CardioInsight es un proyecto avanzado de aprendizaje automático orientado a predecir el riesgo cardiovascular a partir de datos clínicos. Mediante el análisis de variables como edad, niveles de colesterol y tipo de dolor torácico, el sistema detecta de forma temprana a pacientes con alto riesgo y favorece la atención preventiva. El modelo principal es un Random Forest Classifier apoyado con técnicas de selección de características para ofrecer predicciones fiables y fáciles de interpretar.
Se entrenaron y evaluaron múltiples algoritmos, incluyendo Regresión Logística, Árbol de Decisión, K-Nearest Neighbors, Máquina de Vectores de Soporte y Random Forest, con registros detallados de métricas para comparar rendimiento y robustez y desplegar el mejor modelo.
Características clave
Rendimiento de alto nivel con una precisión de prueba superior al 98 por ciento utilizando Random Forest.
Análisis de características con insights sobre las variables clínicas que más influyen en el riesgo de enfermedad cardíaca.
Visualización de datos mediante mapas de calor de correlación, importancia de variables y gráficos de evaluación de modelos.
Arquitectura escalable y modular, adaptable a nuevos conjuntos de datos o a otros modelos de ML.
Evaluación multimodelo para comparar y seleccionar la alternativa más efectiva.
Métricas de modelos entrenados
Regresión Logística: accuracy 86.6412, precision 83.8509, recall 93.75, f1 88.5246.
Árbol de Decisión: accuracy 97.3282, precision 97.2414, recall 97.9167, f1 97.5779.
Random Forest: accuracy 98.4733, precision 97.2973, recall 100, f1 98.6301.
Gradient Boosting: accuracy 96.9466, precision 95.9459, recall 98.6111, f1 97.2603.
SVM: accuracy 89.6947, precision 87.7419, recall 94.4444, f1 90.9699.
KNN: accuracy 87.0229, precision 89.2857, recall 86.8056, f1 88.0282.
Variables más influyentes
Edad.
Niveles de colesterol.
Tipo de dolor torácico angina típica.
Cómo usarlo
Clona el repositorio con el siguiente comando
git clone https://github.com/Abubakar-Shabbir/HeartScope-Predictive-ML-for-Cardiovascular-Risk.git
Instala dependencias
pip install -r requirements.txt
Abre el cuaderno Jupyter y navega hasta Notebooks/HeartScope_Predictive ML for Cardiovascular Risk.ipynb para explorar análisis de datos, modelado y visualizaciones.
Autor
Abubakar Shabbir.
Licencia
MIT License 2025 Abubakar Shabbir.
Repositorio en GitHub: CardioInsight Predicción de Riesgo Cardíaco con IA
Sobre Q2BSTUDIO
En Q2BSTUDIO somos una empresa de desarrollo de software especializada en aplicaciones a medida y software a medida, con un equipo experto en inteligencia artificial, ciberseguridad, servicios cloud AWS y Azure, servicios inteligencia de negocio y power bi, así como en la creación de soluciones de ia para empresas y agentes IA que aceleran la toma de decisiones y la eficiencia operativa. Integramos sistemas de analítica avanzada, MLOps y gobierno del dato para llevar proyectos como CardioInsight desde el laboratorio hasta producción con calidad empresarial.
Nuestro equipo combina la construcción de pipelines de datos, despliegues seguros en la nube y visualizaciones de valor. Si tu organización busca implementar modelos predictivos como los de CardioInsight, descubre cómo nuestra oferta en inteligencia artificial impulsa casos de uso clínicos, financieros e industriales con un enfoque responsable, auditable y centrado en resultados.
Además, potenciamos la analítica con paneles interactivos y reporting ejecutivo. Explora cómo nuestros servicios de inteligencia de negocio y Power BI convierten datos en decisiones, integrándose con modelos de ML para cerrar el ciclo de valor de extremo a extremo.
Palabras clave
aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi.