Contextualización de la investigación

La hta es una de las condiciones crónicas más prevalentes en el mundo y figura como una de las principales responsables de morbilidad y mortalidad. Su impacto es aún más marcado en la población adulta mayor, que constituye un grupo especialmente vulnerable (García-Peña et al., 2022). En Armenia, municipio del departamento de Antioquia, esta situación dada con particular intensidad, genera un efecto considerable en comunidades con menores niveles de protección social y acceso limitado a servicios de salud.

A pesar de que desde las instituciones y las comunidades han puesto en marcha programas de promoción y prevención para reducir el impacto de la hta, persisten retos importantes. Entre ellos destacan la detección tardía de los casos y la falta de precisión diagnóstica, factores que han afectado de manera directa la calidad de vida de quienes la padecen y, al mismo tiempo, han generado una presión adicional sobre el sistema de salud local (Beltrán Medina et al., 2023).

Las consecuencias derivadas de una identificación de la hipertensión en etapas avanzadas son particularmente graves. Se ha documentado un incremento en enfermedades cardiovasculares como los infartos agudos de miocardio y los accidentes cerebrovasculares, además de daños estructurales en órganos blancos, como los riñones y la retina (Singh et al., 2022). Estos efectos, además de elevar las tasas de mortalidad en las poblaciones más vulnerables, imponen un peso económico relevante. Los gastos médicos directos y los costos indirectos asociados al tratamiento de las complicaciones han supuesto una carga significativa tanto para el sistema de salud de Armenia como para el nacional (Saco-Ledo et al., 2021).

En la práctica clínica cotidiana, el diagnóstico de la hipertensión suele apoyarse en mediciones aisladas de la presión arterial realizadas durante las consultas médicas. Aunque este procedimiento es el más extendido, no está exento de limitaciones, ya que no logra captar las variaciones que se presentan a lo largo del día ni permite reconocer fenómenos como la hipertensión de bata blanca o la hipertensión enmascarada (Panch et al., 2020). Estas debilidades han dado lugar a diagnósticos tardíos o poco precisos, lo cual reduce las posibilidades de iniciar un tratamiento oportuno y limita el impacto de las intervenciones (Barrios et al., 2021).

Teniendo en cuenta este panorama, es necesario explorar enfoques diferentes que se fundamentan en el análisis de datos y así mismo en las nuevas herramientas tecnológicas disponibles hoy en día. Entre las alternativas disponibles, los modelos de aprendizaje profundo (deep learning) aparecen como una opción especialmente prometedora.

Su principal fortaleza radica en la posibilidad de manejar, al mismo tiempo, grandes volúmenes de información provenientes de distintas fuentes, desde características sociodemográficas y estilos de vida, hasta registros clínicos detallados, lo que permite un análisis más integral y cercano a la realidad de los pacientes. Esta tecnología posibilita así la construcción de modelos predictivos con una mayor exactitud, capaces de identificar rápida y oportunamente las personas con riesgo alto de desarrollar hta (Jiang et al., 2021; Montagna et al., 2023).

A modo de antecedentes

La hta se reconoce hoy como una de las mayores preocupaciones en salud pública a nivel mundial, con efectos especialmente notorios en poblaciones vulnerables como los adultos mayores. Su evolución silenciosa y progresiva representa un reto constante para los sistemas de salud, pues está estrechamente vinculada con complicaciones graves como enfermedades cardiovasculares, accidentes cerebrovasculares y daño renal.

Frente a esta realidad, las formas de abordarla han ido cambiando: de los métodos clínicos tradicionales, se ha pasado a incorporar herramientas tecnológicas más avanzadas, entre ellas la ia, el aprendizaje automático (machine learning) y el aprendizaje profundo (deep learning). Estas innovaciones constituyen alternativas para lograr un alcance satisfactorio de diagnósticos tempranos, formas de monitoreo más precisas y la implementación de estrategias de mantenimiento de la salud, mejor adaptadas a las necesidades de cada persona.

