemia)	Binario	0: No, 1: Sí	N/A	No
`Germen_Acynetobacter`	Presencia de infección por Acinetobacter	Binario	0: No, 1: Sí	N/A	No
`Germen_Sars-cov_2_/_Covid_19`	Infección confirmada por SARS-CoV-2 / COVID-19	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_profilactica_Recibida`	Paciente recibió anticoagulación profiláctica	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
`Metilprednisolona_Recibida`	Paciente recibió metilprednisolona (corticoide)	Binario	0: No, 1: Sí	N/A	No
`Hemodialisis_Recibida`	Paciente recibió hemodiálisis	Binario	0: No, 1: Sí	N/A	No
`Globulos_Recibida`	Paciente recibió transfusión de glóbulos rojos	Binario	0: No, 1: Sí	N/A	No
`Plasma_Recibida`	Paciente recibió transfusión de plasma	Binario	0: No, 1: Sí	N/A	No
`Vitamina_K_Recibida`	Paciente recibió vitamina K	Binario	0: No, 1: Sí	N/A	No
`Sulfato_de_magnesio_Recibida`	Paciente recibió sulfato de magnesio	Binario	0: No, 1: Sí	N/A	No
`Ceftriaxona_Recibida`	Paciente recibió ceftriaxona	Binario	0: No, 1: Sí	N/A	No
`Trifamox_Recibida`	Paciente recibió Trifamox (amoxicilina + sulbactam)	Binario	0: No, 1: Sí	N/A	No
`Omeprazol_Recibida`	Paciente recibió omeprazol (inhibidor de bomba de protones)	Binario	0: No, 1: Sí	N/A	No
`Ceftazidima_Recibida`	Paciente recibió ceftazidima	Binario	0: No, 1: Sí	N/A	No
`Furosemida_Recibida`	Paciente recibió furosemida (diurético)	Binario	0: No, 1: Sí	N/A	No
`PENICILINA_G_SODICA_Recibida`	Paciente recibió penicilina G sódica	Binario	0: No, 1: Sí	N/A	No
`Doxiciclina_Recibida`	Paciente recibió doxiciclina	Binario	0: No, 1: Sí	N/A	No
`Murio`	Indicador de fallecimiento del paciente	Binario	0: No, 1: Sí	N/A	Sí

33 Variables totales

4 Numéricas

3 Categóricas

26 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
13	ABETHA

Variables Binarias Binario

Formato común: 0 = No, 1 = Sí

Diagnostico_Sindrome_de_Weil Diagnóstico de Síndrome de Weil (Leptospirosis ictérica)

Infeccion_Respiratoria Presencia de infección respiratoria

Infeccion_Intraabdominal Presencia de infección intraabdominal

Infeccion_Urinaria Presencia de infección del tracto urinario

Infeccion_Hematologica Presencia de infección hematológica (bacteriemia)

Germen_Acynetobacter Infección por Acinetobacter baumannii

Germen_Sars-cov_2_/_Covid_19 Infección confirmada por SARS-CoV-2 / COVID-19

_Analgesia_Recibida Administración de analgesia

Hidratacion_Recibida Administración de hidratación intravenosa

Anticoagulacion_profilactica_Recibida Administración de anticoagulación profiláctica

Norepinefrina_Recibida Administración de norepinefrina (vasopresor)

Dobutamina_Recibida Administración de dobutamina (inotrópico)

Metilprednisolona_Recibida Administración de metilprednisolona (corticoide)

Hemodialisis_Recibida Administración de hemodiálisis

Globulos_Recibida Transfusión de glóbulos rojos

Plasma_Recibida Transfusión de plasma

Vitamina_K_Recibida Administración de vitamina K

Sulfato_de_magnesio_Recibida Administración de sulfato de magnesio

Ceftriaxona_Recibida Administración de ceftriaxona

Trifamox_Recibida Administración de Trifamox (amoxicilina + sulbactam)

