pág. 9609
MODELADO PREDICTIVO DEL
ENVEJECIMIENTO USANDO MACHINE
LEARNING: CUANTIFICACIÓN DEL RIESGO
MULTIFACTORIAL DE DIABETES, ESTRÉS Y
DISFUNCIÓN FAMILIAR PARA JÓVENES Y
ADULTOS EN LA UNIVERSIDAD DE
CUNDINAMARCA
PREDICTIVE MODELING OF AGING USING MACHINE
LEARNING: QUANTIFICATION OF MULTIFACTORIAL RISK
FOR DIABETES, STRESS, AND FAMILY DYSFUNCTION IN
YOUNG ADULTS AND ADULTS AT THE UNIVERSITY OF
CUNDINAMARCA
Elkin Oswaldo Forero Soto
Universidad de Cundinamarca Docente
María Victoria Rojas Martínez
Universidad de Cundinamarca Docente
Adriana Hernández Bustos
Universidad de Cundinamarca Docente
Héctor Fabio Cruz Cuellar
Universidad de Cundinamarca Docente
Diego Armando López Vargas
Universidad de Cundinamarca Docente
pág. 9610
DOI: https://doi.org/10.37811/cl_rcm.v9i6.22062
Modelado Predictivo del Envejecimiento usando Machine Learning:
Cuantificación del Riesgo Multifactorial de Diabetes, Estrés y Disfunción
Familiar para jóvenes y adultos en la Universidad de Cundinamarca
Elkin Oswaldo Forero Soto1
eoforero@ucundinamarca.edu.co
https://orcid.org/0000-0001-8388-5139
Universidad de Cundinamarca Docente
Colombia
María Victoria Rojas Martínez
mariavictoriarojas@ucundinamarca.edu.co
https://orcid.org/0000-0003-1637-4800
Universidad de Cundinamarca Docente
Colombia
Adriana Hernández Bustos
ahernandezb@ucundinamarca.edu.co
https://orcid.org/0000-0001-8146-5413
Universidad de Cundinamarca Docente
Colombia
Héctor Fabio Cruz Cuellar
hfabiocruz@ucundinamarca.edu.co
https://orcid.org/0000-0001-9532-9260
Universidad de Cundinamarca Docente
Colombia
Diego Armando López Vargas
diegoalopez@ucundinamarca.edu.co
https://orcid.org/0000-0003-3765-8351
Universidad de Cundinamarca Docente
Colombia
RESUMEN
En la actualidad el proceso de envejecimiento cobra un valor significativo y los actuales avances de las
técnicas de Machine Learning hacen que la aplicación de modelos como la regresión logística permitan
diagnosticar posibles problemas en adultos mayores. Este estudio se propuso validar la eficacia de la
Regresión Logística Múltiple para cuantificar el riesgo multifactorial asociado al proceso de
envejecimiento, centrándose en el impacto de variables sociodemográficas y de estilo de vida sobre la
probabilidad de desarrollar Diabetes, Estrés y Disfunción Familiar en jóvenes y adultos universitarios.
La metodología se implementó mediante un programa en computador desarrollado en Python, donde se
emplearon métricas de rendimiento como el Área Bajo la Curva (AUC) para evaluar la capacidad de
discriminación del modelo, y se recurrió a los Odds Ratios (OR) para establecer la fuerza de asociación
de cada predictor. Los resultados demostraron consistentemente que la Regresión Logística es una
metodología de alto rendimiento (con AUC > 0.93) y clínicamente interpretable para pronosticar estas
condiciones. Estos hallazgos reafirman la utilidad del Machine Learning para la detección y
estratificación temprana del riesgo, proporcionando una herramienta esencial para la formulación de
políticas de salud pública proactivas en el ámbito universitario.
Palabras clave: regresión logística; envejecimiento; diabetes; estrés; disfunción familiar
1 Autor principal
Correspondencia: eoforero@ucundinamarca.edu.co
DOI: https://doi.org/10.37811/cl_rcm.v9i6.22062
Modelado Predictivo del Envejecimiento usando Machine Learning:
Cuantificación del Riesgo Multifactorial de Diabetes, Estrés y Disfunción
Familiar para jóvenes y adultos en la Universidad de Cundinamarca
Elkin Oswaldo Forero Soto1
eoforero@ucundinamarca.edu.co
https://orcid.org/0000-0001-8388-5139
Universidad de Cundinamarca Docente
Colombia
María Victoria Rojas Martínez
mariavictoriarojas@ucundinamarca.edu.co
https://orcid.org/0000-0003-1637-4800
Universidad de Cundinamarca Docente
Colombia
Adriana Hernández Bustos
ahernandezb@ucundinamarca.edu.co
https://orcid.org/0000-0001-8146-5413
Universidad de Cundinamarca Docente
Colombia
Héctor Fabio Cruz Cuellar
hfabiocruz@ucundinamarca.edu.co
https://orcid.org/0000-0001-9532-9260
Universidad de Cundinamarca Docente
Colombia
Diego Armando López Vargas
diegoalopez@ucundinamarca.edu.co
https://orcid.org/0000-0003-3765-8351
Universidad de Cundinamarca Docente
Colombia
RESUMEN
En la actualidad el proceso de envejecimiento cobra un valor significativo y los actuales avances de las
técnicas de Machine Learning hacen que la aplicación de modelos como la regresión logística permitan
diagnosticar posibles problemas en adultos mayores. Este estudio se propuso validar la eficacia de la
Regresión Logística Múltiple para cuantificar el riesgo multifactorial asociado al proceso de
envejecimiento, centrándose en el impacto de variables sociodemográficas y de estilo de vida sobre la
probabilidad de desarrollar Diabetes, Estrés y Disfunción Familiar en jóvenes y adultos universitarios.
La metodología se implementó mediante un programa en computador desarrollado en Python, donde se
emplearon métricas de rendimiento como el Área Bajo la Curva (AUC) para evaluar la capacidad de
discriminación del modelo, y se recurrió a los Odds Ratios (OR) para establecer la fuerza de asociación
de cada predictor. Los resultados demostraron consistentemente que la Regresión Logística es una
metodología de alto rendimiento (con AUC > 0.93) y clínicamente interpretable para pronosticar estas
condiciones. Estos hallazgos reafirman la utilidad del Machine Learning para la detección y
estratificación temprana del riesgo, proporcionando una herramienta esencial para la formulación de
políticas de salud pública proactivas en el ámbito universitario.
Palabras clave: regresión logística; envejecimiento; diabetes; estrés; disfunción familiar
1 Autor principal
Correspondencia: eoforero@ucundinamarca.edu.co
pág. 9611
Predictive Modeling of Aging using Machine Learning: Quantification of
Multifactorial Risk for Diabetes, Stress, and Family Dysfunction in Young
Adults and Adults at the University of Cundinamarca
ABSTRACT
The aging process has gained significant value in contemporary society, and current advancements in
Machine Learning techniques make the application of models such as logistic regression essential for
diagnosing potential problems in older adults. This study aimed to validate the efficacy of Multiple
Logistic Regression for quantifying the multifactorial risk associated with the aging process, focusing
on the impact of socio-demographic and lifestyle variables on the probability of developing Diabetes,
Stress, and Family Dysfunction in young adults and adults attending university. The methodology was
implemented using a computer program developed in Python, where performance metrics like the Area
Under the Curve (AUC) were employed to evaluate the model's discrimination capacity, and Odds
Ratios (OR) were used to establish the strength of association for each predictor. The results consistently
demonstrated that Logistic Regression is a high-performance methodology (with $AUC > 0.93$) and is
clinically interpretable for prognosticating these conditions. These findings reaffirm the utility of
Machine Learning for the early detection and risk stratification, providing an essential tool for
formulating proactive public health policies within the university setting.
Keywords: Machine Learning; Logistic Regression; Aging; Diabetes; Stress; Family Dysfunction
Artículo recibido 8 noviembre 2025
Aceptado para publicación: 15 diciembre 2025
Predictive Modeling of Aging using Machine Learning: Quantification of
Multifactorial Risk for Diabetes, Stress, and Family Dysfunction in Young
Adults and Adults at the University of Cundinamarca
ABSTRACT
The aging process has gained significant value in contemporary society, and current advancements in
Machine Learning techniques make the application of models such as logistic regression essential for
diagnosing potential problems in older adults. This study aimed to validate the efficacy of Multiple
Logistic Regression for quantifying the multifactorial risk associated with the aging process, focusing
on the impact of socio-demographic and lifestyle variables on the probability of developing Diabetes,
Stress, and Family Dysfunction in young adults and adults attending university. The methodology was
implemented using a computer program developed in Python, where performance metrics like the Area
Under the Curve (AUC) were employed to evaluate the model's discrimination capacity, and Odds
Ratios (OR) were used to establish the strength of association for each predictor. The results consistently
demonstrated that Logistic Regression is a high-performance methodology (with $AUC > 0.93$) and is
clinically interpretable for prognosticating these conditions. These findings reaffirm the utility of
Machine Learning for the early detection and risk stratification, providing an essential tool for
formulating proactive public health policies within the university setting.
