Vargas Cardona, Hernán DaríoOspina Cobo, Juan Pablo2026-09-012026-09-012026http://hdl.handle.net/11522/5765El cáncer de páncreas es una de las enfermedades más letales a nivel mundial debido a la dificultad de su detección temprana, causada por la ausencia de síntomas específicos, la falta de biomarcadores precisos y su compleja ubicación anatómica. Por tanto, los algoritmos de aprendizaje automático se presentan como una herramienta útil para el análisis de datos clínicos y la identificación de patrones relevantes en la información médica de los pacientes. Por ende, el presente proyecto propone el uso de algoritmos de aprendizaje automático como herramienta para analizar información clínica obtenida de exámenes urinarios, con el fin de identificar patrones que permitan estimar la presencia de la enfermedad. Se busca así explorar un conjunto de técnicas aplicadas a un grupo de características para evaluar su relevancia, y a su vez, desarrollar una interfaz para el ingreso de información, para así, contribuir a la detección del cáncer. La metodología incluye el preprocesamiento de datos, el análisis exploratorio del conjunto de datos y la clasificación mediante aprendizaje automático. Además, se evaluará el rendimiento de los modelos utilizando exactitud, sensibilidad, precisión, especificidad, f1-score y AUC-ROC.Pancreatic cancer is one of the most lethal diseases worldwide due to the difficulty of its early detection, caused by the absence of specific symptoms, the lack of precise biomarkers, and its complex anatomical location. Therefore, machine learning algorithms emerge as a useful tool for the analysis of clinical data and the identification of relevant patterns in patients’ medical information. Hence, the present project proposes the use of machine learning algorithms as a tool to analyze clinical information obtained from urine tests to identify patterns that allow predicting the presence of the disease. Thus, it seeks to explore a set of techniques applied to a group of features to evaluate their relevance, while also developing an interface for data entry, thereby contributing to cancer detection. The methodology includes data preprocessing, exploratory data analysis, and classification through machine learning. In addition, the performance of the models will be evaluated using accuracy, sensitivity, precision, specificity, F1-score, and AUC ROC.68 p.application/pdfspaCáncer de páncreasAprendizaje automáticoBiomarcadoresClasificaciónCaracterísticas médicasPancreatic cancerMachine learningBiomarkersClassificationMedical featuresbachelor thesishttps://creativecommons.org/licenses/by-nc-sa/4.0/http://purl.org/coar/access_right/c_abf2