Aplicación de Modelos Supervisados de Machine Learning en la Predicción del Riesgo de Hipertensión Arterial

doi:10.22167/2675-6528-202602620

Artículo

29 de septiembre de 2026

Aplicación de Modelos Supervisados de Machine Learning en la Predicción del Riesgo de Hipertensión Arterial

Aplicación de Modelos Supervisados de Machine Learning en la Predicción del Riesgo de Hipertensión Arterial

Alhandra Alves Viégas; Renato Máximo Sátiro

DOI: 10.22167/2675-6528-202602620

Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.

Resumen

La hipertensión arterial constituyó un importante problema de salud pública, asociado a factores clínicos, metabólicos y conductuales. Este estudio tuvo como objetivo desarrollar y evaluar modelos supervisados de XGBoost y Regresión Logística para clasificar el riesgo de hipertensión en adultos, así como identificar las variables de mayor contribución para las predicciones. Se utilizó el Hypertension Risk Prediction Dataset, disponible en la plataforma Kaggle, compuesto por 174.982 registros y 23 variables. La investigación adoptó un enfoque cuantitativo, descriptivo, exploratorio y predictivo. Los datos fueron sometidos a análisis exploratorio, codificación de variables categóricas y división estratificada en 80% para entrenamiento y 20% para prueba. El desempeño de los modelos fue evaluado por métricas de clasificación y curva Precision-Recall, y la interpretabilidad fue analizada por la técnica SHAP. Los resultados indicaron mayor contribución de variables como presión arterial sistólica y diastólica, edad e índice de masa corporal para las predicciones. Sin embargo, el XGBoost presentó Average Precision de 0,715, valor inferior al clasificador basal de 0,719, evidenciando capacidad discriminatoria restringida. La Regresión Logística también exhibió un desempeño limitado, con AUC-ROC de 0,49. Se concluyó que los modelos permitieron explorar los factores asociados a la clasificación de la hipertensión y ampliar la interpretabilidad de las predicciones, pero el desbalance entre las clases y el desempeño obtenido limitaron su aplicación predictiva, indicando la necesidad de ajustes adicionales. Los modelos son instrumentos experimentales de análisis de datos, no herramientas clínicas validadas.

Palabras clave: Clasificación binaria; Factores clínicos; Interpretabilidad; Regresión logística; XGBoost.

1. Introducción

La hipertensión arterial constituye un problema significativo de salud pública, dada su asociación con la morbimortalidad y el compromiso de órganos vitales, como el cerebro, los riñones y el corazón. La presión arterial elevada es reconocida como uno de los principales factores de riesgo de mortalidad, siendo influenciada por componentes genéticos y ambientales (Springer, 2024; Mroz et al., 2024).

Las estimaciones indican que el número de individuos con hipertensión podría alcanzar los 1.500 millones para 2025, con mayor prevalencia entre personas de grupos de edad más avanzados (Felix et al., 2024). La prevalencia de la enfermedad aumenta con la edad, pudiendo alcanzar aproximadamente el 60% entre las personas mayores. Este escenario está relacionado con factores como el sedentarismo, el aumento de la grasa corporal y una menor práctica de ejercicio físico (Adeleke et al., 2024).

Además de la edad, diversas características conductuales y metabólicas se asocian con el desarrollo de la hipertensión arterial. La alimentación inadecuada, caracterizada por el alto consumo de sal y grasas saturadas y la baja ingesta de frutas y verduras, es un factor de riesgo (Pereira y Fisberg, 2024). Otros elementos, como el tabaquismo, el sedentarismo, el consumo de alcohol y el exceso de peso, también contribuyen al aumento del riesgo de la enfermedad (Cheraghi et al., 2025). La identificación conjunta de estas características es fundamental para ampliar la comprensión de los factores asociados a la hipertensión y apoyar estrategias de monitoreo.

En este contexto, se han empleado técnicas de Machine Learning en el análisis de datos de salud. Permiten el procesamiento de grandes volúmenes de información y la identificación de patrones y relaciones entre diferentes variables, complementando métodos estadísticos tradicionales. Estos enfoques contribuyen a tareas de clasificación y predicción, ayudando en la toma de decisiones (Bisong et al., 2024; Martínez-García et al., 2025). Se utilizan diferentes métodos, incluyendo modelos de ensemble, redes neuronales y técnicas de aprendizaje supervisado, en el análisis de datos médicos para identificar patrones relevantes en condiciones clínicas (Guo et al., 2024).

El aprendizaje supervisado, uno de los enfoques de Machine Learning, utiliza observaciones previamente etiquetadas para desarrollar modelos capaces de clasificar nuevos registros (Bora et al., 2025). En este estudio, se emplearon los algoritmos XGBoost y Regresión Logística. El XGBoost permite explorar relaciones no lineales e interacciones entre variables, mientras que la Regresión Logística sirve como un enfoque lineal de comparación. La combinación de estos métodos posibilita analizar el comportamiento de diferentes estrategias de clasificación aplicadas a datos clínicos, metabólicos, demográficos y de estilo de vida (Hua et al., 2025).

Ante este escenario, la investigación buscó responder si es posible clasificar el riesgo de hipertensión arterial en adultos por medio de algoritmos supervisados de Machine Learning, considerando datos clínicos y de estilo de vida. La investigación es relevante por permitir evaluar el desempeño predictivo e identificar qué variables contribuyen más a las clasificaciones de los modelos. La interpretación de estos resultados también posibilita identificar limitaciones relacionadas con las características de la base de datos y el comportamiento de los algoritmos empleados.

Así, este estudio tuvo como objetivo desarrollar y evaluar modelos supervisados de XGBoost y Regresión Logística para clasificar el riesgo de hipertensión arterial en adultos a partir de variables clínicas, metabólicas, demográficas y de estilo de vida, así como identificar las variables de mayor contribución para las predicciones realizadas.

2. Material y Métodos

La investigación se realizó en el segundo semestre de 2025 y adoptó un enfoque cuantitativo, descriptivo, exploratorio y predictivo. El objetivo central fue el desarrollo y la evaluación de modelos supervisados de Machine Learning, destinados a la clasificación del riesgo de hipertensión arterial en adultos.

Las etapas de organización, procesamiento, análisis exploratorio, modelado y evaluación de los datos se ejecutaron en el lenguaje Python. Para ello, se utilizaron las bibliotecas pandas, seaborn, scikit-learn, matplotlib, XGBoost y SHAP, que ayudaron en la implementación de los procedimientos metodológicos.

La fuente de los datos fue el Hypertension Risk Prediction Dataset, un conjunto de datos disponible públicamente en la plataforma Kaggle (Pandey, 2025). Este conjunto comprendió 174.982 registros de individuos adultos, con edades entre 18 y 89 años, y un total de 23 variables.

Las variables incluyeron características demográficas, antropométricas, clínicas, metabólicas y conductuales. La variable objetivo, denominada Hipertensión, se categorizó en dos clases, Alta y Baja, para la tarea de clasificación binaria, mientras que las demás variables se consideraron atributos predictores.

Inicialmente, se realizó la inspección de la estructura del conjunto de datos y de los tipos de las variables. La base de datos se proporcionó previamente tratada y sin registros ausentes, lo que eximió la aplicación de técnicas de imputación de valores.

Las variables categóricas se convirtieron a representación numérica mediante codificación “one-hot”, permitiendo su utilización por los algoritmos supervisados. Para la caracterización de las variables cuantitativas, se calcularon la media, la desviación estándar, el valor mínimo y el valor máximo.