Keywords: Machine Learning; Logistic Regression; Aging; Diabetes; Stress; Family Dysfunction
Artículo recibido 8 noviembre 2025
Aceptado para publicación: 15 diciembre 2025
pág. 9612
INTRODUCCIÓN
La trayectoria del envejecimiento en contextos académicos y laborales requiere un enfoque proactivo
en la salud de la población joven y adulta. El envejecimiento prematuro o patológico representa una
amenaza al rendimiento y la productividad, manifestándose no solo a través del deterioro físico, sino
también mediante la fragilidad de la estabilidad mental y la disfunción en el soporte social. La
investigación demuestra que el aislamiento social y la soledad tienen un impacto significativo en la salud
mental, predisponiendo a los individuos a condiciones como la depresión según Hoogendijk et al.,
(2020). Este estudio aborda la necesidad de una perspectiva más integral utilizando Machine Learning
para cuantificar el riesgo de otros factores.
Por otra parte, investigaciones recientes han demostrado que la salud percibida juega un papel crucial
en la calidad de vida, influenciada por factores sociodemográficos y económicos, y es fundamental para
asegurar el bienestar de la población. Esto se traduce en la necesidad de implementar intervenciones
adaptadas que promuevan estilos de vida saludables y un enfoque proactivo hacia la salud mental y
física entre los jóvenes y adultos, ya que una percepción positiva de salud está relacionada con un mejor
bienestar general (Salazar-Martínez, 2022). Debido a lo anterior, es imperativo validar modelos
predictivos que integren técnicas de Machine Learning, buscando generar dinámicas que permitan
entender la salud y calidad de vida de esta población.
La relevancia de este estudio radica en su potencial para abordar problemas críticos de salud pública al
aplicar modelos predictivos en el contexto del envejecimiento de la población universitaria. A medida
que los jóvenes y adultos enfrentan diversos desafíos, desde la carga académica hasta los efectos del
sedentarismo, comprender la relación entre estos factores y la salud es fundamental. La capacidad de
los modelos de regresión logística y otros métodos de Machine Learning para predecir problemas de
salud puede facilitar intervenciones tempranas y dirigidas, que a su vez pueden mejorar la calidad de
vida y el rendimiento académico de los estudiantes Gzar et al. (2022). Con un enfoque multidimensional
que integra variables sociodemográficas y de estilo de vida, este estudio ofrece un modelo valioso para
la formulación de políticas educativas y de salud que prioricen el bienestar integral de la población
universitaria.
INTRODUCCIÓN
La trayectoria del envejecimiento en contextos académicos y laborales requiere un enfoque proactivo
en la salud de la población joven y adulta. El envejecimiento prematuro o patológico representa una
amenaza al rendimiento y la productividad, manifestándose no solo a través del deterioro físico, sino
también mediante la fragilidad de la estabilidad mental y la disfunción en el soporte social. La
investigación demuestra que el aislamiento social y la soledad tienen un impacto significativo en la salud
mental, predisponiendo a los individuos a condiciones como la depresión según Hoogendijk et al.,
(2020). Este estudio aborda la necesidad de una perspectiva más integral utilizando Machine Learning
para cuantificar el riesgo de otros factores.
Por otra parte, investigaciones recientes han demostrado que la salud percibida juega un papel crucial
en la calidad de vida, influenciada por factores sociodemográficos y económicos, y es fundamental para
asegurar el bienestar de la población. Esto se traduce en la necesidad de implementar intervenciones
adaptadas que promuevan estilos de vida saludables y un enfoque proactivo hacia la salud mental y
física entre los jóvenes y adultos, ya que una percepción positiva de salud está relacionada con un mejor
bienestar general (Salazar-Martínez, 2022). Debido a lo anterior, es imperativo validar modelos
predictivos que integren técnicas de Machine Learning, buscando generar dinámicas que permitan
entender la salud y calidad de vida de esta población.
La relevancia de este estudio radica en su potencial para abordar problemas críticos de salud pública al
aplicar modelos predictivos en el contexto del envejecimiento de la población universitaria. A medida
que los jóvenes y adultos enfrentan diversos desafíos, desde la carga académica hasta los efectos del
sedentarismo, comprender la relación entre estos factores y la salud es fundamental. La capacidad de
los modelos de regresión logística y otros métodos de Machine Learning para predecir problemas de
salud puede facilitar intervenciones tempranas y dirigidas, que a su vez pueden mejorar la calidad de
vida y el rendimiento académico de los estudiantes Gzar et al. (2022). Con un enfoque multidimensional
que integra variables sociodemográficas y de estilo de vida, este estudio ofrece un modelo valioso para
la formulación de políticas educativas y de salud que prioricen el bienestar integral de la población
universitaria.
pág. 9613
La investigación contemporánea ha demostrado que las técnicas más avanzadas pueden superar a los
modelos tradicionales, lo que resalta la necesidad de innovaciones en el análisis de la salud (Sihombing
et al., 2023). Implementar estos enfoques no solo contribuirá a mejorar la salud de los estudiantes, sino
que también proporcionará un marco útil para la recolección y el análisis de datos en tiempo real, lo cual
es vital en un contexto que continúa evolucionando debido a factores externos como la pandemia de
COVID-19. Este estudio, por lo tanto, tiene implicaciones más amplias para la salud pública, sugiriendo
un camino hacia una atención más personalizada y eficaz para los jóvenes adultos en entornos
académicos.
En otros estudios la predicción de resultados de salud complejos ha avanzado significativamente gracias
a la integración del Machine Learning en la epidemiología y la geriatría, superando las limitaciones de
los modelos estadísticos tradicionales (He et al., 2025). La investigación global se ha enfocado en
predecir la trayectoria del envejecimiento exitoso (Successful Aging), que se define bajo un marco
multidimensional que incluye la ausencia de enfermedad crónica, alta función cognitiva y compromiso
social activo (Zhang et al., 2025). Estudios recientes han empleado algoritmos avanzados como
XGBoost y Redes Neuronales Artificiales (ANN) para construir modelos predictivos, identificando
factores cruciales como el estado de las enfermedades crónicas (hipertensión, enfermedad renal) como
los predictores más influyentes del envejecimiento exitoso (Zhang et al., 2025). Estos modelos, al
integrar variables sociodemográficas, clínicas y de estilo de vida, han logrado altas métricas de
rendimiento (AUC cercanos a 0.78), demostrando que las técnicas de Machine Learning son
herramientas valiosas para la detección temprana y la gestión de la salud poblacional (Zaccheus et al.,
2024).
En América Latina, la aplicación de técnicas de inteligencia artificial y Machine Learning en el contexto
del envejecimiento, aunque incipiente, está creciendo, enfocándose principalmente en desafíos de
enfermedades crónicas y el deterioro cognitivo. Dada la limitada disponibilidad de bases de datos
estandarizadas en la región, los estudios a menudo se centran en evaluar los riesgos de salud en
poblaciones específicas (Navarro et al., 2021). Por ejemplo, estudios de corte transversal en Colombia
han explorado la relación entre condiciones demográficas, salud física (como la Diabetes) y salud mental
(síntomas depresivos) en adultos mayores urbanos, destacando la necesidad de intervenciones que
La investigación contemporánea ha demostrado que las técnicas más avanzadas pueden superar a los
modelos tradicionales, lo que resalta la necesidad de innovaciones en el análisis de la salud (Sihombing
et al., 2023). Implementar estos enfoques no solo contribuirá a mejorar la salud de los estudiantes, sino
que también proporcionará un marco útil para la recolección y el análisis de datos en tiempo real, lo cual
es vital en un contexto que continúa evolucionando debido a factores externos como la pandemia de
COVID-19. Este estudio, por lo tanto, tiene implicaciones más amplias para la salud pública, sugiriendo
un camino hacia una atención más personalizada y eficaz para los jóvenes adultos en entornos
académicos.
En otros estudios la predicción de resultados de salud complejos ha avanzado significativamente gracias
a la integración del Machine Learning en la epidemiología y la geriatría, superando las limitaciones de
los modelos estadísticos tradicionales (He et al., 2025). La investigación global se ha enfocado en
predecir la trayectoria del envejecimiento exitoso (Successful Aging), que se define bajo un marco
multidimensional que incluye la ausencia de enfermedad crónica, alta función cognitiva y compromiso
social activo (Zhang et al., 2025). Estudios recientes han empleado algoritmos avanzados como
XGBoost y Redes Neuronales Artificiales (ANN) para construir modelos predictivos, identificando
factores cruciales como el estado de las enfermedades crónicas (hipertensión, enfermedad renal) como
los predictores más influyentes del envejecimiento exitoso (Zhang et al., 2025). Estos modelos, al
integrar variables sociodemográficas, clínicas y de estilo de vida, han logrado altas métricas de
rendimiento (AUC cercanos a 0.78), demostrando que las técnicas de Machine Learning son
herramientas valiosas para la detección temprana y la gestión de la salud poblacional (Zaccheus et al.,
2024).
En América Latina, la aplicación de técnicas de inteligencia artificial y Machine Learning en el contexto
del envejecimiento, aunque incipiente, está creciendo, enfocándose principalmente en desafíos de
enfermedades crónicas y el deterioro cognitivo. Dada la limitada disponibilidad de bases de datos
estandarizadas en la región, los estudios a menudo se centran en evaluar los riesgos de salud en
poblaciones específicas (Navarro et al., 2021). Por ejemplo, estudios de corte transversal en Colombia
han explorado la relación entre condiciones demográficas, salud física (como la Diabetes) y salud mental
(síntomas depresivos) en adultos mayores urbanos, destacando la necesidad de intervenciones que
pág. 9614
atiendan la complejidad multifactorial del bienestar en entornos de rápido envejecimiento (Gómez-
Restrepo et al., 2020). La relevancia regional de este estudio radica en que, al emplear el modelado
predictivo con Regresión Logística, contribuye a cerrar la brecha metodológica existente en la
cuantificación del riesgo y se alinea con las recomendaciones de integrar la IA y el Machine Learning
para optimizar la atención y rehabilitación de los adultos mayores en países como México (Jarillo-Silva,
2025).
Este estudio se fundamenta en el paradigma de la Inferencia Bayesiana y la Teoría de la Clasificación
de Machine Learning. La Regresión Logística es inherentemente un modelo de clasificación que estima
la probabilidad de que una observación pertenezca a una clase binaria (ej., tener Diabetes, Sí/No),
basándose en una función sigmoide (Wu et al., 2021). Su eficacia como algoritmo de Machine Learning
reside en su interpretabilidad, ya que los Odds Ratios (OR) obtenidos permiten cuantificar el impacto
multiplicativo de los factores de riesgo con claridad clínica (Zhang et al., 2025). La Teoría Bayesiana
complementa este enfoque al ofrecer un marco para actualizar las probabilidades de riesgo a medida que
se incorporan nuevos datos, siendo especialmente útil en la predicción de resultados complejos y
evolutivos como la mortalidad asociada a la Diabetes, donde los modelos de Edad-Período-Cohorte
Bayesiana han demostrado una alta capacidad predictiva (Wu et al., 2021).
El objetivo principal de este trabajo es validar el modelo de regresión logística mediante la integración
de técnicas de Machine Learning para determinar el impacto de las variables socioeconómicas y hábitos
de vida que pueden afectar la calidad de vida para las personas mayores, proporcionando un análisis
exhaustivo que cuantifique el impacto de la diabetes, el estrés y la disfunción familiar, evaluando la
capacidad predictiva del modelo mediante métricas de alto rendimiento.
Si bien es cierto que estudio no ahonda sus resultados en la calidad del envejecimiento, si aporta un
análisis de la relación que tienen los factores socioeconómicos con las variables como diabetes, estrés y
disfunción familiar.
Para este estudio se trabajó con la población de jóvenes y adultos la Universidad de Cundinamarca en
su sede Girardot, una ciudad con 326 metros a nivel del mar, con clima cálido y tropical, con
aproximadamente 150.000 habitantes y separada de Bogotá por 120 kilómetros
atiendan la complejidad multifactorial del bienestar en entornos de rápido envejecimiento (Gómez-
Restrepo et al., 2020). La relevancia regional de este estudio radica en que, al emplear el modelado
predictivo con Regresión Logística, contribuye a cerrar la brecha metodológica existente en la
cuantificación del riesgo y se alinea con las recomendaciones de integrar la IA y el Machine Learning
para optimizar la atención y rehabilitación de los adultos mayores en países como México (Jarillo-Silva,
2025).
Este estudio se fundamenta en el paradigma de la Inferencia Bayesiana y la Teoría de la Clasificación
de Machine Learning. La Regresión Logística es inherentemente un modelo de clasificación que estima
la probabilidad de que una observación pertenezca a una clase binaria (ej., tener Diabetes, Sí/No),
basándose en una función sigmoide (Wu et al., 2021). Su eficacia como algoritmo de Machine Learning
reside en su interpretabilidad, ya que los Odds Ratios (OR) obtenidos permiten cuantificar el impacto
multiplicativo de los factores de riesgo con claridad clínica (Zhang et al., 2025). La Teoría Bayesiana
complementa este enfoque al ofrecer un marco para actualizar las probabilidades de riesgo a medida que
se incorporan nuevos datos, siendo especialmente útil en la predicción de resultados complejos y
evolutivos como la mortalidad asociada a la Diabetes, donde los modelos de Edad-Período-Cohorte
Bayesiana han demostrado una alta capacidad predictiva (Wu et al., 2021).
El objetivo principal de este trabajo es validar el modelo de regresión logística mediante la integración
de técnicas de Machine Learning para determinar el impacto de las variables socioeconómicas y hábitos
de vida que pueden afectar la calidad de vida para las personas mayores, proporcionando un análisis
exhaustivo que cuantifique el impacto de la diabetes, el estrés y la disfunción familiar, evaluando la
capacidad predictiva del modelo mediante métricas de alto rendimiento.
Si bien es cierto que estudio no ahonda sus resultados en la calidad del envejecimiento, si aporta un
análisis de la relación que tienen los factores socioeconómicos con las variables como diabetes, estrés y
disfunción familiar.
Para este estudio se trabajó con la población de jóvenes y adultos la Universidad de Cundinamarca en
su sede Girardot, una ciudad con 326 metros a nivel del mar, con clima cálido y tropical, con
aproximadamente 150.000 habitantes y separada de Bogotá por 120 kilómetros
pág. 9615
METODOLOGÍA
Gracias al uso intensivo de datos numéricos, modelos matemáticos y estadísticos para probar el método
de regresión logística multifactor, este estudio es predominantemente de enfoque cuantitativo.
Por otro lado, el uso de la regresión logística busca establecer relaciones entre las características de los
individuos y la probabilidad de un resultado específico, lo cual determina que esta investigación es de
tipo predictivo y su diseño es observacional porque los investigadores no manipulan ninguna variable o
intervención en los participantes, por el contrario, observan y miden las variables sociodemográficas,
hábitos de vida y los resultados en Diabetes, Estrés y Disfunción Familiar, como se presentan en la
población de la Universidad de Cundinamarca.
En la fase de diseño se decidió que la población a analizar estaría conformada en dos grandes grupos,
estudiantes y administrativos, los primeros deberían ser estudiantes de primer semestre de ingeniería de
software, enfermería e ingeniería ambiental y los segundos todo el personal administrativo de la
Universidad de Cundinamarca Sede Girardot.
Luego de esto se diseñó un instrumento de recolección de datos basados en el test de Findrisc, Apgar
familiar, tamización de depresión y estrés y también se tuvo en cuenta la caracterización
sociodemográfica de los individuos de la muestra.
Estos datos se recopilaron y se limpiaron en un micrositio web desarrollado en Python donde se
almacena toda la data de este estudio. Esta plataforma comunica los datos a una aplicación de escritorio
denomina “Relopen" (Regresion Logistica Pronostico envejecimiento) que utiliza librerías de Python
como: pandas, numpy, sklearn y statsmodels entre otros. Con esta aplicación se realizó un análisis
exploratorio de datos, basado en la estadística descriptiva con el fin de comprender el comportamiento
de la información recolectada y determinar la presencia de outlier en estos datos, luego fueron
codificadas las variables categóricas como: rol (estudiantes o administrativo), sexo, estrato y zona
residencial.
Luego de esto y teniendo en el análisis exploratorio de datos se construyó un modelo predictivo de datos,
basados en la regresión logística multifactor, para en este tipo de investigación, donde se busca
establecer relaciones entre las características de los individuos y la probabilidad de un resultado
específico, como es el caso del envejecimiento (Li et al. 2025).
METODOLOGÍA
Gracias al uso intensivo de datos numéricos, modelos matemáticos y estadísticos para probar el método
de regresión logística multifactor, este estudio es predominantemente de enfoque cuantitativo.
Por otro lado, el uso de la regresión logística busca establecer relaciones entre las características de los
individuos y la probabilidad de un resultado específico, lo cual determina que esta investigación es de
tipo predictivo y su diseño es observacional porque los investigadores no manipulan ninguna variable o
intervención en los participantes, por el contrario, observan y miden las variables sociodemográficas,
hábitos de vida y los resultados en Diabetes, Estrés y Disfunción Familiar, como se presentan en la
población de la Universidad de Cundinamarca.
