Desafíos en la clasificación de patologías médicas en personas mayores: revisión del impacto de los datasets desbalanceados en Machine Learning

Resumen

El desarrollo de modelos de Machine Learning (ML) para el diagnóstico y monitoreo de patologías médicas en personas mayores enfrenta múltiples desafíos, siendo uno de los más críticos el problema de los datasets desbalanceados. En estos casos, la escasez de datos correspondientes a enfermedades menos frecuentes afecta la capacidad de los algoritmos para aprender patrones representativos, lo que puede derivar en modelos con sesgo hacia la clase mayoritaria y una alta tasa de falsos negativos en condiciones críticas.

El objetivo de este trabajo es revisar el impacto del desbalance de clases en la clasificación de patologías médicas en adultos mayores y analizar críticamente las estrategias actuales para mitigar este problema. Se comparan enfoques tradicionales como el sobremuestreo (SMOTE, ADASYN), el submuestreo y métodos híbridos (SMOTE-ENN, SMOTE-Tomek Links), así como técnicas avanzadas de Deep Learning y generación de datos sintéticos. Además, se identifican métricas de evaluación más adecuadas para medir el rendimiento en escenarios desbalanceados, tales como AUC-PR, F1-score y Balanced Accuracy.

La metodología adoptada se basa en una revisión sistemática de literatura bajo el modelo PRISMA, recopilando estudios relevantes de bases de datos científicas de alto impacto (PubMed, Scopus, IEEE Xplore). En este proceso, se establecieron algunos criterios de inclusión y exclusión para seleccionar investigaciones que aborden específicamente el problema del desbalance de clases en aplicaciones médicas orientadas a la población de personas mayores.

Los resultados preliminares sugieren que, aunque el sobremuestreo mejora la representación de la clase minoritaria, introduce el riesgo de sobreajuste y ruido en los datos. El submuestreo, por su parte, puede comprometer la información de la clase mayoritaria, reduciendo la capacidad predictiva global del modelo. Las técnicas híbridas por su parte, acorde a lo revisado se muestran como una opción viable y mejor que las anteriores, debido a que combinan lo mejor de los enfoques vistos y optimizan la distribución de clases dentro del conjunto de datos, aunque requieren una calibración precisa y una evaluación cuidadosa en cada aplicación específica. Modelos de Deep Learning, como Redes Generativas Adversarias (GANs) y autoencoders, han sido explorados para la generación de datos sintéticos, mostrando potencial en la creación de muestras más realistas, pero con limitaciones en interpretabilidad y altos costos computacionales.

Acorde a lo anterior, si bien el enfoque híbrido evidencia  ventajas relevantes, aún no se ha identificado una solución definitiva que elimine por completo los efectos adversos del desbalance de datos en modelos de IA aplicados a la salud. El problema sigue abierto y representa un campo de interés activo en la comunidad científica, particularmente en el ámbito de la investigación doctoral, donde se continúan explorando nuevas metodologías para mejorar la equidad y confiabilidad de los modelos predictivos en entornos clínicos. Por lo anterior, es necesario seguir avanzando en el desarrollo de técnicas más robustas que permitan mejorar la detección de patologías subrepresentadas en personas mayores, garantizando diagnósticos más precisos y efectivos en la práctica médica y cuidado de estas.