Adicionalmente, se elaboró una matriz de correlación utilizando el coeficiente de Spearman, aplicado a las variables cuantitativas. Este procedimiento tuvo como objetivo evaluar la intensidad y la dirección de asociaciones monotónicas entre los atributos clínicos y metabólicos.

Después del preprocesamiento, el conjunto de datos se dividió estratificadamente en 80% para el entrenamiento de los modelos y 20% para la prueba. La estratificación garantizó la preservación de la proporción de las categorías de la variable objetivo en ambos subconjuntos.

El conjunto de prueba se reservó para la evaluación del rendimiento de los modelos en registros no utilizados durante la fase de entrenamiento. Se observó desequilibrio entre las clases de la variable objetivo; sin embargo, no se aplicaron técnicas de remuestreo, como la Técnica de Sobremuestreo Sintético de Minorías [SMOTE], ni ajuste de pesos de las clases.

Se optó por preservar la distribución original del conjunto de datos (Knox, 2026), considerando que este enfoque sería más representativo del escenario real de los datos. Esta decisión fue relevante para la interpretación de las métricas de rendimiento.

El primer modelo empleado fue Extreme Gradient Boosting [XGBoost], un algoritmo supervisado basado en la construcción secuencial de árboles de decisión. En este procedimiento, cada nuevo árbol se añadió para reducir los errores de los estimadores anteriores, incorporando un término de regularización para controlar la complejidad y mitigar el sobreajuste (Chen y Guestrin, 2016; Zhuo et al., 2025).

La función objetivo de XGBoost se definió por la suma de la función de pérdida, que mide la diferencia entre el valor observado y la predicción, y un término de regularización, que controla la complejidad de los árboles añadidos al modelo. El modelo se configuró con 300 estimadores, una profundidad máxima de cuatro, una tasa de aprendizaje de 0,05 y una proporción de muestreo de 0,8 para registros y variables.

Se utilizó clasificación binaria, con el área bajo la curva como métrica de evaluación durante el entrenamiento y semilla aleatoria igual a 42. Los hiperparámetros se definieron previamente, sin realizar búsqueda automatizada ni validación cruzada.

La Regresión Logística se utilizó como modelo lineal comparativo al XGBoost para estimar la probabilidad de la clase positiva a partir de una combinación lineal de las variables explicativas (Dey et al., 2025; Hua et al., 2025). La probabilidad estimada de ocurrencia de la clase positiva se modeló mediante la función logística, que relaciona linealmente las variables explicativas con el logaritmo de las probabilidades del desenlace, utilizando coeficientes y un intercepto.

Los coeficientes de la Regresión Logística se emplearon para analizar la relación entre las variables explicativas y el desenlace por medio de las razones de probabilidades (odds ratios [OR]). Valores de OR superiores a uno indicaron asociación positiva, mientras que valores inferiores a uno indicaron asociación opuesta, con intervalos de confianza considerados en la interpretación de la magnitud y la incertidumbre de las asociaciones.

La evaluación del rendimiento predictivo de los modelos se realizó en el conjunto de prueba, considerando métricas como precisión, sensibilidad, especificidad, exactitud, “recall”, “F1-score” y área bajo la curva Receiver Operating Characteristic [AUC-ROC]. Debido al desbalanceo de la variable objetivo, se empleó la curva Precision-Recall para analizar la relación entre precisión y sensibilidad en diferentes umbrales de clasificación.

El rendimiento global en este análisis se sintetizó mediante la métrica Average Precision [AP] y se comparó con una línea base correspondiente a la proporción de la clase positiva. También se utilizó la curva de decisión para analizar el beneficio neto de las clasificaciones en diferentes probabilidades de corte, comparando el modelo con estrategias de considerar todos o ningún registro como positivo.

La calibración de las predicciones se analizó para verificar la correspondencia entre las probabilidades estimadas y las proporciones observadas, complementando las métricas discriminatorias. Este análisis permitió verificar el comportamiento de las probabilidades predichas en diferentes rangos de riesgo.

La interpretabilidad de las predicciones de XGBoost fue profundizada por la técnica SHapley Additive exPlanations [SHAP], que midió la contribución individual de las variables a la salida del modelo. Los valores SHAP permitieron analizar la magnitud y la dirección de la contribución de los atributos en las predicciones.

Para el análisis SHAP, se utilizó un modelo XGBoost configurado con 100 estimadores, una profundidad máxima de cuatro, una tasa de aprendizaje de 0,1, una proporción de muestreo de 0,8, “log loss” como métrica de evaluación y una semilla aleatoria igual a 42. Los valores SHAP se analizaron globalmente, a través de la distribución de las contribuciones de las variables y su importancia media absoluta, y específicamente para la presión arterial sistólica.

La investigación utilizó exclusivamente datos secundarios de acceso público, sin recopilación primaria de información, intervención o contacto directo con participantes. No se utilizaron elementos que permitieran la identificación individual de los registros, y el estudio se encuadró en la Resolución del Consejo Nacional de Salud nº 510, de 07 abr. 2016, art. 1º, párrafo único, inciso II, dispensando la sumisión a Comité de Ética en Investigación. Las características anónimas de la base fueron preservadas, y todas las fuentes utilizadas fueron debidamente citadas y referenciadas.

3. Resultados y Discusión

Los resultados de la investigación se analizaron con el propósito de caracterizar el conjunto de datos empleado, evaluar el comportamiento de los modelos supervisados desarrollados e identificar las variables que presentaron mayor contribución a la clasificación del riesgo de hipertensión arterial. La interpretación de los hallazgos consideró análisis descriptivos, correlaciones entre atributos, la importancia de las variables, la interpretabilidad mediante la técnica SHAP, el desempeño discriminatorio de los modelos, la calibración de las predicciones, la curva de decisión y las razones de probabilidades obtenidas por la Regresión Logística. También se consideraron las limitaciones inherentes al conjunto de datos y el desbalance entre las categorías de la variable objetivo.

Distribución de la variable objetivo

La evaluación inicial de la distribución de la variable objetivo, Hipertensión, reveló un desequilibrio significativo entre sus categorías. La categoría “High” (alto riesgo) comprendió 125.781 registros, lo que correspondió al 71,88% de la base de datos. En contraste, la categoría “Low” (bajo riesgo) presentó 49.201 registros, equivalentes al 28,12% del total. Esta predominancia de la clase “High” fue un factor crucial para la interpretación del desempeño de los modelos, ya que los clasificadores pueden exhibir resultados aparentemente favorables al priorizar la categoría mayoritaria.

La presencia de este desequilibrio entre las clases exigió un análisis cuidadoso de las métricas de rendimiento. Para mitigar la influencia de la clase mayoritaria, se emplearon medidas como la curva Precision-Recall y la métrica Average Precision (AP), que proporcionan una evaluación más robusta en escenarios de datos desequilibrados. Este enfoque permitió una comprensión más precisa de la capacidad de los modelos para distinguir entre las dos categorías de riesgo de hipertensión, evitando interpretaciones sesgadas por una simple exactitud.

Análisis de correlación entre las variables clínicas

Para investigar las asociaciones monotónicas entre las variables cuantitativas, se calculó una matriz de correlación utilizando el coeficiente de Spearman. Los coeficientes obtenidos, en su mayoría, permanecieron cercanos a cero, indicando una baja asociación monotónica entre las variables evaluadas. Atributos como edad, índice de masa corporal (IMC), presión arterial sistólica y diastólica, colesterol, glucosa, consumo de sal, duración del sueño, nivel de estrés y frecuencia cardíaca presentaron correlaciones de pequeña magnitud entre sí.

La ausencia de correlaciones elevadas sugirió que los atributos no presentaban fuertes relaciones lineales entre sí. Sin embargo, esta observación no implicó que cada variable contribuyera de forma independiente a la clasificación de la hipertensión. Algoritmos basados en árboles, como el XGBoost, son capaces de explorar relaciones no lineales e interacciones complejas entre variables, las cuales no son adecuadamente representadas por una matriz de correlación lineal. Por lo tanto, el análisis de Spearman sirvió como una herramienta exploratoria para caracterizar las relaciones entre los atributos, y no como un criterio exclusivo para la selección o exclusión de variables del modelo.

Análisis descriptivo del conjunto de datos

Las características descriptivas de las variables cuantitativas fueron evaluadas para comprender la distribución de los datos. La edad media de los individuos fue de 53,49 años, con una variación entre 18 y 89 años. El índice de masa corporal (IMC) medio fue de 27,49 kg m⁻², con valores que oscilaron entre 15,0 y 40,0 kg m⁻². La presión arterial sistólica media fue de 134,51 mmHg, variando de 90 a 179 mmHg, mientras que la presión arterial diastólica media fue de 89,45 mmHg, con valores entre 60 y 119 mmHg.

Las variables metabólicas también exhibieron una amplitud considerable. El colesterol total promedio fue de 224,54, el LDL de 129,53, el HDL de 64,57, los triglicéridos de 149,57 y la glucosa de 134,49. Las desviaciones estándar asociadas a estas variables indicaron heterogeneidad en los registros evaluados. En relación con las variables conductuales, el consumo de alcohol presentó un promedio de 14,99, el nivel de estrés de 5,01, el consumo de sal de 8,48 y la duración del sueño de 7,00 horas. La frecuencia cardíaca promedio fue de 74,50 latidos por minuto. Esta diversidad de valores en las variables proporcionó una base rica para los análisis predictivos, aunque la variabilidad descriptiva aisladamente no establece causalidad con la hipertensión.

Importancia de las variables en XGBoost

La importancia atribuida a las características por el modelo XGBoost se utilizó como un análisis preliminar de la contribución relativa de los atributos en el proceso de clasificación. Los valores de importancia presentaron una distribución relativamente cercana entre los diversos atributos, sin una concentración expresiva en una única variable. Entre las características que se destacaron con mayores valores de importancia, se observó la presencia de categorías asociadas al tabaquismo, género, consumo de alcohol, frecuencia cardíaca, duración del sueño e IMC. Diversas variables clínicas y metabólicas también presentaron valores de importancia cercanos entre sí.

Este resultado sugirió que el proceso de clasificación no dependió exclusivamente de un único atributo, sino de una combinación de factores. Sin embargo, la importancia generada por el algoritmo debe interpretarse con cautela, ya que representa la contribución relativa de las variables a la estructura del modelo y no informa, por sí sola, si un determinado valor aumentó o redujo la probabilidad prevista. Además, esta métrica no debe interpretarse como evidencia de causalidad o de relevancia clínica aislada, como destacaron Bisong et al. (2024), quienes enfatizaron la dependencia del rendimiento y la importancia de las características en relación con las propiedades de la población y del conjunto de datos analizado.

Análisis de la curva de decisión

Además de las métricas tradicionales de clasificación, la utilidad del modelo XGBoost se examinó en diferentes umbrales de decisión a través de la curva de decisión. En los umbrales inferiores e intermedios, la curva de XGBoost permaneció prácticamente superpuesta a la estrategia de considerar a todos los individuos como pertenecientes a la clase positiva. Este comportamiento indicó que, en este rango, el modelo ofreció poca ganancia adicional en beneficio neto en comparación con la estrategia de clasificar todos los registros como positivos.

La proximidad entre las curvas puede estar relacionada con la predominancia de la categoría “High”, que representó el 71,88% de los registros. A medida que el umbral aumentó y se aproximó a aproximadamente 0,70, el beneficio neto del modelo disminuyó progresivamente, acercándose a cero. En umbrales superiores, la ventaja práctica del modelo se redujo. La curva de decisión complementa las métricas discriminatorias, relacionando las clasificaciones con los umbrales de decisión, siendo útil para evaluar el beneficio neto en contextos de riesgo, como señalan Effati et al. (2024). Sin embargo, los resultados observados no respaldaron una superioridad clínica del modelo en todo el rango analizado, indicando una utilidad incremental limitada en una parte relevante de los umbrales evaluados.

Evaluación del rendimiento por la curva Precision-Recall

Considerando el desequilibrio de la variable objetivo, el rendimiento discriminatorio del modelo XGBoost se evaluó mediante la curva Precision-Recall. El modelo presentó una Average Precision (AP) de 0,715, valor que resultó ligeramente inferior a la referencia basal de 0,719, asociada a la distribución de la clase positiva. Este resultado indicó una capacidad discriminatoria limitada del modelo, sugiriendo que tuvo dificultades para combinar simultáneamente altos niveles de precisión y sensibilidad.

La curva Precision-Recall se mantuvo cercana al nivel correspondiente a la prevalencia de la clase positiva en la mayor parte de los valores de “recall”. Esta proximidad entre el AP del modelo y el clasificador base puede atribuirse al desequilibrio entre las categorías, a la limitada separabilidad de las clases y a las características disponibles en el conjunto de datos. Qi et al. (2025) destacaron la importancia del análisis de las curvas de rendimiento y de diferentes umbrales para evitar interpretaciones basadas exclusivamente en una única métrica. Por lo tanto, aunque el XGBoost permitió explorar los atributos y producir análisis interpretables, su rendimiento discriminatorio global se mantuvo restringido, lo que debe considerarse en cualquier evaluación de su utilidad práctica.

Interpretabilidad de las predicciones por SHAP

La interpretación de las predicciones de XGBoost se profundizó mediante la técnica SHapley Additive exPlanations (SHAP), que permitió medir la contribución individual de las variables a la salida del modelo. La distribución de los valores SHAP para las variables analizadas, como edad, colesterol, glucosa, presión arterial sistólica, IMC, presión arterial diastólica y frecuencia cardíaca, demostró superposición de valores positivos y negativos. Esto evidenció que la contribución de un atributo no ocurrió de forma uniforme para todas las observaciones, indicando que la relevancia de una variable puede variar dependiendo del registro individual.

Este comportamiento reforzó una de las ventajas de la técnica SHAP, que permite observar cómo una variable puede tener relevancia global y, al mismo tiempo, contribuir de manera diferente en registros individuales. Huang et al. (2025) destacaron la utilidad del SHAP para ampliar la interpretabilidad de modelos de Machine Learning, permitiendo evaluar cómo diferentes atributos participan en las predicciones. Es importante resaltar que los valores SHAP representan una explicación del comportamiento del modelo y no estimaciones de efectos causales. De esta forma, no fue posible inferir que determinada variable haya causado aumento o reducción del riesgo solo con base en estos valores SHAP.

Contribución media de las variables

Para sintetizar la magnitud global de las contribuciones obtenidas por el análisis SHAP, se calcularon los valores medios absolutos para las características presentadas. La edad demostró el mayor valor medio absoluto de SHAP, seguida por el colesterol y la glucosa. A continuación, se observó la presión arterial sistólica, el IMC, la presión arterial diastólica y la frecuencia cardíaca como variables con contribuciones medias significativas. Este ranking de importancia difirió parcialmente del ranking de importancia presentado directamente por XGBoost, ya que los dos procedimientos representan conceptos distintos de importancia.

Mientras que la importancia interna de XGBoost se asocia con el uso de las variables en la construcción de los árboles, la media absoluta de los valores SHAP representa la magnitud media de la contribución de los atributos en las predicciones evaluadas. La presencia de la edad entre las variables de mayor contribución es compatible con el conocimiento de que la ocurrencia de la hipertensión aumenta en los rangos de edad más elevados. El colesterol y la glucosa también son componentes del perfil metabólico relevantes para las clasificaciones, reforzando el carácter multifactorial del problema, como señalaron Islam et al. (2025). Sin embargo, la importancia media absoluta no indica la dirección de la asociación, solo la magnitud media de participación en las predicciones.

Impacto de la presión arterial sistólica en la predicción

La contribución específica de la presión arterial sistólica se examinó a través de su relación con los respectivos valores SHAP, utilizando la edad como variable adicional de representación. Los valores SHAP de la presión arterial sistólica presentaron una amplia dispersión a lo largo de prácticamente todo el rango evaluado, evidenciando un comportamiento no estrictamente lineal. Los valores positivos indicaron contribución en la dirección definida como positiva por el modelo, mientras que los valores negativos representaron contribución en el sentido opuesto, demostrando la complejidad de la interacción entre las variables.

Entre aproximadamente 90 y 110 mmHg, se observó una dispersión relativamente alta de los valores SHAP. En la región intermedia, entre aproximadamente 120 y 150 mmHg, las contribuciones se concentraron más cerca de cero. En los rangos superiores, especialmente por encima de aproximadamente 160 mmHg, volvió a ocurrir una mayor dispersión, incluyendo contribuciones positivas y negativas. Este patrón demostró que la presión sistólica no produjo una contribución uniforme para todas las observaciones, y su interpretación dependió del contexto formado por las demás características del registro, siendo inadecuado atribuir a la presión sistólica, aisladamente, la clasificación producida por el modelo.

Los colores utilizados para representar la edad también indicaron la presencia de individuos de mayor edad en diferentes niveles de presión sistólica, corroborando la literatura que señala una mayor frecuencia de hipertensión en grupos de edad avanzados (Zhao et al., 2025). Sin embargo, la visualización se utilizó para interpretar las predicciones del algoritmo y no para establecer una relación causal entre edad, presión arterial e hipertensión. Este resultado evidenció la capacidad del SHAP de observar comportamientos que no serían representados por una relación lineal simple, reforzando que las predicciones dependieron de la combinación de múltiples atributos.

Calibración de las probabilidades de XGBoost

Además de la discriminación entre las clases, la correspondencia entre las probabilidades producidas por XGBoost y las proporciones observadas se evaluó mediante la calibración. Los puntos observados presentaron mayor proximidad a la línea de referencia en parte del rango intermedio de las probabilidades, mientras que se observaron diferencias más pronunciadas en los extremos. Este comportamiento indicó que la calibración no fue uniforme a lo largo de toda la distribución de las predicciones, lo que puede impactar la confianza en las probabilidades predichas en diferentes escenarios de riesgo.

La puntuación Brier obtenida fue de 0,203 y la pérdida logarítmica de 0,596. Estas métricas cuantificaron el error entre las probabilidades predichas y los resultados observados, pero sus valores aisladamente no permitieron afirmar que el modelo presentara una calibración satisfactoria, siendo más robusta su interpretación cuando se compara con modelos de referencia o validación en datos independientes. La inestabilidad identificada en determinadas franjas puede estar relacionada con el número de observaciones disponible en cada intervalo, el desequilibrio de la variable objetivo y la capacidad limitada del modelo para separar los patrones correspondientes a las dos categorías. Así, el análisis de calibración añadió una dimensión importante a la evaluación del XGBoost, pero no eliminó la limitación ya evidenciada por la curva Precision-Recall, confirmando que el rendimiento discriminatorio global permaneció restringido.

Regresión Logística y razones de probabilidades

La Regresión Logística se empleó como modelo lineal comparativo, permitiendo evaluar la dirección y la magnitud de las asociaciones estimadas entre algunas variables cuantitativas y el desenlace. Las razones de probabilidades (OR) se mantuvieron muy cercanas a uno para todas las variables presentadas. Triglicéridos, presión arterial diastólica, consumo de sal y HDL presentaron estimaciones ligeramente superiores a uno, mientras que IMC, presión arterial sistólica, LDL, edad y colesterol presentaron valores ligeramente inferiores. Frecuencia cardíaca, glucosa y duración del sueño se mantuvieron cercanas al valor de referencia.

Los intervalos de confianza representados en el gráfico cruzaron el valor uno para todas las variables, indicando una elevada incertidumbre en las estimativas y la ausencia de evidencia de asociaciones lineales robustas entre los atributos y el desenlace. Este resultado demostró la necesidad de cautela al interpretar valores de OR cercanos a uno, ya que las estimativas no sustentaron conclusiones clínicas aisladas ni permitieron atribuir carácter protector o de riesgo a las variables basándose únicamente en el modelo presentado. En cuanto al rendimiento predictivo, la Regresión Logística presentó una precisión del 50,6% y un AUC-ROC de 0,49. Estos valores indicaron un rendimiento cercano al azar, evidenciando una capacidad discriminatoria limitada, lo que puede estar relacionado tanto con las características del conjunto de datos como con la limitación de un modelo lineal para representar relaciones más complejas entre los atributos.

Síntesis de los resultados y limitaciones

De forma conjunta, los modelos desarrollados fueron capaces de producir clasificaciones y permitieron la investigación de la participación de las variables, pero presentaron limitaciones relevantes de desempeño. El XGBoost proporcionó mayor flexibilidad para analizar relaciones no lineales y permitió interpretación por SHAP, mientras que la Regresión Logística exhibió baja capacidad discriminativa, con AUC-ROC de 0,49. El análisis Precision-Recall constituyó una de las principales limitaciones observadas para el XGBoost, puesto que su Average Precision de 0,715 fue inferior a la referencia de 0,719, no demostrando ventaja discriminativa global en relación a la referencia utilizada. Las visualizaciones de interpretabilidad y la identificación de atributos relevantes para las decisiones del algoritmo fueron alcanzadas, pero la capacidad predictiva aún presentó restricciones para utilización práctica.

Otras limitaciones del estudio incluyeron el uso de un único conjunto de datos, lo que significa que los resultados reflejaron específicamente las características de la base analizada y no fueron sometidos a validación externa en una población independiente. La decisión de no aplicar estrategias de tratamiento para el desequilibrio entre las categorías, como la remuestreo o la ponderación de las clases, preservó la distribución original de la base, pero puede haber influido en la capacidad de los modelos para distinguir adecuadamente la categoría minoritaria. Además, la ausencia de búsqueda automatizada de hiperparámetros y de validación cruzada limitó la investigación sobre configuraciones alternativas de los modelos. De esta forma, los modelos deben ser comprendidos como instrumentos experimentales de análisis de datos, y no como herramientas clínicas validadas para diagnóstico, cribado o toma de decisiones en pacientes.

