Age, Sex, and Waist-to-Height Ratio Approach the Discrimination of Fifty-Four Model Inputs for Prevalent Hypertension: An Explainable Machine Learning Analysis of the Chilean National Health Survey
RESUMEN DIVULGATIVO
La edad, el sexo y la relación cintura-estatura se perfilan como los factores más determinantes entre cincuenta y cuatro variables de entrada para la hipertensión prevalente
El estudio evaluó si los algoritmos de aprendizaje automático alimentados con paneles amplios de predictores superan a unas pocas mediciones rutinarias para identificar hipertensión prevalente. Se analizaron 5516 participantes de la Encuesta Nacional de Salud de Chile 2016-2017, con 54 entradas de modelo (43 predictores y 11 indicadores de datos de laboratorio ausentes) y 17 algoritmos comparados bajo validación cruzada agrupada por segmento censal, umbrales fijados en datos de desarrollo e intervalos por bootstrap. El modelo XGBoost completo alcanzó un AUC de 0,890 (IC 95 % 0,872 a 0,906) frente a 0,882 del modelo con solo edad, sexo e índice cintura-talla; bajo regresión logística penalizada la diferencia fue nula (−0,0004) y bajo XGBoost de −0,0084, mientras que eliminar la edad costó 0,027 de AUC. Los autores concluyen que tres mediciones rutinarias aportan la mayor parte de la discriminación, con la salvedad de que la equivalencia no se contrastó formalmente, la validación fue interna y la transportabilidad no está demostrada.
Hallazgo clave
Un modelo con solo edad, sexo e índice cintura-talla alcanzó un AUC de 0,882 (XGBoost) y 0,881 (regresión logística penalizada) para identificar hipertensión prevalente, prácticamente igual que modelos con 54 variables de entrada (0,890 y 0,882).