{"id":{"repo_id":"catalunya","oai_identifier":"oai:openaccess.uoc.edu:10609/155766"},"canonical_url":"https://search.dev.ndltd.org/etd/catalunya/oai:openaccess.uoc.edu:10609/155766","repository":{"repo_id":"catalunya","name":"Universitat Oberta de Catalunya","base_url":"https://openaccess.uoc.edu/server/oai/request"},"display":{"title":"Desarrollo de un modelo predictivo mediante Machine Learning para la evolución de la función renal después de cirugía cardíaca","abstract":"El fracaso renal agudo (FRA) es una de las complicaciones más frecuentes tras cirugía cardíaca y se asocia a una mayor morbimortalidad, prolongación de la estancia hospitalaria y aumento de los costes. La identificación temprana de pacientes con mayor riesgo podría facilitar la aplicación de medidas preventivas y optimizar el seguimiento clínico. El objetivo de este trabajo fue desarrollar un modelo predictivo basado en técnicas de Machine Learning capaz de identificar pacientes con riesgo de desarrollar FRA tras cirugía cardíaca utilizando información clínica preoperatoria disponible en una base de datos hospitalaria. Para ello se realizó un estudio retrospectivo en el que se integraron datos clínicos, analíticos y quirúrgicos procedentes de diferentes fuentes. Tras el preprocesamiento de los datos, se entrenaron y compararon distintos algoritmos de clasificación, incluyendo regresión logística, árboles de decisión, Random Forest, Extra Trees, Gradient Boosting, AdaBoost y Gaussian Naive Bayes. El modelo con mejor rendimiento fue Gaussian Naive Bayes, que alcanzó un área bajo la curva ROC (AUC) de 0.669 y una sensibilidad del 78.2%, aunque con una elevada tasa de falsos positivos. También se evaluaron diferentes técnicas de selección de variables e interpretabilidad mediante SHAP, observándose que la predicción dependía de la combinación de múltiples factores clínicos y no de una única característica aislada. El rendimiento predictivo alcanzado fue moderado y serán necesarios estudios con muestras más amplias, validación externa e incorporación de nuevas variables antes de considerar una posible aplicación clínica.","abstract_html":"El fracaso renal agudo (FRA) es una de las complicaciones más frecuentes tras cirugía cardíaca y se asocia a una mayor morbimortalidad, prolongación de la estancia hospitalaria y aumento de los costes. La identificación temprana de pacientes con mayor riesgo podría facilitar la aplicación de medidas preventivas y optimizar el seguimiento clínico. El objetivo de este trabajo fue desarrollar un modelo predictivo basado en técnicas de Machine Learning capaz de identificar pacientes con riesgo de desarrollar FRA tras cirugía cardíaca utilizando información clínica preoperatoria disponible en una base de datos hospitalaria. Para ello se realizó un estudio retrospectivo en el que se integraron datos clínicos, analíticos y quirúrgicos procedentes de diferentes fuentes. Tras el preprocesamiento de los datos, se entrenaron y compararon distintos algoritmos de clasificación, incluyendo regresión logística, árboles de decisión, Random Forest, Extra Trees, Gradient Boosting, AdaBoost y Gaussian Naive Bayes. El modelo con mejor rendimiento fue Gaussian Naive Bayes, que alcanzó un área bajo la curva ROC (AUC) de 0.669 y una sensibilidad del 78.2%, aunque con una elevada tasa de falsos positivos. También se evaluaron diferentes técnicas de selección de variables e interpretabilidad mediante SHAP, observándose que la predicción dependía de la combinación de múltiples factores clínicos y no de una única característica aislada. El rendimiento predictivo alcanzado fue moderado y serán necesarios estudios con muestras más amplias, validación externa e incorporación de nuevas variables antes de considerar una posible aplicación clínica.","abstract_has_math":false,"creators":["Franco Martí, Marta"],"institution":"Universitat Oberta de Catalunya (UOC)","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026-06-03","date_published":"2026-06-03","updated_at":"2026-07-27T19:07:22Z","subjects":["Acute Kidney Injury (AKI), Cardiac Surgery, Machine Learning"],"languages":["spa"],"rights":["Attribution-NonCommercial-NoDerivatives 4.0 International"],"rights_urls":["https://creativecommons.org/licenses/by-nc-nd/4.0/"],"identifier_entries":[]},"links":{"outbound_url":"https://hdl.handle.net/10609/155766","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Franco Martí, Marta"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2026-07-06T09:55:06Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2026-07-06T09:55:06Z"]},{"key":"dc:date.issued","label":"Date","values":["2026-06-03"]},{"key":"dc:publisher","label":"Institution","values":["Universitat Oberta de Catalunya (UOC)"]},{"key":"dc:type","label":"Dc