4. Conclusión

El presente estudio buscó desarrollar y evaluar modelos supervisados de XGBoost y Regresión Logística para clasificar el riesgo de hipertensión arterial en adultos, además de identificar las variables de mayor contribución para las predicciones. Se verificó que ambos modelos fueron capaces de producir clasificaciones y permitieron la investigación de la participación de las variables, aunque con un rendimiento predictivo limitado. El XGBoost presentó un Average Precision de 0,715, valor ligeramente inferior a la referencia basal de 0,719, indicando una capacidad discriminatoria restringida. La Regresión Logística, por su parte, exhibió un rendimiento cercano al azar, con un AUC-ROC de 0,49. El análisis de interpretabilidad por medio de la técnica SHAP reveló que variables como edad, colesterol, glucosa, presión arterial sistólica y diastólica, e índice de masa corporal (IMC) fueron las que más contribuyeron a las predicciones, reforzando el carácter multifactorial de la hipertensión. Sin embargo, el desbalanceo significativo de la variable objetivo, con predominancia de la categoría de alto riesgo, influyó directamente en el rendimiento observado y la interpretación de las métricas.

La principal contribución del estudio reside en la demostración de la aplicabilidad técnica de métodos de Machine Learning para explorar factores asociados a la clasificación de la hipertensión y en la ampliación de la interpretabilidad de las predicciones, proporcionando una base metodológica para futuras investigaciones. Sin embargo, las limitaciones identificadas, como la utilización de un único conjunto de datos secundarios sin validación externa, la ausencia de estrategias de balanceo de las clases y la restricción de las variables disponibles, impactaron la capacidad predictiva de los modelos. La no realización de optimización sistemática de los hiperparámetros también limitó la exploración de configuraciones alternativas. De esta forma, los modelos desarrollados se comprenden como instrumentos experimentales de análisis de datos, y no como herramientas clínicas validadas. Para estudios futuros, se sugiere la incorporación de bases de datos de diferentes poblaciones, la inclusión de nuevas variables clínicas y comportamentales, la evaluación de estrategias de balanceo y la validación en conjuntos de datos independientes, con el objetivo de mejorar la generalización y la utilidad práctica en salud.

Referencias Bibliográficas

Adeleke, O.; Adebayo, S.; Aworinde, H.; Adeniyi, Α.Ε.; Aroba, O.J. 2024. Machine learning evaluation of a hypertension screening program in a university workforce over five years. Scientific Reports 14(1): 30255.

Bisong, E.; Jibril, N.; Premnath, P.; Buligwa, E.; Oboh, G.; Chukwuma, A. 2024. Predicting high blood pressure using machine learning models in low- and middle-income countries. BMC Medical Informatics and Decision Making 24(1): 234.

Bora, K.; Kalimuthusamy, N.; Gogoi, A.J.; Garh, N.; Rabidas, M.; Chanda, G.; Borah, P.K. 2025. A machine learning approach to predict hypertension using cross-sectional and two-year follow-up data from a health and demographic cohort of Assam, North East India. The Indian Journal of Medical Research 161(4): 394.

Chen e Guestrin, 2016 [Referência completa não encontrada no documento original]

Cheraghi, Z.; Doosti-Irani, M.; Sohrabi, M.; Doosti-Irani, A. 2025. Predicting factors associated with uncontrolled hypertension using machine learning methods: a cross-sectional study in Western Iran. International Journal of Hypertension 2025: 4011397.

Dey, D.; Haque, M.S.; Islam, M.M.; Aishi, U.I.; Shammy, S.S.; Mayen, M.S.A.; Uddin, M.J. 2025. The proper application of logistic regression model in complex survey data: a systematic review. BMC Medical Research Methodology 25(1): 15.

Effati, S.; Kamarzardi-Torghabe, A.; Azizi-Froutaghe, F.; Atighi, I.; Ghiasi-Hafez, S. 2024. Web application using machine learning to predict cardiovascular disease and hypertension in mine workers. Scientific Reports 14(1): 31662.

Felix, P.V.; Pereira, J.L.; Fisberg, R.M. 2024. Associations between four diet quality indexes and high blood pressure among adults: results from the 2015 Health Survey of São Paulo. Nutrients 16(5): 629.

Guo, K.; Ni, W.; Du, L.; Zhou, Y.; Cheng, L.; Zhou, H. 2024. Environmental chemical exposures and a machine learning-based model for predicting hypertension in NHANES 2003–2016. BMC Cardiovascular Disorders 24(1): 544.

Hua, Y.; Stead, T.S.; George, A.; Ganti, L. 2025. Clinical risk prediction with logistic regression: best practices, validation techniques, and applications in medical research. Academic Medicine & Surgery.

Huang, Q.; Jiang, Z.; Shi, B.; Meng, J.; Shu, L.; Hu, F.; Mi, J. 2025. Characterisation of cardiovascular disease incidence and machine learning risk prediction in middle-aged and elderly populations: data from the China Health and Retirement Longitudinal Study. BMC Public Health 25(1): 518.

Islam, H.; Iqbal, M.S.; Hossain, M.M. 2025. Blood pressure abnormality detection and interpretation utilizing explainable artificial intelligence. Intelligent Medicine 5(1): 54-65.

Knox, S.W. 2026. Machine Learning: A Concise Introduction. John Wiley & Sons, Hoboken, NJ, USA.

Martínez-García et al., 2025 [Referência completa não encontrada no documento original]

Mroz, T.; Griffin, M.; Cartabuke, R.; Laffin, L.; Russo-Alvarez, G.; Thomas, G.; Habboub, G. 2024. Predicting hypertension control using machine learning. PLOS ONE 19(3): e0299932.

Pandey, S.; Pandey, A.; Neupane, A.; Subedi, D.; Guragain, A. 2025. Development of a hypertension risk prediction model using nationally representative survey data: a machine learning approach and web application deployment. medRxiv. Disponível em: https://www.medrxiv.org/content/10.1101/2025.08.30.25334758v1. Acesso em: 08 set. 2025.

Qi, X.; Wang, S.; Fang, C.; Jia, J.; Lin, L.; Yuan, T. 2025. Machine learning and SHAP value interpretation for predicting comorbidity of cardiovascular disease and cancer with dietary antioxidants. Redox Biology 79: 103470.

Springer, 2024 [Referência completa não encontrada no documento original]

Zhao, L.; Zheng, L.; Wang, R.; Gong, X.; Wu, Y.; Han, S.; Xue, M. 2025. Association between triglyceride glucose combined with body mass index and hypertension in the NHANES 2017 to 2020. Scientific Reports 15(1): 9092.

Zhuo, H.; Li, T.; Lu, W.; Zhang, Q.; Ji, L.; Li, J. 2025. Prediction model for spontaneous combustion temperature of coal based on PSO-XGBoost algorithm. Scientific Reports 15(1): 2752.

