Abstract
Las enfermedades cardiovasculares representan una de las principales causas de morbimortalidad y carga asistencial en Colombia, particularmente en pacientes diagnosticados con hipertensión arterial (HTA), diabetes mellitus (DM) y enfermedad renal crónica (ERC). Uno de los principales desafíos de los programas de riesgo cardiovascular corresponde a las dificultades relacionadas con continuidad del cuidado, adherencia terapéutica y seguimiento longitudinal de pacientes en escenarios poblacionales complejos. El objetivo del presente estudio fue desarrollar un modelo analítico longitudinal aplicado a datos reales de atención en salud para identificar patrones de abandono y deterioro clínico en programas de riesgo cardiovascular mediante integración de información clínica, operativa y de laboratorio. Se realizó un estudio observacional retrospectivo con enfoque cuantitativo sobre una población consolidada de 26.732 pacientes pertenecientes a las regiones Atlántico y Cesar durante el periodo abril 2025 – marzo 2026. La integración y procesamiento de información fue desarrollada mediante SQL Server, Python y técnicas de Machine Learning basadas en Random Forest con interpretabilidad SHAP. Los resultados evidenciaron diferencias relevantes entre escenarios poblacionales masivos y focalizados. Atlántico presentó crecimiento acelerado de cohortes incidentes y presión operativa sostenida, mientras Cesar mostró un comportamiento más estable y focalizado. El modelo predictivo obtuvo un AUC aproximado de 0.659, identificando como variables de mayor impacto la edad, el control de HTA, la continuidad asistencial y la adherencia. Se concluye que la integración de analítica descriptiva, evolutiva y predictiva fortalece procesos de continuidad del cuidado, priorización clínica y toma de decisiones basadas en datos dentro de programas de riesgo cardiovascular.
Open public full textRights: ALLOWED · cc-by · Source: journal-auto-sync:CROSSREF_ISSN