Entre los estudios que han explorado los factores de riesgo asociados a la hta en Colombia, García-Peña et al. (2022) lograron analizar datos del sistema integral de información para la protección social, donde identificaron una alta prevalencia de la enfermedad relacionada con algunos determinantes sociales como el estilo de vida poco saludables, el bajo nivel educativo y barreras de acceso a servicios de salud.

Del mismo modo, Beltrán Medina et al. (2023) midieron el impacto económico de programas de atención primaria enfocados a estos factores de riesgo en salud, resaltando a su vez la urgencia de definir y orientar estrategias preventivas de atención en salud que logren disminuir los costos asistenciales y mejorar la calidad de vida de las personas.

En el ámbito internacional, Fuchs y Costa (2021) mencionaron que el consumo de alcohol se convierte en un factor agravante para el aumento de la presión arterial, mientras que Saco-Ledo et al. (2021) interpretaron que la actividad física realizada de forma regular y controlada logra actuar como un factor protector a nivel cardiovascular, disminuyendo a su vez el riesgo de desarrollar hta.

Por su parte, Singh et al. (2022), a través del modelo de Framingham, destacaron que factores como la edad avanzada, el sedentarismo, el índice de masa corporal (imc) elevado, la adopción de estilos de vida poco saludables y los antecedentes familiares de hipertensión son determinantes clave en el desarrollo de esta condición de riesgo crónico no transmisible.

En los últimos años, la ia se ha convertido en una especie de compañero clave para el diagnóstico en salud, especialmente cuando hablamos de enfermedades crónicas como la hta. Tal como señalan Jiang et al. (2021), su aporte a la medicina actual es enorme, porque nos permite manejar grandes cantidades de datos clínicos y sociodemográficos, encontrar patrones que antes pasaban inadvertidos y, gracias a ello, mejorar la forma en que se toman decisiones en la práctica médica.

Además, la ia ya no se limita a un solo campo, sino que hoy la vemos en la telemedicina, en el diseño de tratamientos más personalizados y en el análisis de imágenes diagnósticas, todo lo cual se traduce en un beneficio concreto para los pacientes hipertensos, que pueden recibir un cuidado más ajustado a sus necesidades y a la capacidad de los servicios de salud (Panch et al., 2020). En definitiva, estas tecnologías no vienen a reemplazar a los profesionales, sino a potenciar su trabajo, ofreciendo nuevas maneras de prevenir y tratar esta enfermedad de forma más eficiente.

Para Zhao et al. (2021), los modelos de aprendizaje supervisado pueden predecir la hta a partir de variables simples como la edad y el peso, lo cual se traduce en la posibilidad de implementación de estos modelos en contextos locales, con recursos limitados y grupos poblacionales con vulnerabilidades identificadas.

Complementariamente, Ahmed et al. (2022) exploraron cómo el internet de las cosas (IoT) puede utilizarse para el monitoreo en tiempo real de parámetros de salud, lo que representa una alternativa práctica para el seguimiento de pacientes con hipertensión, sobre todo en comunidades rurales o de difícil acceso. Qayyum et al. (2021) describieron un sistema computación contextual, adaptable a entornos urbanos inteligentes, que logra combinar sensores con análisis predictivo con el fin de optimizar la atención en salud y, a su vez, mejorar los resultados clínicos en personas que presentan este tipo de factores de riesgo.

El desarrollo de modelos predictivos ha significado un avance relevante en la atención de la hipertensión. Un ejemplo es el trabajo de Barrios et al. (2021), quienes diseñaron un modelo con árboles de decisión para anticipar la aparición de cardiopatías hipertensivas. Su investigación mostró que, al aprovechar datos bien organizados, es posible contar con herramientas prácticas que apoyen de manera real el diagnóstico clínico.