Type","values":["info:eu-repo/semantics/masterThesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Acute Kidney Injury (AKI), Cardiac Surgery, Machine Learning"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["spa"]},{"key":"dc:rights","label":"Dc Rights","values":["Attribution-NonCommercial-NoDerivatives 4.0 International"]},{"key":"dc:rights.uri","label":"Rights URI","values":["https://creativecommons.org/licenses/by-nc-nd/4.0/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://hdl.handle.net/10609/155766"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["El fracaso renal agudo (FRA) es una de las complicaciones más frecuentes tras cirugía cardíaca y se asocia a una mayor morbimortalidad, prolongación de la estancia hospitalaria y aumento de los costes. La identificación temprana de pacientes con mayor riesgo podría facilitar la aplicación de medidas preventivas y optimizar el seguimiento clínico. El objetivo de este trabajo fue desarrollar un modelo predictivo basado en técnicas de Machine Learning capaz de identificar pacientes con riesgo de desarrollar FRA tras cirugía cardíaca utilizando información clínica preoperatoria disponible en una base de datos hospitalaria. Para ello se realizó un estudio retrospectivo en el que se integraron datos clínicos, analíticos y quirúrgicos procedentes de diferentes fuentes. Tras el preprocesamiento de los datos, se entrenaron y compararon distintos algoritmos de clasificación, incluyendo regresión logística, árboles de decisión, Random Forest, Extra Trees, Gradient Boosting, AdaBoost y Gaussian Naive Bayes. El modelo con mejor rendimiento fue Gaussian Naive Bayes, que alcanzó un área bajo la curva ROC (AUC) de 0.669 y una sensibilidad del 78.2%, aunque con una elevada tasa de falsos positivos. También se evaluaron diferentes técnicas de selección de variables e interpretabilidad mediante SHAP, observándose que la predicción dependía de la combinación de múltiples factores clínicos y no de una única característica aislada. El rendimiento predictivo alcanzado fue moderado y serán necesarios estudios con muestras más amplias, validación externa e incorporación de nuevas variables antes de considerar una posible aplicación clínica."]},{"key":"dc:title","label":"Title","values":["Desarrollo de un modelo predictivo mediante Machine Learning para la evolución de la función renal después de cirugía cardíaca"]}]}],"canonical_facts":{"dc:creator":["Franco Martí, Marta"],"dc:date.accessioned":["2026-07-06T09:55:06Z"],"dc:date.available":["2026-07-06T09:55:06Z"],"dc:date.issued":["2026-06-03"],"dc:description.abstract":["El fracaso renal agudo (FRA) es una de las complicaciones más frecuentes tras cirugía cardíaca y se asocia a una mayor morbimortalidad, prolongación de la estancia hospitalaria y aumento de los costes. La identificación temprana de pacientes con mayor riesgo podría facilitar la aplicación de medidas preventivas y optimizar el seguimiento clínico. El objetivo de este trabajo fue desarrollar un modelo predictivo basado en técnicas de Machine Learning capaz de identificar pacientes con riesgo de desarrollar FRA tras cirugía cardíaca utilizando información clínica preoperatoria disponible en una base de datos hospitalaria. Para ello se realizó un estudio retrospectivo en el que se integraron datos clínicos, analíticos y quirúrgicos procedentes de diferentes fuentes. Tras el preprocesamiento de los datos, se entrenaron y compararon distintos algoritmos de clasificación, incluyendo regresión logística, árboles de decisión, Random Forest, Extra Trees, Gradient Boosting, AdaBoost y Gaussian Naive Bayes. El modelo con mejor rendimiento fue Gaussian Naive Bayes, que alcanzó un área bajo la curva ROC (AUC) de 0.669 y una sensibilidad del 78.2%, aunque con una elevada tasa de falsos positivos. También se evaluaron diferentes técnicas de selección de variables e interpretabilidad mediante SHAP, observándose que la predicción dependía de la combinación de múltiples factores clínicos y no de una única característica aislada. El rendimiento predictivo alcanzado fue moderado y serán necesarios estudios con muestras más amplias, validación externa e incorporación de nuevas variables antes de considerar una posible aplicación clínica."],"dc:identifier.uri":["https://hdl.handle.net/10609/155766"],"dc:language.iso":["spa"],"dc:publisher":["Universitat Oberta de Catalunya (UOC)"],"dc:rights":["Attribution-NonCommercial-NoDerivatives 4.0 International"],"dc:rights.uri":["https://creativecommons.org/licenses/by-nc-nd/4.0/"],"dc:subject":["Acute Kidney Injury (AKI), Cardiac Surgery, Machine Learning"],"dc:title":["Desarrollo de un modelo predictivo mediante Machine Learning para la evolución de la función renal después de cirugía cardíaca"],"dc:type":["info:eu-repo/semantics/masterThesis"]},"updated_at":"2026-07-27T19:07:22Z"}