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
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.
Descargas
Citas
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
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_rehabilitacion_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 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
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
Cespedes Morai, J. M., & Oliver Chag, A. (2023). El Impacto de la Educación Virtual en el Rendimiento Académico: Un Estudio Longitudinal en Estudiantes de Ciencias Sociales. Ciencia Y Reflexión, 2(1), 14–28. https://doi.org/10.70747/cr.v2i1.15
Urquidez Romero , R., Avitia Sánchez, A., Cano Ramírez , D., Jiménez Montes , L. V., Barranco Merino, G. I., & Reyes Ruvalcaba, D. (2025). Programa de Intervención con un Suplemento Multivitamínico para Mejorar el Estado de Nutrición y Anemia en Niños en Condición de Vulnerabilidad Social de Ciudad Juárez Chihuahua. Ciencia Latina Revista Científica Multidisciplinar, 9(3), 8340-8354. https://doi.org/10.37811/cl_rcm.v9i3.18460
Jiménez Rodríguez, J. M. (2024). Euthanasia In Spain: An Interpretive Analysis Of The Current Regulations From The Health Social Work. Ciencia Y Reflexión, 3(2), 1–20. https://doi.org/10.70747/cr.v3i2.4
Tenesaca Canchignia , D. C., Canchignia Bonilla, E. L., Remache Guamán, N. V., Guamán Sagñay , H. P., & Hualcopo Duchicela, U. E. (2025). Guía para padres con respecto al uso de dispositivos móviles el niños de nivel preparatorio. Arandu UTIC, 12(2), 287–307. https://doi.org/10.69639/arandu.v12i2.925
Araujo García, D., Chang Espinosa , O. Y., & Pérez Vázquez , D. (2025). Consultoría Estratégica para Mipymes: Estudio de Mercado para Impulsar el Desarrollo Regional en Perote, Veracruz. Estudios Y Perspectivas Revista Científica Y Académica , 5(3), 27–45. https://doi.org/10.61384/r.c.a.v5i3.1328
Simbaña Cabrera, H. A., Haro Jácome, O. F., García-Romero , C. A., & Analuisa García , P. S. (2025). La titulación rural, una propuesta colectiva que evidencia la realidad educativa de las escuelas multigrado. Emergentes - Revista Científica, 5(2), 1–14. https://doi.org/10.60112/erc.v5.i2.385
Cortés Viveros, N., Hernández García, R. A., Galván Sarabia, A., Olivares Galvan, H. R., & Texon Olguin, O. A. (2025). En Busca del Modelo Ideal para Determinar las Variables que Explican el Tiempo de Desempleo en Buscadores Xalapeños. Estudios Y Perspectivas Revista Científica Y Académica , 5(3), 65–81. https://doi.org/10.61384/r.c.a.v5i3.1332
Bernal Parraga, A. P., Salazar Véliz , E. T., Zambrano Lamilla, L. M., Espinoza Jaramillo , S. G., Morales García , C. S., Shinger Hipatia, N. S., & Zapata Calderón , S. J. (2025). Innovaciones Didácticas para Lengua y Literatura Basadas en el Aprendizaje Personalizado y Colaborativo . Revista Científica De Salud Y Desarrollo Humano , 6(2), 01–32. https://doi.org/10.61368/r.s.d.h.v6i2.574
Sabando Suárez, A. A., Vega Guamangate, J. M., García Gallirgos, V. J., & Mora Carpio, W. T. (2025). Impacto del Gasto Social en el Índice de Desarrollo Humano en Ecuador. periodo 2001-2023. Revista Veritas De Difusão Científica, 6(2), 1593–1633. https://doi.org/10.61616/rvdc.v6i2.707
Derechos de autor 2026 Elkin Oswaldo Forero Soto , María Victoria Rojas Martínez , Adriana Hernández Bustos, Héctor Fabio Cruz Cuellar, Diego Armando López Vargas
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
.png)
.png)
1.png)