Choi et al. (2021) trabajaron por su parte con comunidades rurales en Chile, aplicando modelos predictivos para estimar el riesgo de enfermedades cardiovasculares, y sus resultados mostraron que este tipo de metodologías puede ajustarse sin problema a distintos contextos sociales y territoriales. Así mismo, autores como Yao et al. (2021) usaron modelos de machine learning con el propósito de anticipar la aparición de hipertensión pulmonar por medio de datos clínicos y pruebas sencillas no invasivas, mientras que Maqsood et al. (2021) se enfocaron en el uso de técnicas de ensamble dentro de entornos de computación en la nube, lo que les permitió analizar grandes cantidades de información de pacientes con problemas cardíacos de una manera más ágil y eficiente.

Topol (2021) desarrolló un modelo de máquinas de soporte vectorial que integraba información clínica con datos demográficos, gracias a lo cual consiguió estimar el riesgo cardiovascular con bastante precisión, mostrando cómo la combinación de distintos tipos de información podía dar un giro al enfoque tradicional de la predicción en salud. Tiempo después, Montagna et al. (2023) llevaron estas ideas un paso más allá, al aplicar técnicas de aprendizaje automático con datos recolectados en varios países durante el Día Mundial de la Hipertensión. Este esfuerzo demostró que estas herramientas no solo tienen potencial en estudios locales, sino que pueden escalar a nivel global y convertirse en un insumo real para orientar políticas de salud pública con un impacto más amplio.

En esta línea, el uso del deep learning ha empezado a ocupar un lugar protagónico en el análisis de información clínica más compleja. Bhardwaj et al. (2021) utilizaron redes neuronales para estudiar señales cardíacas y con ello lograron mejorar el diagnóstico de arritmias vinculadas a la hta. Más adelante, Kang et al. (2022) diseñaron un modelo de clasificación supervisada que permitió reconocer factores de riesgo en pacientes hipertensos con gran exactitud. Y en otros aportes, Molnar et al. (2021) y Paul et al. (2022) mencionan la combinación de redes neuronales con árboles de decisión para apoyar el diagnóstico de enfermedades cardíacas, un paso que abrió camino hacia la automatización de procesos clínicos que tradicionalmente dependían solo del criterio médico.

Investigaciones más recientes refuerzan este camino y, por ejemplo, Zhao et al. (2021) mostraron que el deep learning no solo incrementa la precisión en los diagnósticos, sino que también ayuda a identificar patrones que normalmente pasarían desapercibidos en los datos clínicos convencionales. Por su parte, Rahman et al. (2022) resaltaron su utilidad en el monitoreo remoto de la salud cardíaca, algo especialmente relevante en comunidades donde los adultos mayores, además de enfrentar múltiples comorbilidades, tienen dificultades para acceder a servicios médicos especializados.

Caracterización del conjunto de datos de entrenamiento

El conjunto de entrenamiento fue construido a partir de la integración de dos fuentes principales de información: primero, una base consolidada del Sisbén IV, que aportó variables sociodemográficas y económicas de 5731 individuos únicos, recolectadas entre 2014 y 2023; la segunda correspondió a los rips, los cuales aportaron un total de 12684 registros clínicos de consultas realizadas entre enero de 2024 y abril de 2025. El proceso de fusión, limpieza y depuración de estas fuentes, incluyendo la eliminación de duplicados y registros incompletos, dio lugar a un conjunto final compuesto por 2233 individuos únicos, cada uno con un vector de 104 variables predictoras de tipo categórico, binario y continuo.

Una de las primeras observaciones técnicas fue el desequilibrio en la variable objetivo ‘TieneHipertension’, que codificó la presencia o ausencia de hta con base en los códigos cie-10 (I10-I15) identificados en los registros médicos. En la figura 1 se observa que 1520 individuos (68,1 %) fueron etiquetados como ‘No hipertensos’ (Clase 0), mientras que 713 (31,9 %) fueron identificados como ‘Sí hipertensos’ (Clase 1). Este desbalance de clases impone un riesgo de sesgo en los algoritmos de clasificación, los cuales tienden a favorecer la clase mayoritaria. Por esta razón, se aplicaron técnicas de ponderación de clases (class_weight) durante el entrenamiento del modelo, como se explica más adelante.

Figura 1: Distribución de la variable objetivo en el conjunto de datos de entrenamiento (n=2233)

Fuente: elaboración propia

Cabe destacar que, debido al amplio rango temporal de los registros del Sisbén, algunos individuos incluidos podrían haber fallecido, lo que representa una posible fuente de error o ruido en el modelado. Sin embargo, se optó por conservar estos registros por su valor informativo y bajo la hipótesis de que sus condiciones estructurales seguían siendo representativas de perfiles de riesgo.

Entrenamiento del modelo de aprendizaje profundo

La fase de modelado consistió en la construcción de una dnn, diseñada específicamente para una tarea de clasificación binaria. La arquitectura empleó cinco capas ocultas densas con activaciones LeakyReLU, normalización mediante BatchNormalization y regularización a través de Dropout. La función de pérdida utilizada fue binary_crossentropy, y el optimizador seleccionado fue Adam, con una tasa de aprendizaje adaptativa. Para mitigar el impacto del desequilibrio de clases, se incorporó una matriz de ponderación basada en la distribución de la variable objetivo.

El modelo fue entrenado en 52 épocas, con un mecanismo de detención temprana (EarlyStopping) que monitoreó la pérdida de validación y detuvo el entrenamiento al no observar mejoras en 10 épocas consecutivas. En la figura 2, que representa el historial de aprendizaje, se observa una evolución convergente entre los conjuntos de entrenamiento y validación, tanto en términos de accuracy como de pérdida (loss), lo cual sugiere que el modelo logró aprender patrones generalizables sin incurrir en sobreajuste.

Figura 2: Accuracy y pérdida del modelo por época

Fuente: elaboración propia

El valor final de accuracy en validación superó el 75 %, mientras que la pérdida se estabilizó por debajo de 0,45, indicando una buena capacidad para distinguir entre individuos hipertensos y no hipertensos. Además, se comprobó la estabilidad del modelo al realizar múltiples ejecuciones con distintas semillas aleatorias.

Sumado a esto, la tabla 1 resume la arquitectura final y los hiperparámetros de entrenamiento (capas y neuronas, activaciones, regularización, class_weight, tamaño de lote, tasa de aprendizaje, optimizador, criterio EarlyStopping y número máximo de épocas), con el fin de asegurar trazabilidad y reproducibilidad del proceso.

Evaluación del modelo con umbral estándar (0,5)

Una vez entrenado el modelo, se procedió a su evaluación sobre un conjunto de prueba independiente de 447 registros, conformado por datos no utilizados en la etapa de entrenamiento ni validación. En primer lugar, se empleó el umbral estándar (0,5) para clasificar los resultados. La figura 3 presenta la matriz de confusión correspondiente a este escenario inicial.

Figura 3: Matriz de confusión con el umbral de decisión estándar de 0,5

Fuente: elaboración propia

Los resultados muestran que, de los 154 pacientes hipertensos reales, el modelo identificó correctamente a 142 (verdaderos positivos), con apenas 12 falsos negativos, lo que se traduce en una sensibilidad (recall) del 92,2 %. Esta alta sensibilidad es crítica desde el punto de vista clínico, pues implica que la mayoría de los casos de riesgo fueron efectivamente detectados; sin embargo, también se generaron 102 falsos positivos, lo que redujo la precisión de la clase 1 a 58,2 %. Este hallazgo reveló la necesidad de optimizar el umbral, para lograr un mayor equilibrio entre sensibilidad y precisión.

Optimización del umbral de clasificación

El umbral de evaluación se optimizo con el análisis de la curva Precision-Recall, con el fin de encontrar el punto que maximizara la puntuación F1. En la figura 4 se ilustra dicha curva, marcando el umbral que alcanzó la mejor combinación de métricas en color rojo. El valor óptimo se identificó de forma aproximada en 0,56, y con su implementación se mejoró de forma sustancial el rendimiento general del modelo.