Artículo originado del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haz clic aquí y accede a la plataforma MBX Academy

Más recientes

Economía, Inversiones Y Banca

23 de octubre de 2026

Educación Financiera, Comportamientos y Sesgos en la Toma de Decisiones Financieras

22 de octubre de 2026

Desafíos y Posibilidades del Primer Año Escolar de Niños con TEA para el Trabajo Docente

22 de octubre de 2026

Viaje del Consumidor en la Decisión de Compra de Infoproductos en el Entorno Digital

22 de octubre de 2026

Riesgos Psicosociales y Salud Mental en el Trabajo en una Institución Bancaria

22 de octubre de 2026

Observatorio Digital de la Amazonía: Ciencia de Datos Aplicada al Análisis de Indicadores Sociales, Económicos, Ambientales y de Salud

22 de octubre de 2026

Aprendizaje Continuo como Factor de Crecimiento Organizacional en la Percepción de los Colaboradores

22 de octubre de 2026

Regresión Estadística en Microrredes para Estimación de Desempeño Operacional: Caso Campusgrid

22 de octubre de 2026

Previsión de la Morosidad de Pago Agregada en el Sistema Financiero Brasileño por Modelo Sarimax con Variables Macroeconómicas

22 de octubre de 2026

Factores de Compromiso de las Partes Interesadas en la Transferencia Internacional de Tecnología a un Hospital Público

También te puede interesar

Economía, Inversiones Y Banca

23 de octubre de 2026

Educación Financiera, Comportamientos y Sesgos en la Toma de Decisiones Financieras

La gestión financiera personal representa un desafío creciente, influenciada por sesgos cognitivos que afectan la toma de decisiones, incluso en individuos con alto conocimiento. El presente estudio analizó la relación entre el nivel de educación financiera y la ocurrencia de sesgos conductuales en la toma de decisiones financieras de adultos residentes en Brasil. Se realizó un levantamiento de campo de naturaleza aplicada, cuantitativa y descriptivo-correlacional, mediante la aplicación de un cuestionario estructurado a 163 encuestados. El instrumento contempló variables sociodemográficas, conocimiento y hábitos financieros, y situaciones hipotéticas para identificar sesgos cognitivos. Los resultados indicaron que niveles más elevados de educación financiera se asociaron con mejores prácticas de control financiero, ahorro e inversión, con correlaciones significativas con ingresos y escolaridad. Sin embargo, la presencia de sesgos conductuales (anclaje, aversión a la pérdida, escasez, optimismo/pesimismo, sesgo del presente, status quo, exceso de confianza y contabilidad mental) persistió incluso entre individuos con mayor escolaridad e ingresos, sin asociación estadísticamente significativa con las variables sociodemográficas analizadas. Se concluyó que la educación financiera, aunque esencial para la organización y el control financiero, no fue suficiente para neutralizar la influencia de sesgos cognitivos. Se sugiere la incorporación de enfoques conductuales a los programas de educación financiera.

Palabras clave: Comportamiento financiero; Economía conductual; Finanzas personales; Heurísticas cognitivas; Sesgos cognitivos.

22 de octubre de 2026

Desafíos y Posibilidades del Primer Año Escolar de Niños con TEA para el Trabajo Docente

La inserción de niños con Trastorno del Espectro Autista (TEA) en la Educación Infantil presenta desafíos significativos, dada la dificultad de adaptación a nuevos entornos y la intensidad de estímulos. El objetivo fue analizar la actuación docente en la Educación Infantil en el proceso de escolarización inicial de niños con TEA. Se realizó un estudio de caso, utilizando la entrevista narrativa como técnica de producción de datos. Los resultados revelaron que la actuación docente se caracterizó por prácticas de mediación y afecto, con la flexibilización de la rutina y el uso de recursos lúdicos como estrategias esenciales para el desarrollo y la organización sensorial del niño. También se destacó la importancia del profesional de apoyo escolar para el éxito del trabajo pedagógico. El desarrollo integral del niño fue promovido por medio de acciones docentes intencionales que priorizaron la adaptación ambiental, el fortalecimiento de vínculos y la atención a las necesidades específicas del TEA. Como contribución, se elaboró una guía de estrategias pedagógicas orientada a la acogida de niños con TEA en guarderías públicas.

Palabras clave: Educación Infantil; Inclusión Escolar; Narrativas Docentes; Prácticas Pedagógicas Inclusivas; Trastorno del Espectro Autista.

22 de octubre de 2026

Viaje del Consumidor en la Decisión de Compra de Infoproductos en el Entorno Digital

La expansión del comercio electrónico y la transformación tecnológica impulsaron la necesidad de comprender el comportamiento del consumidor de infoproductos, cuya experiencia percibida se ha vuelto crucial para el desarrollo profesional. El estudio tuvo como objetivo analizar los factores que influyeron en la decisión de compra de infoproductos en el entorno digital, considerando las etapas del viaje del consumidor. Se realizó una investigación aplicada, cuantitativa y descriptiva, a través de un estudio de campo con 100 consumidores de la Serra Gaúcha. La recopilación de datos se realizó mediante un cuestionario estructurado, utilizando muestreo no probabilístico. Los resultados revelaron un público cualificado y con un fuerte comportamiento “mobile-first”. Se constató que la disponibilidad de información detallada y la aprobación social fueron los principales desencadenantes de atracción en la fase de precompra. En las etapas transaccionales y posteriores, la minimización de fricciones operativas, la agilidad del acceso inmediato y la seguridad sistémica demostraron ser cruciales para la conversión y la satisfacción, aunque se identificaron lagunas en la eficiencia del soporte humano. La retención se fundamentó en la confianza generada por experiencias anteriores positivas, superando el factor precio. Se concluyó que el viaje del consumidor de infoproductos opera como un sistema integrado, exigiendo alineación entre infraestructura tecnológica, curaduría de contenido y humanización del soporte para asegurar el compromiso.

Palabras clave: Comercio electrónico; Comportamiento del consumidor; Experiencia del consumidor; Fidelización; Negocios virtuales.

22 de octubre de 2026

Riesgos Psicosociales y Salud Mental en el Trabajo en una Institución Bancaria

La salud mental en el entorno laboral es un tema de creciente relevancia, que impacta el desarrollo profesional y el bienestar de los colaboradores. Se realizó un estudio para identificar aspectos y situaciones que pueden influir en los niveles de absentismo en una institución bancaria. La investigación involucró a 108 participantes y utilizó un cuestionario estructurado, basado en la versión corta del COPSOQ II de Gonçalves (2021), que contenía 45 preguntas cerradas en escala Likert y dos preguntas abiertas. Los datos se recopilaron a través de una plataforma en línea y se analizaron con un enfoque descriptivo y cuantitativo. Los resultados revelaron un escenario que indicó la necesidad de ajustes en la distribución de las actividades y en la percepción de los gerentes sobre comportamientos y señales de trastornos. Se identificaron evidencias importantes en las respuestas abiertas de los participantes. Se concluyó que el estudio contribuyó a la promoción de la percepción de un ambiente seguro para la salud mental en la organización.

Palabras clave: Ausencias por trastornos; Desarrollo profesional; Liderazgo operativo; Licencia médica; Salud mental.

22 de octubre de 2026

Observatorio Digital de la Amazonía: Ciencia de Datos Aplicada al Análisis de Indicadores Sociales, Económicos, Ambientales y de Salud

El estado de Amazonas ha enfrentado desafíos históricos en la consolidación del Sistema Único de Salud (SUS), derivados de barreras geográficas, desigualdades socioeconómicas y limitaciones estructurales. En este estudio se describió el desarrollo e implementación de un geoportal de información en salud, concebido para apoyar el monitoreo, la evaluación y la planificación en el contexto amazónico. Se adoptó un enfoque de estudio de caso descriptivo, basado en análisis documental y datos secundarios, abarcando el mapeo de funcionalidades, la infraestructura técnica y las etapas de validación de la herramienta. El Portal fue desarrollado con tecnologías abiertas e integró múltiples bases de datos nacionales, ofreciendo dashboards interactivos, mapas temáticos y repositorio digital de documentos. Entre los resultados, destacaron la visualización georreferenciada de indicadores clave, la posibilidad de análisis comparativos temporales y la utilización de la plataforma en la revisión de planes de salud y en el redireccionamiento de acciones estratégicas. El portal puede representar un avance en la gobernanza digital y en la gestión basada en evidencia, con potencial de replicabilidad para otros territorios de alta complejidad, siempre que vaya acompañado de inversiones en infraestructura tecnológica, capacitación profesional y articulación interinstitucional.

