Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 926
PREDICCIÓN DE RESULTADOS ADVERSOS EN PACIENTES CON COVID-19
MEDIANTE MODELOS DE CLASIFICACIÓN BASADOS EN REGISTROS
HOSPITALARIOS
PREDICTION OF ADVERSE OUTCOMES IN COVID-19 PATIENTS USING
CLASSIFICATION MODELS BASED ON HOSPITAL RECORDS
Autores: ¹Romel Elian Haro Asipuela y ²José Renato Cumbal Simba.
¹ORCID ID:
https://orcid.org/0009-0000-1230-5029
²ORCID ID: https://orcid.org/0000-0001-8182-5343
¹E-mail de contacto: rharo1@est.ups.edu.ec
²E-mail de contacto: rcumbal@ups.edu.ec
Afiliación:
1*2*
Universidad Politécnica Salesiana (Ecuador).
Artículo recibido: 15 de Enero del 2026
Artículo revisado: 28 de Enero del 2026
Artículo aprobado: 06 de Febrero del 2026
¹Estudiante de Ingeniería Biomédica en la Universidad Politécnica Salesiana, (Ecuador).
²Ingeniero en Electrónica y Telecomunicaciones. Magíster en Gerencia de Sistemas de Información egresado de la Universidad Politécnica
Salesiana, (Ecuador). Profesor de la Universidad Politécnica Salesiana, Quito, Ecuador, y miembro del Grupo de Investigación en
Telecomunicaciones, (GIETEC). Doctorante en Ingeniería, Universidad Pontificia Bolivariana, (Colombia).
Resumen
La necesidad de herramientas para el
diagnóstico temprano de pacientes con alto
riesgo de mortalidad se hizo notoria durante la
pandemia del COVID-19. Este estudio utilizó
una base de datos clínica de acceso abierto y
elaboró modelos de clasificación para la
predicción de mortalidad hospitalaria. La base
de datos se sometió a limpieza, imputación
mediante KNN, estandarización y manejo del
desbalance de clases mediante ponderación. Se
utilizaron Random Forest, SVM, Gradient
Boosting y una red neuronal multicapa (MLP),
cuyas predicciones se compararon mediante
métricas de desempeño y el área bajo la curva
ROC. Los modelos basados en ensamble
presentaron el mejor desempeño. Random
Forest se clasificó como el mejor en
discriminación con un AUC de 0.835 y
sensibilidad de 0.733, mientras que Gradient
Boosting presentó el mejor accuracy con 0.801
y especificidad de 0.866. La presión arterial
media, la edad, la saturación de oxígeno, los
biomarcadores inflamatorios y renales se
establecieron como los predictores más
significativos. Estos resultados establecen una
propuesta metodológica inicial para
validaciones con datos hospitalarios en el
contexto ecuatoriano.
Palabras clave: Aprendizaje automático,
COVID-19, Biomarcadores clínicos,
Modelos de clasificación, Mortalidad
hospitalaria, Predicción clínica.
Abstract
The need for tools for early diagnosis of
patients at high risk of mortality became
evident during the COVID-19 pandemic. This
study used an open-access clinical database and
developed classification models for predicting
hospital mortality. The database underwent
cleaning, KNN imputation, standardization,
and class imbalance management through
weighting. Random Forest, SVM, Gradient
Boosting, and a multilayer neural network
(MLP) were used, with predictions compared
using performance metrics and area under the
ROC curve. Ensemble-based models showed
the best performance. Random Forest ranked
highest in discrimination with an AUC of 0.835
and sensitivity of 0.733, while Gradient
Boosting showed the best accuracy with 0.801
and specificity of 0.866. Mean blood pressure,
age, oxygen saturation, and inflammatory and
renal biomarkers emerged as the most
significant predictors. These results establish
an initial methodological proposal for
validations with hospital data in the Ecuadorian
context.
Keywords: Machine learning, COVID-19,
Clinical biomarkers, Classification models,
Hospital mortality, Clinical prediction.
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 927
Sumário
A necessidade de ferramentas para o
diagnóstico precoce de pacientes com alto risco
de mortalidade tornou-se evidente durante a
pandemia de COVID-19. Este estudo utilizou
uma base de dados clínica de acesso aberto e
desenvolveu modelos de classificação para
prever mortalidade hospitalar. A base de dados
foi submetida a limpeza, imputação mediante
KNN, padronização e tratamento do
desequilíbrio de classes mediante ponderação.
Foram utilizados Random Forest, SVM,
Gradient Boosting e uma rede neural
multicamada (MLP), cujas previsões foram
comparadas mediante métricas de desempenho
e área sob a curva ROC. Os modelos baseados
em ensemble apresentaram o melhor
desempenho. Random Forest classificou-se
como o melhor em discriminação com AUC de
0.835 e sensibilidade de 0.733, enquanto
Gradient Boosting apresentou o melhor
accuracy com 0.801 e especificidade de 0.866.
A pressão arterial média, a idade, a saturação
de oxigênio, os biomarcadores inflamatórios e
renais estabeleceram-se como os preditores
mais significativos. Estes resultados
estabelecem uma proposta metodológica inicial
para validações com dados hospitalares no
contexto equatoriano.
Palavras-chave: Aprendizagem automática,
COVID-19, Biomarcadores clínicos,
Modelos de classificação, