Browsing by Subject "Predictive modeling"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Predicción de deserción de clientes en planes de previsión exequial utilizando técnicas de aprendizaje automático
    (Pontificia Universidad Javeriana Cali, 2024) Cortés Cataño, Carlos Felipe; Mora Cañas, Carlos Luis; González Gómez, Daniel Enrique
    El presente proyecto evaluó varias técnicas de clasificación para identificar los clientes propensos a presentar deserción en contratos de previsión exequial en una compañía funeraria para después de comparar varias técnicas, seleccionar la técnica de aprendizaje automático “XGBoost”. La retención de clientes es esencial para la competitividad, cobertura y rentabilidad de esta empresa, y mediante la aplicación de este modelo, se logra un “recall” equivalente al 89%, permitiendo la identificación de 578 contratos propensos a desertar. Esto proporciona a la funeraria una buena alternativa para implementar estrategias más precisas y dirigidas a retener sus clientes, contribuyendo así a sus objetivos de crecimiento y éxito a largo plazo.
  • Thumbnail Image
    Item
    Predicción de la supervivencia en pacientes con cáncer de estómago: integración de características clínicas, genéticas y análisis de imágenes para el apoyo en la toma de decisiones clínicas
    (Pontificia Universidad Javeriana Cali, 2025) López León, William Andrés; Parra Barrera, Eliana Liseth; Meneses Ramírez, Karem Dayana; Tobar Tosse, Henry Fabián
    El cáncer gástrico continúa siendo uno de los principales desafíos en salud pública a nivel mundial, no solo por su elevada mortalidad, sino también por las limitaciones actuales para estratificar adecuadamente el riesgo y personalizar las decisiones terapéuticas. A pesar de los avances diagnósticos y moleculares, la predicción de supervivencia sigue siendo imprecisa debido a la heterogeneidad tumoral y a la fragmentación de la información clínica y genómica. En este escenario, los modelos integrativos basados en ciencia de datos representan una oportunidad para mejorar el pronóstico y apoyar de manera objetiva la toma de decisiones clínicas. Este proyecto tuvo como objetivo desarrollar y evaluar modelos de predicción de supervivencia en cáncer gástrico mediante la integración de variables clínicas (edad, sexo, estadio TNM, grado histológico), perfiles de expresión de miRNA y características cuantitativas derivadas de imágenes histopatológicas digitales H&E. Para ello, se emplearon datos del repositorio TCGA STAD del National Cancer Institute, incluyendo tablas clínicas, matrices de expresión miRNA-seq y Whole Slide Images en formato SVS. El pipeline metodológico incluyó: (1) preprocesamiento clínico con imputación y estandarización; (2) selección de miRNA mediante análisis de expresión diferencial y pruebas univariadas; (3) normalización de color y extracción de parches tisulares con OpenSlide; (4) extracción de características morfológicas, estructurales y texturales con un enfoque interpretable desde criterios histopatológicos; y (5) agregación estadística por paciente. Con este conjunto multimodal se entrenaron tres modelos de supervivencia ampliamente utilizados: Coxnet penalizado, Random Survival Forest (RSF) y DeepSurv, optimizados mediante búsqueda aleatoria y validación interna. Entre las estrategias evaluadas, el modelo Coxnet penalizado se consolidó como el más robusto e interpretable para la predicción de supervivencia en la cohorte TCGA-STAD. Este alcanzó un C index de 0.7315 y valores de AUC(t) de 0.784, 0.758 y 0.760 a 1, 3 y 5 años, respectivamente. El Brier Score obtenido (0.1441) evidenció una adecuada calibración, mientras que las curvas de Kaplan–Meier mostraron una separación significativa entre los grupos de riesgo (log-rank p = 1.36 × 10⁻⁴), confirmando su utilidad para estratificar pacientes según su pronóstico. En conjunto, estos resultados demuestran que los enfoques multimodales permiten capturar de manera más completa la heterogeneidad biológica del cáncer gástrico y proporcionan herramientas predictivas superiores al análisis clínico tradicional, favoreciendo una estratificación temprana del riesgo y decisiones terapéuticas más precisas.