En la fase de diseño se decidió que la población a analizar estaría conformada en dos grandes grupos,
estudiantes y administrativos, los primeros deberían ser estudiantes de primer semestre de ingeniería de
software, enfermería e ingeniería ambiental y los segundos todo el personal administrativo de la
Universidad de Cundinamarca Sede Girardot.
Luego de esto se diseñó un instrumento de recolección de datos basados en el test de Findrisc, Apgar
familiar, tamización de depresión y estrés y también se tuvo en cuenta la caracterización
sociodemográfica de los individuos de la muestra.
Estos datos se recopilaron y se limpiaron en un micrositio web desarrollado en Python donde se
almacena toda la data de este estudio. Esta plataforma comunica los datos a una aplicación de escritorio
denomina “Relopen" (Regresion Logistica Pronostico envejecimiento) que utiliza librerías de Python
como: pandas, numpy, sklearn y statsmodels entre otros. Con esta aplicación se realizó un análisis
exploratorio de datos, basado en la estadística descriptiva con el fin de comprender el comportamiento
de la información recolectada y determinar la presencia de outlier en estos datos, luego fueron
codificadas las variables categóricas como: rol (estudiantes o administrativo), sexo, estrato y zona
residencial.
Luego de esto y teniendo en el análisis exploratorio de datos se construyó un modelo predictivo de datos,
basados en la regresión logística multifactor, para en este tipo de investigación, donde se busca
establecer relaciones entre las características de los individuos y la probabilidad de un resultado
específico, como es el caso del envejecimiento (Li et al. 2025).
pág. 9616
El uso de la regresión logística como modelo predictivo se debe a su alta capacidad de establecer
relaciones entre características individuales y la probabilidad de resultados binarios, que para este
estudio seria: desarrollar o no diabetes (score_neurodiab), tener una buena o mala dinámica familiar
(score_dinafami) y tener o no tener estrés (score_estres). Todos estos valores fueron calculados de
acuerdo a la tabla 1.
Tabla 1
Criterios para cálculos de Riesgo binomial para diabetes, dinámica familiar y estrés
Criterio Verdadero Falso
'score_neurodiab' >= 13 Si tiene riesgo de diabetes No tienen riesgo de diabetes
'score_dinafami' <= 12 Posibilidades de tener una
buena dinámica familiar
Posibilidades de tener una
mala dinámica familiar
'score_estres' >= 14 Si tiene posibilidades de tener
estrés
No tiene posibilidades de tener
estrés
Nota: Criterios definido por los investigadores para el modelamiento usando la regresión logística
Evaluación del modelo de regresión logística:
Para la regresión logística como lo menciona Costa y Borges (2024) las métricas como Accuracy y el
AUC son claves para evaluar la capacidad del modelo especialmente para determinar el desbalance entre
las variables. Por lo que para este estudio fue evaluado mediante las siguientes métricas:
Sensibilidad: Para corroborar la validación del modelo de regresión logística también se incluyó el
concepto de Curva ROC que permite ver la sensibilidad del modelo a medida que aumenta la tasa de
Falsos Positivos y Curva AUC o área bajo la curva que representa la capacidad de discriminación del
modelo, es decir, la capacidad que tiene este modelo de distinguir entre casos positivos y negativos
Interpretación: La aplicación método de regresión logística ha sido validado en numerosas
investigaciones por su habilidad para generar Odds Ratios que simplifican la interpretación clínica de
los resultados, incluyendo su fácil adaptación en el contexto de análisis multifactoriales para la
evaluación en salud pública.
Para analizar la magnitud de estos efectos se aplicaron medidas como Accuracy y el área bajo la curva
AUC importantes para determinar la capacidad del modelo para predecir los efectos en diabetes, estrés
El uso de la regresión logística como modelo predictivo se debe a su alta capacidad de establecer
relaciones entre características individuales y la probabilidad de resultados binarios, que para este
estudio seria: desarrollar o no diabetes (score_neurodiab), tener una buena o mala dinámica familiar
(score_dinafami) y tener o no tener estrés (score_estres). Todos estos valores fueron calculados de
acuerdo a la tabla 1.
Tabla 1
Criterios para cálculos de Riesgo binomial para diabetes, dinámica familiar y estrés
Criterio Verdadero Falso
'score_neurodiab' >= 13 Si tiene riesgo de diabetes No tienen riesgo de diabetes
'score_dinafami' <= 12 Posibilidades de tener una
buena dinámica familiar
Posibilidades de tener una
mala dinámica familiar
'score_estres' >= 14 Si tiene posibilidades de tener
estrés
No tiene posibilidades de tener
estrés
Nota: Criterios definido por los investigadores para el modelamiento usando la regresión logística
Evaluación del modelo de regresión logística:
Para la regresión logística como lo menciona Costa y Borges (2024) las métricas como Accuracy y el
AUC son claves para evaluar la capacidad del modelo especialmente para determinar el desbalance entre
las variables. Por lo que para este estudio fue evaluado mediante las siguientes métricas:
Sensibilidad: Para corroborar la validación del modelo de regresión logística también se incluyó el
concepto de Curva ROC que permite ver la sensibilidad del modelo a medida que aumenta la tasa de
Falsos Positivos y Curva AUC o área bajo la curva que representa la capacidad de discriminación del
modelo, es decir, la capacidad que tiene este modelo de distinguir entre casos positivos y negativos
Interpretación: La aplicación método de regresión logística ha sido validado en numerosas
investigaciones por su habilidad para generar Odds Ratios que simplifican la interpretación clínica de
los resultados, incluyendo su fácil adaptación en el contexto de análisis multifactoriales para la
evaluación en salud pública.
Para analizar la magnitud de estos efectos se aplicaron medidas como Accuracy y el área bajo la curva
AUC importantes para determinar la capacidad del modelo para predecir los efectos en diabetes, estrés
pág. 9617
y disfunción familiar. También se empleó la razón de Momios reconocida como Odds Ratios (OR) para
cuantificar la fuerza que tiene una variable en la presencia o ausencia del riesgo de tener o no diabetes,
estrés y disfunción familiar.
Las variables independientes son aquellas que se presume que tienen un efecto sobre el envejecimiento.
Estas pueden incluir aspectos demográficos como la edad, el sexo, el nivel socioeconómico, y el estado
civil, así como factores de estilo de vida como el nivel de actividad física, la dieta, el consumo de alcohol,
y el tabaquismo (Filho et al., 2023). Además, se podrían incluir factores psicológicos como el estrés
percibido y el estado de salud mental, que también son influyentes en el proceso de envejecimiento y
deterioro cognitivo; sin embargo, no se cuenta con una referencia específica en este contexto que valide
esta afirmación (Gutiérrez-Monsalve et al., 2021).
Por otro lado, las variables dependientes en este contexto son aquellas que representan los resultados
del envejecimiento y que se desean predecir mediante los modelos estadísticos y de machine learning.
Estas pueden incluir indicadores de salud como la calidad de vida, la presencia de enfermedades crónicas
(por ejemplo, diabetes o hipertensión), la funcionalidad física, o puntajes en pruebas de cognición
(González et al. (2025), Muscedere et al. (2025), Ray et al. (2025).). Estrategias de Machine Learning
pueden mejorar la identificación de patrones en estas variables dependientes que, a su vez, facilitan una
comprensión más profunda de los factores que contribuyen al envejecimiento y su impacto en la salud
de la población.
La relevancia de estas variables es fundamental, ya que entender cómo diferentes factores
independientes pueden predecir cambios en las variables dependientes permitirá desarrollar modelos
más precisos que no solo describen el fenómeno del envejecimiento, sino que también pueden ofrecer
pronósticos valiosos que informen tratamientos, políticas de salud y programas de intervención dirigidos
a mejorar la salud y la calidad de vida de los jóvenes y adultos en el contexto universitario (Sota, 2022).
Lo anterior establece un camino claro hacia la implementación de estrategias de predicción más
efectivas, una meta clave para el desarrollo de este estudio.
RESULTADOS Y DISCUSIÓN
El modelado predictivo del riesgo de Diabetes, Estrés, y Disfunción Familiar se realizó mediante
Regresión Logística Múltiple, basándose en la interpretación a través de los Odds Ratios (OR). Este
y disfunción familiar. También se empleó la razón de Momios reconocida como Odds Ratios (OR) para
cuantificar la fuerza que tiene una variable en la presencia o ausencia del riesgo de tener o no diabetes,
estrés y disfunción familiar.
Las variables independientes son aquellas que se presume que tienen un efecto sobre el envejecimiento.
Estas pueden incluir aspectos demográficos como la edad, el sexo, el nivel socioeconómico, y el estado
civil, así como factores de estilo de vida como el nivel de actividad física, la dieta, el consumo de alcohol,
y el tabaquismo (Filho et al., 2023). Además, se podrían incluir factores psicológicos como el estrés
percibido y el estado de salud mental, que también son influyentes en el proceso de envejecimiento y
deterioro cognitivo; sin embargo, no se cuenta con una referencia específica en este contexto que valide
esta afirmación (Gutiérrez-Monsalve et al., 2021).