Figura 4: Curva de precisión contra recall

Fuente: elaboración propia

Al ajustar el umbral a un valor de 0,52, se generó una nueva matriz de confusión, la cual se puede observar en la figura 5. Con este cambio, la sensibilidad se mantuvo en 91,6 %, pero se redujo el número de falsos positivos a 94, lo cual permitió que la precisión alcanzara un 60 % y que la puntuación F1 mejorara hasta 72,5 %. A nivel general, estos resultados mostraron un mejor balance entre los distintos indicadores, lo que hace que el modelo sea más confiable y tenga mayor aplicabilidad.

Figura 5: Matriz de confusión tras aplicar el umbral optimizado de 0,44

Fuente: elaboración propia

Este pequeño ajuste permitió identificar correctamente a 38 individuos adicionales con riesgo de hipertensión que no habrían sido detectados bajo el umbral estándar. Desde una perspectiva clínica y de salud pública, esta mejora en la sensibilidad representa un aumento significativo en la cobertura potencial de estrategias preventivas.

Tras el entrenamiento, el modelo produce probabilidades p(y=1/x); por tanto, el punto de corte no se fijó por defecto en 0,5, sino que se estimó en el conjunto de validación para optimizar el compromiso sensibilidad-precisión. En concreto, se trazó la curva precisión-recall y se exploró t ∈ [0,1] para identificar el umbral operativo que maximiza F1 con restricción de sensibilidad prioritaria (criterio sanitario orientado a no omitir casos). En presencia de empates o mesetas de F1, se escogió el valor t con mayor sensibilidad y variación mínima en precisión. Con este procedimiento se garantiza coherencia entre el objetivo de salud pública (detectar) y la métrica resumen del clasificador, sin alterar el diseño experimental ni la arquitectura propuesta.

Aplicación del modelo a la población general del Sisbén

La última fase consistió en la aplicación del modelo optimizado sobre el total de la base del Sisbén (n = 5731), para predecir el riesgo de hipertensión en toda la población objetivo. La figura 6 muestra la distribución de las probabilidades predichas, observándose una acumulación de individuos con baja probabilidad de hipertensión (cercana a 0), pero también una importante franja con valores superiores al umbral de 0,56, lo que indica la utilidad del modelo para segmentar poblaciones.

Figura 6: Conteo de individuos por categoría de riesgo de hipertensión predicha en la población total del Sisbén

Fuente: elaboración propia

A partir de estas probabilidades, se establecieron tres niveles de riesgo: bajo (<0,4), medio (0,4-0,69) y alto (≥0,7). La estratificación final se presenta en la figura 7, donde se aprecia que 3507 individuos (61,2 %) se clasificaron en riesgo bajo, 1436 (25,1 %) en riesgo medio, y 788 (13,7 %) en riesgo alto. Esta categorización fue incorporada como un nuevo campo en la base de datos, permitiendo su uso en intervenciones diferenciales.

Figura 7: Estratificación de riesgo de hipertensión en población

Fuente: elaboración propia

Este resultado convierte al modelo en una herramienta de gestión de riesgo poblacional con aplicabilidad real en salud pública, al permitir la priorización de acciones clínicas y comunitarias en función de perfiles predictivos. Además, abre la posibilidad de incorporar este enfoque en sistemas de vigilancia epidemiológica y programas de atención primaria.

Más allá de las métricas estadísticas alcanzadas, los resultados adquieren relevancia práctica al convertirse en un insumo para la administración pública. Clasificar a miles de personas en distintos niveles de riesgo no solo permite orientar la atención clínica, sino que abre la posibilidad de planear de manera más eficiente campañas comunitarias, priorizar citas de control y diseñar programas de prevención que se adapten a la realidad de los territorios. En este sentido, los hallazgos aportan a la construcción de estrategias de gestión en salud pública, particularmente en escenarios donde los recursos son limitados y la toma de decisiones debe basarse en evidencia confiable.

Limitaciones del estudio

A pesar de los resultados promisorios obtenidos a través del desarrollo y evaluación del modelo de aprendizaje profundo para la predicción de hta en adultos mayores del municipio de Armenia, es indispensable reconocer un conjunto de limitaciones metodológicas, técnicas y contextuales que enmarcan los alcances reales del estudio y abren líneas pertinentes para futuras investigaciones.