Palabras clave: Amazonía; Evaluación en Salud; Salud Digital; Sistemas de Información en Salud.

22 de octubre de 2026

Aprendizaje Continuo como Factor de Crecimiento Organizacional en la Percepción de los Colaboradores

El impacto del aprendizaje continuo y la gestión del conocimiento en el crecimiento de las organizaciones fue estudiado en un escenario de globalización y constantes cambios. El objetivo del estudio fue analizar la percepción de los colaboradores sobre la cultura de aprendizaje y su importancia para el desarrollo personal y profesional. Los datos se obtuvieron a través de una encuesta anónima, de enfoque cuantitativo, utilizando un formulario con preguntas tipo “survey” aplicado a 87 profesionales de los sectores de tecnología, salud, educación, comercio y servicios. Los resultados indicaron que los colaboradores tenían una percepción positiva sobre la contribución del aprendizaje continuo al crecimiento personal y organizacional, reconociendo sus beneficios para el desarrollo de nuevas habilidades, la innovación y la competitividad. Sin embargo, se observó que el incentivo al intercambio de conocimiento interno y la oferta de capacitaciones prácticas aún presentaban medias moderadas de acuerdo. Se concluyó que el aprendizaje continuo contribuye significativamente al desarrollo individual y organizacional, sugiriendo que las empresas deben desarrollar políticas estratégicas de aprendizaje dirigido a nuevas habilidades, buscando una mayor ventaja competitiva y la innovación.

Palabras clave: Aprendizaje continuo; Autodesarrollo; Crecimiento organizacional; Gestión del Conocimiento; Innovación.

22 de octubre de 2026

Regresión Estadística en Microrredes para Estimación de Desempeño Operacional: Caso Campusgrid

Se propuso un modelo de regresión estadística múltiple para estimar el rendimiento operativo de la microrred CampusGrid de la UNICAMP, basándose en magnitudes eléctricas internas. La microrred integra generación fotovoltaica, baterías y un generador de gas. Se recopilaron datos del sistema de gestión de energía en intervalos de cinco minutos durante un mes. El Índice de Confiabilidad Operacional, definido como la razón entre energía atendida y demandada, se estableció como variable dependiente. El modelo se ajustó al modo de operación aislado, evaluando el impacto de la demanda, el estado de carga, la generación solar y la energía suministrada. Los resultados revelaron un elevado poder explicativo, indicando que la confiabilidad operativa depende de la interacción entre el suministro y la demanda. Se observó que el período nocturno concentró la mayor tasa de atención parcial, atribuida a la reducción de la generación solar. Se concluyó que la regresión múltiple ofrece una estructura interpretable y útil para el monitoreo de microrredes y el apoyo a estrategias de control.

Palabras clave: Almacenamiento en baterías; Generación fotovoltaica; Índice de Confiabilidad; Operación aislada; Sistema de Gestión de Energía.

22 de octubre de 2026

Previsión de la Morosidad de Pago Agregada en el Sistema Financiero Brasileño por Modelo Sarimax con Variables Macroeconómicas

La morosidad agregada en el sistema financiero brasileño es un indicador crucial de riesgo crediticio, cuya previsión está regulada por las Resoluciones CMN n.° 4.557/2017 y 4.966/2021 para la medición prospectiva de pérdidas esperadas. Se modeló y predijo la morosidad agregada mediante el modelo SARIMAX, proyectando su trayectoria hasta diciembre de 2026 bajo escenarios optimista, base y pesimista. Se utilizaron 164 observaciones mensuales (julio/2012 a febrero/2026) y variables macroeconómicas como desempleo, Selic, IPCA, IBC-Br y endeudamiento de las familias. La especificación con variables contemporáneas fue seleccionada con base en criterios de información y estabilidad de los coeficientes, y el diagnóstico de los residuos confirmó adecuación estadística, con MAPE de 3,12%. La morosidad histórica varió entre 4,33% y 7,64%. La estimación identificó el desempleo (β = 0,2534; p < 0,001) y la Selic (β = 0,2128; p < 0,001) como principales determinantes positivos, con fuerte persistencia temporal (AR(1) = 0,8965). La Selic exhibió correlación creciente con la morosidad (r = 0,62 en el rezago 12), mientras que el desempleo demostró efecto contemporáneo (r = 0,33). Las proyecciones indicaron morosidad entre 6,30% y 7,98% en diciembre de 2026, con una amplitud de 1,68 punto porcentual, evidenciando implicaciones directas para el dimensionamiento de provisiones en las instituciones financieras.

Palabras clave: Desempleo; Modelado predictivo; Política monetaria; Provisión de pérdidas; Series temporales.

22 de octubre de 2026

Factores de Compromiso de las Partes Interesadas en la Transferencia Internacional de Tecnología a un Hospital Público

Este estudio describió los factores críticos percibidos para la participación de las partes interesadas en la transferencia internacional de tecnología en un hospital público, con foco en la planificación. El objetivo fue describir estos factores condicionantes, según la percepción de los profesionales. Se realizó un estudio de caso único, aplicando un cuestionario a 25 profesionales y utilizando análisis de contenido, complementado por tabulaciones descriptivas. Los principales obstáculos identificados fueron resistencia al cambio (72%), financiación (64%), falta de comunicación (60%) y burocracia (40%). Solo el 28% de los encuestados reconoció la existencia de herramientas adecuadas para la gestión de stakeholders, mientras que el 48% negó y el 24% no supo informar. Cruzamientos exploratorios indicaron variaciones en la evaluación de influencia según el tiempo de actuación, pero no establecieron relaciones causales. La falta de participación se asoció con retrasos, baja adhesión, desperdicio de recursos, fallas de comunicación, compromiso de la absorción de conocimiento y riesgos para la seguridad del paciente. Las conclusiones se restringieron a las percepciones del grupo investigado y fundamentaron recomendaciones preliminares para la comunicación y coordinación intersectorial.

Palabras clave: Estudio de caso; Gestión de proyectos; Innovación en salud; Partes interesadas; Sector público.

Economia

19 de octubre de 2026

¿Fin de la escala 6×1: qué permiten concluir los números?

Tras la promulgación del fin de la escala 6×1, el debate sobre la jornada menor pasa a la implementación y exige distinguir beneficios sociales de costos económicos El fin de la escala 6×1 pasó de la discusión legislativa a un cambio constitucional en Brasil. El 16 de octubre de 2026, el Congreso Nacional promulgó la enmienda constitucional nº 141/2026, originada de la Propuesta […]

Inteligencia Artificial

16 de octubre de 2026

¿Por qué estudiar si existe la IA?