Omeprazol_Recibida Administración de omeprazol (IBP)

Ceftazidima_Recibida Administración de ceftazidima

Furosemida_Recibida Administración de furosemida (diurético)

PENICILINA_G_SODICA_Recibida Administración de penicilina G sódica

Doxiciclina_Recibida Administración de doxiciclina

Murio 🎯 Variable Objetivo: Fallecimiento del paciente

ℹ️

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

📊

Total de variables categóricas: 3

Sexo (2 categorías)
Raza (3 categorías)
Equipo de ventilación (8 categorías presentes)

🎯

Total de variables binarias: 27

7 variables de diagnóstico/infección
19 variables de tratamiento
1 variable objetivo (Murio)

⚠️

Recomendaciones:

Eliminar duplicado: Hemodialisis_Recibida.1 es idéntica a Hemodialisis_Recibida
Verificar consistencia entre diagnóstico (Diagnostico_Sindrome_de_Weil) y tratamiento con PENICILINA_G_SODICA o Doxiciclina
Validar relación entre Germen_Acynetobacter y antibioterapia específica
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

Tiempo_exacto_de_ventilacion == 0 → Equipo_de_ventilacion_utilizado = 8 (No Aplica)
Tiempo_exacto_de_ventilacion > 0 → Equipo_de_ventilacion_utilizado ≠ 8
Diagnostico_Sindrome_de_Weil == 1 → (PENICILINA_G_SODICA_Recibida = 1) OR (Ceftriaxona_Recibida = 1) OR (Doxiciclina_Recibida = 1)
Diagnostico_Sindrome_de_Weil == 1 → Hemodialisis_Recibida = 1
Diagnostico_Sindrome_de_Weil == 1 → (Vitamina_K_Recibida = 1) OR (Plasma_Recibida = 1)
Norepinefrina_Recibida == 1 → Diagnostico_Sindrome_de_Weil = 1
Ceftriaxona_Recibida y Claforan_Recibido son mutuamente excluyentes
Todo paciente debe recibir hidratación
Neumonia_Grave e Infeccion_Respiratoria son mutuamente excluyentes

⚙️ Hiperparámetros SMOTE RSB* Adaptado

Valor escala	0.03
Probabilidad Base	0.1

🔄 Hiperparámetros CTGAN

epochs	300
batch_size	10
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	10
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	62	0.600	0.680	0.714	8.044	0.159	0.882	0.013	0.944	135.644	0	62	0.643
Smote	1	62	0.350	0.519	0.571	3.323	0.212	0.940	0.013	0.964	158.723	0.018	41	0.524
Borderline SMOTE	1	62	0.350	0.519	0.571	3.323	0.212	0.940	0.013	0.964	80.352	0.018	41	0.524
ADASYN	1.032	63	0.663	0.735	0.786	8.941	0.226	0.814	0.014	0.963	79.160	0.020	41	0.286	🏆
SMOTE RSB* Adaptado	1.033	61	0.550	0.735	0.786	8.622	0.213	0.936	0.011	0.941	64.543	0.028	41	0.690
SMOTE RSB* Adaptado + Reglas	1.033	61	0.675	0.626	0.643	6.971	0.229	0.929	0.011	0.939	68.474	0.029	41	0.726
OOF PSO para Balanceo	1	62	0.575	0.595	0.714	4.704	0.252	0.884	0.116	0.764	74.859	0.123	41	0.643
OOF PSO para Balanceo + Reglas	1	62	0.400	0.559	0.643	1.811	0.287	0.352	0.144	0.742	76.337	0.164	19	0.595