Un primer aspecto para tener en cuenta es la antigüedad de los datos obtenidos del Sisbén, los cuales abarcan un periodo extenso entre 2014 y 2023. Si bien esta base es una fuente valiosa y de acceso público, la amplitud temporal de los registros puede restar precisión al modelo, pues durante esos años las condiciones socioeconómicas de las personas pudieron haber cambiado de forma importante.

Este desfase hace que variables como el nivel educativo, la situación laboral o el tipo de afiliación en salud no siempre reflejen la realidad actual. Además, existe la posibilidad de que en la base de datos aún aparezcan registros de personas fallecidas, lo cual introduce ruido en el entrenamiento del modelo y disminuye su capacidad de predicción efectiva.

Otro aspecto relevante es el sesgo de selección implícito en los datos clínicos de los rips, dado que estos registros incluyen únicamente información de personas que accedieron a servicios médicos durante el periodo específico de enero de 2024 a abril de 2025. En consecuencia, el modelo fue entrenado con una muestra de la población que, por definición, ya ha interactuado con el sistema de salud, excluyendo así a quienes no consultan por barreras económicas, geográficas, culturales o de percepción del riesgo.

Esta situación limita la capacidad del modelo para generalizar sus predicciones a la población invisible, es decir, a aquellas personas que padecen hipertensión sin diagnóstico o que no han accedido al sistema sanitario. Por tanto, el modelo predice bien dentro del universo observado, pero su rendimiento real en la población general requiere evaluaciones complementarias.

Una tercera limitación crítica es la ausencia de variables clínicas detalladas y de estilo de vida, fundamentales para una caracterización integral del riesgo de hta. El modelo desarrollado se basó en variables estructuradas de carácter socioeconómico, demográfico y diagnóstico, pero no incorpora indicadores clínicos directos como el imc, la presión arterial basal, los antecedentes familiares, los patrones de consumo de sal o tabaco, ni los niveles de actividad física. Esta carencia obedece a que tales variables no están disponibles en las fuentes de datos empleadas, pero su inclusión, en estudios futuros, podría aumentar de manera sustancial la precisión y la utilidad clínica del modelo. Además, la exclusión de dichos factores puede limitar la identificación de patrones etiológicos más complejos y de interacciones entre variables biológicas y sociales.

Este modelo fue construido y validado solo con datos del municipio de Armenia. Esto hace que, aunque los resultados sean prometedores, su alcance práctico pueda ser limitado si se aplica en contextos diferentes. Cada región tiene sus particularidades en torno a la composición demográfica, las condiciones sociales y económicas, la manera en que funciona el sistema de salud o incluso los estilos de vida de la población, y todos estos factores pueden influir en el desempeño del modelo. Por eso, antes de recomendar su uso en otros municipios o departamentos, es fundamental llevar a cabo validaciones externas y ajustar los parámetros a las realidades locales.

A lo anterior se suma la transparencia del modelo, toda vez que las redes neuronales suelen verse como una especie de caja negra que entrega resultados sin explicar del todo cómo se llegó a ellos. Esta opacidad puede generar desconfianza en el ámbito clínico, porque los profesionales de la salud necesitan comprender y justificar las recomendaciones que hacen a sus pacientes. En ese sentido, explorar métodos de xai puede ser un camino para dar mayor claridad, mostrar qué variables están influyendo y, con ello, facilitar la integración del modelo en la práctica médica y en la toma de decisiones.

Por último y más allá del campo clínico, este trabajo tiene un valor especial para la administración pública, dado que un modelo que ayude a anticipar riesgos no solo apoya el diagnóstico temprano, sino que también abre la puerta a planear con mayor estrategia, organizar campañas de detección, priorizar recursos y promover hábitos de vida saludables en las comunidades que más lo necesitan. En esa medida, no se trata solo de una innovación tecnológica, sino de una herramienta que puede fortalecer la gobernanza en salud y aportar a políticas públicas más efectivas frente a la hipertensión en poblaciones vulnerables.