Por otro lado, las variables dependientes en este contexto son aquellas que representan los resultados
del envejecimiento y que se desean predecir mediante los modelos estadísticos y de machine learning.
Estas pueden incluir indicadores de salud como la calidad de vida, la presencia de enfermedades crónicas
(por ejemplo, diabetes o hipertensión), la funcionalidad física, o puntajes en pruebas de cognición
(González et al. (2025), Muscedere et al. (2025), Ray et al. (2025).). Estrategias de Machine Learning
pueden mejorar la identificación de patrones en estas variables dependientes que, a su vez, facilitan una
comprensión más profunda de los factores que contribuyen al envejecimiento y su impacto en la salud
de la población.
La relevancia de estas variables es fundamental, ya que entender cómo diferentes factores
independientes pueden predecir cambios en las variables dependientes permitirá desarrollar modelos
más precisos que no solo describen el fenómeno del envejecimiento, sino que también pueden ofrecer
pronósticos valiosos que informen tratamientos, políticas de salud y programas de intervención dirigidos
a mejorar la salud y la calidad de vida de los jóvenes y adultos en el contexto universitario (Sota, 2022).
Lo anterior establece un camino claro hacia la implementación de estrategias de predicción más
efectivas, una meta clave para el desarrollo de este estudio.
RESULTADOS Y DISCUSIÓN
El modelado predictivo del riesgo de Diabetes, Estrés, y Disfunción Familiar se realizó mediante
Regresión Logística Múltiple, basándose en la interpretación a través de los Odds Ratios (OR). Este
pág. 9618
modelo predictivo "Sin Fuga" se integraron variables como: IMC_PUNTOS (índice de masa corporal),
EDAD_PUNTOS (edad) y DIFICUVIDA_PUNTOS (Con qué frecuencia ha podido controlar las
dificultades de su vida) demostraron una buena capacidad predictiva significativamente superior a los
modelos base.
El modelo de predicción de Diabetes SIN FUGA alcanzó un Área Bajo la Curva (AUC) de 0.9351,
indicando un alto grado de pronóstico, tal como lo muestra la Tabla 2. El modelo de Estrés SIN FUGA
mostró un AUC de 0.9332, lo que también confirma una excelente capacidad de discriminación. El
modelo de Dinámica Familiar SIN FUGA obtuvo un AUC de 0.9362, siendo el de mayor rendimiento,
lo que sugiere que las variables utilizadas son altamente predictivas del resultado. Estos resultados
validan la idoneidad de la Regresión Logística y los Odds Ratios para el análisis de la proyección del
envejecimiento, al abordar la probabilidad de experimentar resultados binarios
Tabla 2
Resultados del modelo de regresión logística múltiple diabetes, estrés y Dinámica Familiar sin Fuga
Nota: Resultado generados por el software Relopen en el componente “regrelogi_diabetes v2.py”, “regrelogi_estres.py”,
“regrelogi_dinafami.py”
Para la cuantificación del Riesgo para Diabetes y Estrés se analizaron los Odds Ratios (OR) permitiendo
identificar los factores de riesgo más influyentes en cada resultado binario.
Es así que el riesgo de la diabetes esta influenciada por: El IMC_PUNTOS (OR = 2.71) y la
EDAD_PUNTOS (OR = 2.40) quienes fueron los predictores más fuertes. Un aumento de 1 punto en el
IMC se asoció con un aumento del 171.20% en la probabilidad relativa de tener diabetes
modelo predictivo "Sin Fuga" se integraron variables como: IMC_PUNTOS (índice de masa corporal),
EDAD_PUNTOS (edad) y DIFICUVIDA_PUNTOS (Con qué frecuencia ha podido controlar las
dificultades de su vida) demostraron una buena capacidad predictiva significativamente superior a los
modelos base.
El modelo de predicción de Diabetes SIN FUGA alcanzó un Área Bajo la Curva (AUC) de 0.9351,
indicando un alto grado de pronóstico, tal como lo muestra la Tabla 2. El modelo de Estrés SIN FUGA
mostró un AUC de 0.9332, lo que también confirma una excelente capacidad de discriminación. El
modelo de Dinámica Familiar SIN FUGA obtuvo un AUC de 0.9362, siendo el de mayor rendimiento,
lo que sugiere que las variables utilizadas son altamente predictivas del resultado. Estos resultados
validan la idoneidad de la Regresión Logística y los Odds Ratios para el análisis de la proyección del
envejecimiento, al abordar la probabilidad de experimentar resultados binarios
Tabla 2
Resultados del modelo de regresión logística múltiple diabetes, estrés y Dinámica Familiar sin Fuga
Nota: Resultado generados por el software Relopen en el componente “regrelogi_diabetes v2.py”, “regrelogi_estres.py”,
“regrelogi_dinafami.py”
Para la cuantificación del Riesgo para Diabetes y Estrés se analizaron los Odds Ratios (OR) permitiendo
identificar los factores de riesgo más influyentes en cada resultado binario.
Es así que el riesgo de la diabetes esta influenciada por: El IMC_PUNTOS (OR = 2.71) y la
EDAD_PUNTOS (OR = 2.40) quienes fueron los predictores más fuertes. Un aumento de 1 punto en el
IMC se asoció con un aumento del 171.20% en la probabilidad relativa de tener diabetes
pág. 9619
aproximadamente 2.71 veces), mientras que un aumento de 1 punto en la edad implicó un aumento del
139.87% aproximadamente 2.40 veces.
Grafica 1
Modelo Predictivo Diabetes Sin Fuga
Nota: Resultado generados por el software Relopen
Por otro lado, el riesgo psicológico en cuanto al estrés esta referida para: La DIFICUVIDA_PUNTOS
(OR = 4.82) es el predictor más fuerte y significativo. Un aumento de 1 punto en la dificultad de vida
percibida incrementó las OR de tener Estrés en un 382.33% aproximadamente 4.82 veces. El
ENFADADO_PUNTOS (OR = 1.43) también fue un factor de riesgo moderado.
Grafica 2
Modelo Predictivo Estrés Sin Fuga
Nota: Resultado generados por el software Relopen
aproximadamente 2.71 veces), mientras que un aumento de 1 punto en la edad implicó un aumento del
139.87% aproximadamente 2.40 veces.
Grafica 1
Modelo Predictivo Diabetes Sin Fuga
Nota: Resultado generados por el software Relopen
Por otro lado, el riesgo psicológico en cuanto al estrés esta referida para: La DIFICUVIDA_PUNTOS
(OR = 4.82) es el predictor más fuerte y significativo. Un aumento de 1 punto en la dificultad de vida
percibida incrementó las OR de tener Estrés en un 382.33% aproximadamente 4.82 veces. El
ENFADADO_PUNTOS (OR = 1.43) también fue un factor de riesgo moderado.
Grafica 2
Modelo Predictivo Estrés Sin Fuga
Nota: Resultado generados por el software Relopen
pág. 9620
También se puede ver en los resultados como vivir en una Zona Urbana (OR = 0.38) y ser Hombre (OR
= 0.51) mostraron un efecto protector contra la Diabetes, en cambio para el modelo de Estrés, la variable
ESTRATO (OR = 1.05) tuvo un efecto muy bajo.
El impacto de la Dinámica Familiar y Factores Sociodemográficos reveló que la calidad del afecto
familiar es el principal factor protector, mientras que las variables sociodemográficas (Zona Urbana y
Estrato) actúan como factores de riesgo:
La variable Afecto Familiar tiene un aumento de 1 punto en la variable FAMIAFEC_PUNTOS (afecto
familiar) y se asoció con una disminución del 76.31% en las OR de tener una Mala Dinámica Familiar.
Grafica 3
Modelo Predictivo Estrés Sin Fuga
Nota: Resultado generados por el software Relopen
Algunas variables de Riesgo Sociodemográficas como son: ZONA_URBANA (OR = 1.64) y ESTRATO
(OR = 1.28) tuvieron los índices más altos de riesgo. Lo que se puede asociar que vivir en una Zona
Urbana tiene con un aumento del 64.36% en las OR de disfunción familiar, siendo el factor de riesgo
socio-demográfico más fuerte. Adicionalmente, un aumento de 1 unidad en el Estrato aumentó las OR
en un 27.76%.
De manera general se puede establecer que el factor más determinante que apunta a un deterioro en la
calidad del envejecimiento es el riesgo metabólico y físico, es representado principalmente por la
También se puede ver en los resultados como vivir en una Zona Urbana (OR = 0.38) y ser Hombre (OR
= 0.51) mostraron un efecto protector contra la Diabetes, en cambio para el modelo de Estrés, la variable
ESTRATO (OR = 1.05) tuvo un efecto muy bajo.
El impacto de la Dinámica Familiar y Factores Sociodemográficos reveló que la calidad del afecto
familiar es el principal factor protector, mientras que las variables sociodemográficas (Zona Urbana y
Estrato) actúan como factores de riesgo:
La variable Afecto Familiar tiene un aumento de 1 punto en la variable FAMIAFEC_PUNTOS (afecto
familiar) y se asoció con una disminución del 76.31% en las OR de tener una Mala Dinámica Familiar.
Grafica 3
Modelo Predictivo Estrés Sin Fuga
Nota: Resultado generados por el software Relopen
Algunas variables de Riesgo Sociodemográficas como son: ZONA_URBANA (OR = 1.64) y ESTRATO
(OR = 1.28) tuvieron los índices más altos de riesgo. Lo que se puede asociar que vivir en una Zona
Urbana tiene con un aumento del 64.36% en las OR de disfunción familiar, siendo el factor de riesgo
socio-demográfico más fuerte. Adicionalmente, un aumento de 1 unidad en el Estrato aumentó las OR
en un 27.76%.
De manera general se puede establecer que el factor más determinante que apunta a un deterioro en la
calidad del envejecimiento es el riesgo metabólico y físico, es representado principalmente por la
pág. 9621
Diabetes, en donde se destaca por su valor dominante: El IMC (OR 2.71) y la Edad (OR 2.40) son
en grupo, los mayores multiplicadores de las OR en la Diabetes.
Dado que la Diabetes acelera el daño vascular, cognitivo y renal, su predicción alta por estos factores
implica un alto riesgo de envejecimiento patológico. Un factor clave en esta relación es el daño vascular
asociado con la diabetes. Valverde et al. (2022) Este daño vascular incrementa el riesgo de eventos
adversos como infartos y accidentes cerebrovasculares, que son comunes en las poblaciones ancianas
con diabetes.
Adicionalmente se puede establecer que vivir en una Zona Urbana (OR 0.38) y ser Hombre (OR
0.51) para este estudio muestra un efecto protector contra la Diabetes, lo cual podría estar relacionado
con diferencias en el acceso a la atención médica preventiva o comportamientos específicos dentro de
la muestra.
Si bien se ha encontrado que el entorno urbano influye en los estilos de vida y en la prevención de la
diabetes, factores como el acceso a servicios de salud, educación y oportunidades económicas suelen
ser mejores en estas áreas en comparación con las zonas rurales (Wu et al., 2021).
En cuanto a la variable Estrés, subraya que las dificultades de vida percibidas y la gestión de emociones
negativas son barreras significativas para un envejecimiento saludable.
En el Estrés las variables dominantes son: Dificultades de Vida (OR 4.82) y Enfado (OR 1.43)
quienes en conjunto impulsan el Estrés. Existe evidencia con población envejecida que se señala que la
inflamación sistémica y el envejecimiento vascular son componentes clave en el deterioro cognitivo, y
que la inflamación crónica puede actuar como puente entre estrés, comorbilidades y cambio cognitivo,
con implicaciones para la calidad de vida en la vejez según Ragonnaud y Biragyn (2021).
En términos más generales el estrés, se manifiesta a través de variables tales como las dificultades de
vida y el enfado, elementos que pueden incrementar significativamente los niveles de estrés en las
personas. Este vínculo ha sido documentado, resaltando cómo el estrés crónico puede llevar a serias
consecuencias en la salud metabólica y psicológica, particularmente en poblaciones vulnerables Ortiz et
al. (2022) Crielaard et al., (2021).
Diabetes, en donde se destaca por su valor dominante: El IMC (OR 2.71) y la Edad (OR 2.40) son
en grupo, los mayores multiplicadores de las OR en la Diabetes.
Dado que la Diabetes acelera el daño vascular, cognitivo y renal, su predicción alta por estos factores
implica un alto riesgo de envejecimiento patológico. Un factor clave en esta relación es el daño vascular
asociado con la diabetes. Valverde et al. (2022) Este daño vascular incrementa el riesgo de eventos
adversos como infartos y accidentes cerebrovasculares, que son comunes en las poblaciones ancianas
con diabetes.
Adicionalmente se puede establecer que vivir en una Zona Urbana (OR 0.38) y ser Hombre (OR
0.51) para este estudio muestra un efecto protector contra la Diabetes, lo cual podría estar relacionado
con diferencias en el acceso a la atención médica preventiva o comportamientos específicos dentro de
la muestra.
Si bien se ha encontrado que el entorno urbano influye en los estilos de vida y en la prevención de la
diabetes, factores como el acceso a servicios de salud, educación y oportunidades económicas suelen
ser mejores en estas áreas en comparación con las zonas rurales (Wu et al., 2021).
En cuanto a la variable Estrés, subraya que las dificultades de vida percibidas y la gestión de emociones
negativas son barreras significativas para un envejecimiento saludable.
En el Estrés las variables dominantes son: Dificultades de Vida (OR 4.82) y Enfado (OR 1.43)
quienes en conjunto impulsan el Estrés. Existe evidencia con población envejecida que se señala que la
inflamación sistémica y el envejecimiento vascular son componentes clave en el deterioro cognitivo, y
que la inflamación crónica puede actuar como puente entre estrés, comorbilidades y cambio cognitivo,
con implicaciones para la calidad de vida en la vejez según Ragonnaud y Biragyn (2021).
En términos más generales el estrés, se manifiesta a través de variables tales como las dificultades de
vida y el enfado, elementos que pueden incrementar significativamente los niveles de estrés en las
personas. Este vínculo ha sido documentado, resaltando cómo el estrés crónico puede llevar a serias
consecuencias en la salud metabólica y psicológica, particularmente en poblaciones vulnerables Ortiz et
al. (2022) Crielaard et al., (2021).
pág. 9622
Para la matriz entorno Dinámica Familiar se destacan FAMIAFEC (afecto familiar), y
SEXO_MASCULI donde se puede analizar que:
La variable FAMIAFEC_PUNTOS, por cada aumento de 1 punto en esta variable, los OR tiene una
Mala Dinámica Familiar disminuyen en un 76.31% ((1 - 0.2369) x 100%). Esto sugiere que la
funcionalidad o afecto familiar es el predictor más fuerte de una buena dinámica.
Por otro lado, según este estudio ser Hombre se asocia con una disminución del 28.95% en las OR de
tener una Mala Dinámica Familiar, en comparación con ser Mujer.
Adicionalmente de acuerdo a los OR vivir en Zona Urbana o en Estratos más altos aumenta
significativamente la Mala Dinámica Familiar.
Esto sugiere que la mayor complejidad o las presiones socioeconómicas y laborales asociadas a estos
entornos pueden crear una disfunción dentro del núcleo familiar, erosionando el soporte vital necesario
para un envejecimiento saludable. La relación entre las dificultades económicas y la dinámica familiar
ha sido objeto de atención, ya que el estrés financiero tiende a incrementar las tensiones dentro del hogar.
Un estudio señala que la presión económica puede agravar los conflictos familiares y afectar la calidad
de las relaciones interpersonales, lo que a su vez repercute negativamente en el bienestar de los adultos
mayores dependientes de su red familiar. Este fenómeno cuenta con respaldo de la literatura que
documenta la influencia de las relaciones interpersonales y del apoyo social en el bienestar de los adultos
mayores (Manchana, 2023).
CONCLUSIONES
Los investigadores validaron el modelo de Machine Learning de regresión logística en la población de
la Universidad de Cundinamarca Girardot, con el fin de determinar la capacidad de predicción y el
impacto que tiene los hábitos de vida y las variables socioeconómicas en la calidad de vida de los adultos
mayores.
El uso de la Regresión Logística puesta a la luz de AUC y Odds Ratios ha demostrado ser una
metodología de Machine Learning adecuada para el análisis de la proyección del envejecimiento, donde
se aborda como la probabilidad de experimentar resultados binarios. Su aplicación en toda la población
Universitaria puede ofrecer una base sólida para la formulación de políticas de salud pública dirigidas a
mejorar la calidad de vida y el bienestar integral de la población universitaria.
Para la matriz entorno Dinámica Familiar se destacan FAMIAFEC (afecto familiar), y
SEXO_MASCULI donde se puede analizar que:
La variable FAMIAFEC_PUNTOS, por cada aumento de 1 punto en esta variable, los OR tiene una
Mala Dinámica Familiar disminuyen en un 76.31% ((1 - 0.2369) x 100%). Esto sugiere que la
funcionalidad o afecto familiar es el predictor más fuerte de una buena dinámica.
Por otro lado, según este estudio ser Hombre se asocia con una disminución del 28.95% en las OR de
tener una Mala Dinámica Familiar, en comparación con ser Mujer.
Adicionalmente de acuerdo a los OR vivir en Zona Urbana o en Estratos más altos aumenta
significativamente la Mala Dinámica Familiar.