⭐ Mejor seleccionado: ADASYN (TabDSFidelity: 8.941, AUC: 0.663, F1: 0.735, MIA: 0.286). 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	1.140	5670	0.563	0.559	0.643	7.057	0.281	0.617	0.033	0.893	116.403	0.081	0	0.405
SMOTE RSB* + Ruido Gaussiano + Reglas	1.140	5670	0.638	0.680	0.714	8.912	0.281	0.617	0.063	0.879	329.802	0.109	1	0.286
CTGAN	1.243	9994	0.613	0.476	0.500	4.607	0.367	0.141	0.018	0.847	274.989	0.090	0	0.595
CTGAN + Reglas del Dominio	1.243	9994	0.338	0.519	0.571	3.681	0.367	0.141	0.053	0.844	479.691	0.115	0	0.429
TVAE	1.073	9841	0.450	0.515	0.500	2.880	0.428	0.121	0.410	0.877	146.154	0.048	0	0.524
TVAE + Reglas del Dominio	1.073	9841	0.313	0.626	0.643	3.732	0.428	0.121	0.371	0.842	326.069	0.073	0	0.476
OOF PSO para Aumento	1	10000	0.463	0.590	0.571	2.305	0.615	0.001	0.424	0.654	147.887	0.305	0	0.595
OOF PSO para Aumento + Reglas	1	10000	0.400	0.571	0.571	2.360	0.615	0.001	0.415	0.676	349.714	0.295	0	0.619
*SMOTE RSB Refinado**	1.050	7291	0.525	0.735	0.786	9.147	0.305	0.578	0.023	0.898	86.950	0.074	0	0.357	🏆
SMOTE RSB* Refinado + Reglas	1.050	7291	0.513	0.735	0.786	8.989	0.305	0.578	0.052	0.879	235.934	0.100	2	0.333

⭐ Mejor seleccionado: SMOTE RSB* Refinado (TabDSFidelity: 9.147, AUC: 0.525, F1: 0.735, MIA: 0.357). 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	1.138	5733	0.538	0.559	0.643	7.763	0.280	0.617	0.032	0.893	220.893	0.079	12	0.357
SMOTE RSB* + Ruido Gaussiano + Reglas	1.138	5733	0.550	0.735	0.786	9.495	0.280	0.617	0.062	0.879	423.823	0.106	12	0.357
CTGAN	1.241	10057	0.363	0.388	0.357	3.110	0.365	0.142	0.018	0.848	379.135	0.089	16	0.548
CTGAN + Reglas del Dominio	1.241	10057	0.313	0.519	0.571	4.451	0.365	0.142	0.053	0.845	597.201	0.113	16	0.405
TVAE	1.072	9904	0.413	0.626	0.643	5.775	0.426	0.123	0.189	0.893	245.235	0.048	17	0.381
TVAE + Reglas del Dominio	1.072	9904	0.350	0.626	0.643	5.204	0.426	0.123	0.180	0.864	419.148	0.074	17	0.429
OOF PSO para Aumento	1.000	10063	0.475	0.714	0.714	4.676	0.610	0.001	0.417	0.655	249.326	0.300	16	0.619
OOF PSO para Aumento + Reglas	1.000	10063	0.463	0.714	0.714	5.172	0.610	0.001	0.410	0.677	449.873	0.289	16	0.667
*SMOTE RSB Refinado**	1.049	7354	0.600	0.735	0.786	9.841	0.304	0.578	0.023	0.898	161.391	0.071	12	0.381	🏆
SMOTE RSB* Refinado + Reglas	1.049	7354	0.538	0.735	0.786	9.324	0.304	0.578	0.052	0.880	312.084	0.097	13	0.333

⭐ Mejor seleccionado: SMOTE RSB* Refinado (TabDSFidelity: 9.841, AUC: 0.600, F1: 0.735, MIA: 0.381). Nota: Ratio <= 1.5 = Conjunto Balanceado.

📈 Diagrama del Proceso de Generación

Conjunto Original
CD_9

↓

Balanceo
(8 métodos)

↓ Selección por TabDSFidelity

⭐ Mejor Balanceado
ADASYN

↓

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)