Cuando las respuestas se vuelven fáciles, aprender pasa a significar más que alcanzarlas. ¿Por qué necesito aprender esto si puedo preguntarle a una inteligencia artificial? Este tipo de pregunta ha acompañado a la educación durante décadas. ¿Por qué aprender una operación si existe una calculadora? ¿Por qué memorizar una información si se puede encontrar […]

Gestión Tributaria

15 de octubre de 2026

Impuesto rosa y el género del precio

Cómo los diferentes tratamientos de marketing para hombres y mujeres son incorporados por la tributación del consumo Imagine un estante en el que dos maquinillas de afeitar de la misma marca y destinadas al mismo propósito están expuestas una al lado de la otra: una tiene un empaque oscuro y promete fuerza, precisión y eficiencia; la otra viene en tonos de rosa o […]

Salud

13 de octubre de 2026

El eslabón perdido de la transformación de la salud

¿Por qué la innovación no es suficiente para generar cambios en las organizaciones y en los sistemas de salud La transformación digital se ha consolidado como una prioridad estratégica para los sistemas de salud en todo el mundo. Historias clínicas electrónicas, inteligencia artificial, telemedicina, monitorización remota y análisis de datos han pasado a formar parte de la agenda estratégica de gobiernos y organizaciones sanitarias. Paradójicamente, […]

Marketing

09 de octubre de 2026

Bitcoin o mascotas: lo que la Inteligencia Artificial no vería

Un caso real de consumer intelligence muestra lo que queda fuera del briefing Hace algunos años, una aseguradora estadounidense contrató a una empresa especializada en consumer intelligence para responder a tres preguntas: La aseguradora también evaluaba lanzar seguros pagados en bitcoin. En ese momento, el proceso de trabajo de la consultoría funcionaba así: el analista creaba una query […]

Gestión Escolar

06 de octubre de 2026

La escuela no es un casino: cuando las figuritas se convierten en moneda en el patio

¿Por qué, para determinados estudiantes, la escuela logra ofrecer tan pocas experiencias de éxito? La Copa del Mundo ha terminado. Brasil ha quedado fuera de la competición, llegaron las vacaciones escolares, se disputó la final y el calendario del fútbol siguió adelante. Sería razonable imaginar que, con el fin del torneo y el regreso a clases, también comenzara […]

Transición Energética

30 de septiembre de 2026

Energías renovables: la ventaja brasileña

Brasil necesita invertir en la capacidad de transformar recursos naturales en innovación, productividad y desarrollo Hablar de energía es hablar de desarrollo. Detrás de la industria, el transporte, los servicios, las ciudades y, cada vez más, la inteligencia artificial, existe una infraestructura energética que sustenta la economía. Comprender la matriz energética de un país es comprender […]

Análisis De Datos

30 de septiembre de 2026

¿Cuando cambian los datos, ha cambiado la realidad?

Análisis de casi 20 millones de vínculos-año docentes entre 2020 y 2025 muestra cómo cambios en la composición de la población y en la producción de los registros pueden alterar la interpretación de series históricas Entre 2020 y 2025, el número de vínculos formales de trabajo docente identificados en la RAIS (Relación Anual de Información Social), del Ministerio de Trabajo, […]

Inteligencia Artificial

28 de septiembre de 2026

Inteligencia artificial y las tendencias

¿Por qué tanta gente se une a los juegos con ChatGPT? Nunca fui una persona de tendencias. Sigo sin serlo. Algunas pasan por mi línea de tiempo, las veo, me parecen interesantes pero no al punto de experimentar. Fue así, inclusive, con algunas ondas recientes de imágenes hechas por inteligencia artificial, como la tendencia de los años 80, aquella que nos […]

Gestión Tributaria

01 de septiembre de 2026

Reforma tributaria y planificación patrimonial en el campo

La eficiencia para gestionar los impuestos facilita la gobernanza y permite organizar la sucesión familiar. La organización patrimonial rural se ha convertido en una medida estratégica ante la reforma tributaria en Brasil, que entró en vigor este año. La planificación de las actividades y de la gestión del patrimonio rural, a través de herramientas como la transición de la Persona Física a […]

Renata de Gaspari Valdejão Almeida

Inteligencia Artificial

05 de agosto de 2026

Dentro de la empresa y fuera del radar: los riesgos de la IA Sombra

Según Microsoft, el 75% de los profesionales ya utilizan inteligencia artificial en el trabajo sin la aprobación de la empresa El uso de la inteligencia artificial generativa ya forma parte de la rutina corporativa. Herramientas como ChatGPT, Copilot y otras plataformas ayudan a los profesionales a producir textos, analizar datos, crear presentaciones y acelerar tareas en prácticamente todos los sectores. Pero este avance […]

Renata de Gaspari Valdejão Almeida

Estrategia

02 de julio de 2026

El futuro como competencia

El interés académico refuerza la proyección de escenarios como herramienta esencial para la toma de decisiones. Mientras algunas empresas aún intentan acertar el próximo paso, otras ya trabajan con múltiples futuros posibles — y se preparan para todos ellos. Pero, ¿qué significa “pensar el futuro”? ¿Es tendencia, es estrategia o una nueva competencia que […]

Renata de Gaspari Valdejão Almeida

Innovación

Tecnología

21 de mayo de 2026

Corredor Agro SP: innovación, articulación institucional y futuro

Pecege comanda a operação executiva das atividades do ecossistema de 400 km que ficou conhecido como Vale do Silício do agro brasileiro Em 2025, além de assumir a gestão do Parque Tecnológico de Piracicaba, o Instituto Pecege também foi designado para comandar a operação executiva das atividades do Corredor de Inovação Agropecuária do Estado, o chamado […]

Educación

27 de abril de 2026

Cómo transformar un TCC en negocio

Nueva gestión del Parque Tecnológico de Piracicaba ofrece consultoría a egresados de MBAs El nuevo director de proyectos del Parque Tecnológico de Piracicaba (PTP), Alexandre Barreto, suele decir que una de las mayores recompensas que ha tenido en la vida ha sido ver a sus orientandos del MBA USP/Esalq estructurar empresas a partir de sus trabajos de conclusión de […]

Tecnología

20 de marzo de 2026

El repertorio humano en la era de la IA

El pensamiento crítico y la creatividad son insustituibles en el trabajo del profesional de marketing La Inteligencia Artificial (IA) es capaz de hazañas increíbles, pero aún no posee la capacidad de juicio, empatía, intuición y creatividad estratégica necesarias para hacer el trabajo de un buen profesional de marketing. En esta área, es importante saber usar la herramienta para automatizar […]

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

23 de febrero de 2026

ESG como estrategia de crecimiento en una cooperativa del RS

Santa Clara equilibra responsabilidad social y ambiental con innovación Fundada en 1911 por inmigrantes italianos en Carlos Barbosa, en la sierra gaúcha, la Cooperativa Santa Clara es un ejemplo de que es posible equilibrar el crecimiento económico con la responsabilidad social y ambiental. De una pequeña empresa de producción de quesos, la organización evolucionó a un […]

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

22 de enero de 2026

¿Brasil libre de fiebre aftosa: qué cambia para la carne brasileña?

Con un rebaño de más de 200 millones de cabezas de ganado, el país es actualmente el líder en exportaciones Brasil recibió recientemente, por primera vez, la certificación de país libre de fiebre aftosa sin vacunación, otorgada por la Organización Mundial de Sanidad Animal (OMSA). El sello fortalece la posición del país como proveedor de carne confiable para el […]

Renata de Gaspari Valdejão Almeida

Innovación

09 de diciembre de 2025

Innovación: el nuevo ciclo del Parque Tecnológico de Piracicaba

El Instituto Pecege asume la gestión apostando en la creación de nuevos negocios A partir de 2026, el Instituto Pecege asumirá la gestión del Parque Tecnológico de Piracicaba (PTP). Entre sus responsabilidades estarán la administración, operación, mantenimiento y expansión del parque, además del fomento de actividades de innovación, emprendimiento y ciencia y tecnología. La elección fue realizada […]

Renata de Gaspari Valdejão Almeida

06 de julio de 2026

Arquitectura a Gran Escala: Gestión de Cambios DSR-SCRUM

Mônica Alessandra Guerios; Maria do Carmo Assis Todorov Resumen elaborado por la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. La arquitectura y el urbanismo se configuran como bases imprescindibles en un espacio urbano cada vez más complejo y desafiante, donde la intrínseca conexión entre cuestiones sociales, ambientales y tecnológicas […]