Esto sugiere que la mayor complejidad o las presiones socioeconómicas y laborales asociadas a estos
entornos pueden crear una disfunción dentro del núcleo familiar, erosionando el soporte vital necesario
para un envejecimiento saludable. La relación entre las dificultades económicas y la dinámica familiar
ha sido objeto de atención, ya que el estrés financiero tiende a incrementar las tensiones dentro del hogar.
Un estudio señala que la presión económica puede agravar los conflictos familiares y afectar la calidad
de las relaciones interpersonales, lo que a su vez repercute negativamente en el bienestar de los adultos
mayores dependientes de su red familiar. Este fenómeno cuenta con respaldo de la literatura que
documenta la influencia de las relaciones interpersonales y del apoyo social en el bienestar de los adultos
mayores (Manchana, 2023).
CONCLUSIONES
Los investigadores validaron el modelo de Machine Learning de regresión logística en la población de
la Universidad de Cundinamarca Girardot, con el fin de determinar la capacidad de predicción y el
impacto que tiene los hábitos de vida y las variables socioeconómicas en la calidad de vida de los adultos
mayores.
El uso de la Regresión Logística puesta a la luz de AUC y Odds Ratios ha demostrado ser una
metodología de Machine Learning adecuada para el análisis de la proyección del envejecimiento, donde
se aborda como la probabilidad de experimentar resultados binarios. Su aplicación en toda la población
Universitaria puede ofrecer una base sólida para la formulación de políticas de salud pública dirigidas a
mejorar la calidad de vida y el bienestar integral de la población universitaria.
pág. 9623
Sin embargo, la aplicación del modelo de regresión logística debe reconocer una serie de desafíos. Uno
de los principales retos radica en la dependencia de la linealidad en la relación entre las variables
predictoras (X) y el logaritmo de las probabilidades (Log-Odds) del resultado. Si la verdadera relación
subyacente entre los factores de riesgo IMC y Edad con el riesgo de Diabetes es intrínsecamente no
lineal, el modelo podría ofrecer una subestimación o sobreestimación del riesgo en los extremos de las
distribuciones de datos.
Adicionalmente, este estudio afronta como reto la trascendencia y aplicación a largo plazo del modelo
propuesto. El objetivo es asegurar que el modelo se mantenga relevante y preciso, lo cual requiere
aumentar la base de datos de la población universitaria y nutrir continuamente el modelo con una mayor
cantidad de datos.
Para futuros avances de este estudio se recomienda implementar y comparar algoritmos de Machine
Learning más robustos contra el desbalance de clases, como XGBoost o Random Forest, para
potencialmente mejorar la Sensibilidad del modelo.
REFERENCIAS BIBLIOGRÁFICAS
Christodoulou et al. "A systematic review shows no performance benefit of machine learning over
logistic regression for clinical prediction models" Journal of clinical epidemiology (2019).
10.1016/j.jclinepi.2019.02.004 https://pubmed.ncbi.nlm.nih.gov/30763612/
Costa, O. y Borges, L. (2024). Artificial Intelligence in primary care: Intelligent risk predicting platform
for non-communicable chronic diseases. Procedia Computer Science. Volumen 239. Pages 2243-
2250. ISSN 1877-0509. https://doi.org/10.1016/j.procs.2024.06.415
Crielaard, L., Nicolaou, M., Sawyer, A., Quax, R., & Stronks, K. (2021). Understanding the impact of
exposure to adverse socioeconomic conditions on chronic stress from a complexity science
perspective. BMC Medicine, 19(1). https://doi.org/10.1186/s12916-021-02106-1
Filho, C. C. F., Andrade, M. H. M. L., Nunes, J. A. R., Wipff, J. K., Hignight, D., Rios, E. F., … &
Hignight, K. (2023). Breeding for drought tolerance in perennial ryegrass (lolium perenne l.) and
tall fescue (lolium arundinaceum [schreb.] darbysh.) by exploring genotype by environment by
management interactions. Grassland Research, 2(1), 22-36. https://doi.org/10.1002/glr2.12045
Sin embargo, la aplicación del modelo de regresión logística debe reconocer una serie de desafíos. Uno
de los principales retos radica en la dependencia de la linealidad en la relación entre las variables
predictoras (X) y el logaritmo de las probabilidades (Log-Odds) del resultado. Si la verdadera relación
subyacente entre los factores de riesgo IMC y Edad con el riesgo de Diabetes es intrínsecamente no
lineal, el modelo podría ofrecer una subestimación o sobreestimación del riesgo en los extremos de las
distribuciones de datos.
Adicionalmente, este estudio afronta como reto la trascendencia y aplicación a largo plazo del modelo
propuesto. El objetivo es asegurar que el modelo se mantenga relevante y preciso, lo cual requiere
aumentar la base de datos de la población universitaria y nutrir continuamente el modelo con una mayor
cantidad de datos.
Para futuros avances de este estudio se recomienda implementar y comparar algoritmos de Machine
Learning más robustos contra el desbalance de clases, como XGBoost o Random Forest, para
potencialmente mejorar la Sensibilidad del modelo.
REFERENCIAS BIBLIOGRÁFICAS
Christodoulou et al. "A systematic review shows no performance benefit of machine learning over
logistic regression for clinical prediction models" Journal of clinical epidemiology (2019).
10.1016/j.jclinepi.2019.02.004 https://pubmed.ncbi.nlm.nih.gov/30763612/
Costa, O. y Borges, L. (2024). Artificial Intelligence in primary care: Intelligent risk predicting platform
for non-communicable chronic diseases. Procedia Computer Science. Volumen 239. Pages 2243-
2250. ISSN 1877-0509. https://doi.org/10.1016/j.procs.2024.06.415
Crielaard, L., Nicolaou, M., Sawyer, A., Quax, R., & Stronks, K. (2021). Understanding the impact of
exposure to adverse socioeconomic conditions on chronic stress from a complexity science
perspective. BMC Medicine, 19(1). https://doi.org/10.1186/s12916-021-02106-1
Filho, C. C. F., Andrade, M. H. M. L., Nunes, J. A. R., Wipff, J. K., Hignight, D., Rios, E. F., … &
Hignight, K. (2023). Breeding for drought tolerance in perennial ryegrass (lolium perenne l.) and
tall fescue (lolium arundinaceum [schreb.] darbysh.) by exploring genotype by environment by
management interactions. Grassland Research, 2(1), 22-36. https://doi.org/10.1002/glr2.12045
pág. 9624
Gómez-Restrepo, C., Tovar, J., & Hernández, M. (2020). Relación entre calidad del sueño y salud en
adultos mayores de cinco ciudades colombianas. Revista de Salud Pública, 22(4), 1-15.
Recuperado de https://revistas.uis.edu.co/index.php/revistasaluduis/article/view/16435
González, J. C. A., Taub-Krivoy, A., Sierra-Peña, J. A., & Lizarazo, J. G. (2025). Determining prognostic
factors in the treatment of primary hemifacial spasm: clinical outcomes and complications. a
literature review. World Neurosurgery: X, 25, 100406.
https://doi.org/10.1016/j.wnsx.2024.100406
Gutiérrez-Monsalve, J. A., Garzón, J., & Cardona, Á. M. S. (2021). Factores asociados al rendimiento
académico en estudiantes universitarios. Formación Universitaria, 14(1), 13-24.
https://doi.org/10.4067/s0718-50062021000100013
Gzar, D.A., Mahmood, A.M., Abbas, M.K. (2022). A comparative study of regression machine learning
algorithms: Tradeoff between accuracy and computational complexity. Mathematical Modelling
of Engineering Problems, Vol. 9, No. 5, pp. 1217-1224. https://doi.org/10.18280/mmep.090508
He, N., Xu, X., Wang, H., & He, F. (2025). Revisiting successful aging through a machine learning
approach to quantifying the influence of chronic diseases. Scientific reports, 15(1), 40206.
https://doi.org/10.1038/s41598-025-24154-w
Hoogendijk, E. O., Smit, A. P., Dam, C. v., Schuster, N. A., Breij, S. d., Holwerda, T. J., … & Andrew,
M. K. (2020). Frailty combined with loneliness or social isolation: an elevated risk for mortality
in later life. Journal of the American Geriatrics Society, 68(11), 2587-2593.
https://doi.org/10.1111/jgs.16716
Jarillo-Silva, A., Domínguez-Ramírez, O., & Cruz-Tolentino, J. (2025). Uso de la tecnología en temas
de rehabilitación y atención en el adulto mayor con deterioro cognitivo en México. Revista de
Gerontología y Geriatría, 14(2), 45-60.
https://www.researchgate.net/publication/395453356_Uso_de_la_tecnologia_en_temas_de_reha
bilitacion_y_atencion_en_el_adulto_mayor_con_deterioro_cognitivo_en_Mexico
Li, B., Li, W., & Wan, C. (2025). Cross-disciplinary risk prediction for muscle weakness and physical
decline in older adults: a machine learning model integrating social determinants of health and
Gómez-Restrepo, C., Tovar, J., & Hernández, M. (2020). Relación entre calidad del sueño y salud en
adultos mayores de cinco ciudades colombianas. Revista de Salud Pública, 22(4), 1-15.
Recuperado de https://revistas.uis.edu.co/index.php/revistasaluduis/article/view/16435
González, J. C. A., Taub-Krivoy, A., Sierra-Peña, J. A., & Lizarazo, J. G. (2025). Determining prognostic
factors in the treatment of primary hemifacial spasm: clinical outcomes and complications. a
literature review. World Neurosurgery: X, 25, 100406.
https://doi.org/10.1016/j.wnsx.2024.100406
Gutiérrez-Monsalve, J. A., Garzón, J., & Cardona, Á. M. S. (2021). Factores asociados al rendimiento
académico en estudiantes universitarios. Formación Universitaria, 14(1), 13-24.
https://doi.org/10.4067/s0718-50062021000100013
Gzar, D.A., Mahmood, A.M., Abbas, M.K. (2022). A comparative study of regression machine learning
algorithms: Tradeoff between accuracy and computational complexity. Mathematical Modelling
of Engineering Problems, Vol. 9, No. 5, pp. 1217-1224. https://doi.org/10.18280/mmep.090508
He, N., Xu, X., Wang, H., & He, F. (2025). Revisiting successful aging through a machine learning
approach to quantifying the influence of chronic diseases. Scientific reports, 15(1), 40206.
https://doi.org/10.1038/s41598-025-24154-w
Hoogendijk, E. O., Smit, A. P., Dam, C. v., Schuster, N. A., Breij, S. d., Holwerda, T. J., … & Andrew,
M. K. (2020). Frailty combined with loneliness or social isolation: an elevated risk for mortality
in later life. Journal of the American Geriatrics Society, 68(11), 2587-2593.
https://doi.org/10.1111/jgs.16716
Jarillo-Silva, A., Domínguez-Ramírez, O., & Cruz-Tolentino, J. (2025). Uso de la tecnología en temas
de rehabilitación y atención en el adulto mayor con deterioro cognitivo en México. Revista de
Gerontología y Geriatría, 14(2), 45-60.
https://www.researchgate.net/publication/395453356_Uso_de_la_tecnologia_en_temas_de_reha
bilitacion_y_atencion_en_el_adulto_mayor_con_deterioro_cognitivo_en_Mexico
Li, B., Li, W., & Wan, C. (2025). Cross-disciplinary risk prediction for muscle weakness and physical
decline in older adults: a machine learning model integrating social determinants of health and
pág. 9625
clinical characteristics. Journal of International Medical Research, 53(9).
https://doi.org/10.1177/03000605251379211
Manchana, V. (2023). Interpersonal relationships, subjective health, psychological well-being, and
quality of life among older adults in south india: evidence from a population-based study. Journal
of Education and Health Promotion, 12(1). https://doi.org/10.4103/jehp.jehp_735_22
Navarro, D., Suárez, M., & López, R. (2021). Inteligencia artificial aplicada a la salud en América
Latina: Luces y sombras. Nueva Sociedad, 294, 1-15. Recuperado de
https://periodico.unal.edu.co/uploads/2023/junio/PeriodicoUNAL-229.pdf
Ortiz, R., Gilgoff, R., & Harris, N. B. (2022). Adverse childhood experiences, toxic stress, and trauma-
informed neurology. JAMA Neurology, 79(6), 539.
https://doi.org/10.1001/jamaneurol.2022.0769
Ragonnaud, E. and Biragyn, A. (2021). Gut microbiota as the key controllers of “healthy” aging of
elderly people. Immunity & Ageing, 18(1). https://doi.org/10.1186/s12979-020-00213-w
Salazar-Martínez, R. (2022). Coaching Comunicativo Grupal en Adultos Mayores para el
Envejecimiento Saludable. Areté, https://arete.ibero.edu.co/article/view/art22107
Sihombing, P. R., Budiantono, S., Arsani, A. M., Aritonang, T. M., & Kurniawan, M. A. (2023).
Comparison of Regression Analysis with Machine Learning Supervised Predictive Model
Techniques . Jurnal Ekonomi Dan Statistik Indonesia, 3(2), 113-118.
https://doi.org/10.11594/jesi.03.02.03
Sota, J. V. Q. (2022). Diseño de interfaces de sistemas interactivos utilizando técnicas de machine
learning: una revisión del diseño y la usabilidad. Interfases, (016), 202-214.
https://doi.org/10.26439/interfases2022.n016.6028
Valverde, D. M., Brenes, I. A., & Muñoz, M. P. (2022). Mecanismos de envejecimiento renal. Revista
Medica Sinergia, 7(5), e804. https://doi.org/10.31434/rms.v7i5.804
Wu, X., Du, J., Li, L., Cao, W., & Sun, S. (2021). Edad-Período-Cohorte Bayesiana Predicción de la
mortalidad por diabetes tipo 2 Enfermedad renal diabética en China: Un estudio de modelado.
Frontiers in Endocrinology, 12, 767263. https://doi.org/10.3389/fendo.2021.767263
clinical characteristics. Journal of International Medical Research, 53(9).
https://doi.org/10.1177/03000605251379211
Manchana, V. (2023). Interpersonal relationships, subjective health, psychological well-being, and
quality of life among older adults in south india: evidence from a population-based study. Journal
of Education and Health Promotion, 12(1). https://doi.org/10.4103/jehp.jehp_735_22
Navarro, D., Suárez, M., & López, R. (2021). Inteligencia artificial aplicada a la salud en América
Latina: Luces y sombras. Nueva Sociedad, 294, 1-15. Recuperado de
https://periodico.unal.edu.co/uploads/2023/junio/PeriodicoUNAL-229.pdf
Ortiz, R., Gilgoff, R., & Harris, N. B. (2022). Adverse childhood experiences, toxic stress, and trauma-
informed neurology. JAMA Neurology, 79(6), 539.
https://doi.org/10.1001/jamaneurol.2022.0769
Ragonnaud, E. and Biragyn, A. (2021). Gut microbiota as the key controllers of “healthy” aging of
elderly people. Immunity & Ageing, 18(1). https://doi.org/10.1186/s12979-020-00213-w
Salazar-Martínez, R. (2022). Coaching Comunicativo Grupal en Adultos Mayores para el
Envejecimiento Saludable. Areté, https://arete.ibero.edu.co/article/view/art22107
Sihombing, P. R., Budiantono, S., Arsani, A. M., Aritonang, T. M., & Kurniawan, M. A. (2023).
Comparison of Regression Analysis with Machine Learning Supervised Predictive Model
Techniques . Jurnal Ekonomi Dan Statistik Indonesia, 3(2), 113-118.
https://doi.org/10.11594/jesi.03.02.03
Sota, J. V. Q. (2022). Diseño de interfaces de sistemas interactivos utilizando técnicas de machine
learning: una revisión del diseño y la usabilidad. Interfases, (016), 202-214.
https://doi.org/10.26439/interfases2022.n016.6028
Valverde, D. M., Brenes, I. A., & Muñoz, M. P. (2022). Mecanismos de envejecimiento renal. Revista
Medica Sinergia, 7(5), e804. https://doi.org/10.31434/rms.v7i5.804
Wu, X., Du, J., Li, L., Cao, W., & Sun, S. (2021). Edad-Período-Cohorte Bayesiana Predicción de la
mortalidad por diabetes tipo 2 Enfermedad renal diabética en China: Un estudio de modelado.
Frontiers in Endocrinology, 12, 767263. https://doi.org/10.3389/fendo.2021.767263
pág. 9626
Zaccheus J, Atogwe V, Oyejide A and Salau AO. (2024) Towards successful aging classification using
machine learning algorithms https://doi.org/10.12688/f1000research.138608.2
Zhang, Z., Peng, C., Li, Z., Li, J., Li, Y., Pan, Y., Liu, R., & Chen, X. (2025). Development and validation
of a successful aging prediction model for older adults in China based on health ecology theory.
*Frontiers in Public Health*, 13, Article 1595540. https://doi.org/10.3389/fpubh.2025.1595540
Zaccheus J, Atogwe V, Oyejide A and Salau AO. (2024) Towards successful aging classification using
machine learning algorithms https://doi.org/10.12688/f1000research.138608.2
Zhang, Z., Peng, C., Li, Z., Li, J., Li, Y., Pan, Y., Liu, R., & Chen, X. (2025). Development and validation
of a successful aging prediction model for older adults in China based on health ecology theory.
*Frontiers in Public Health*, 13, Article 1595540. https://doi.org/10.3389/fpubh.2025.1595540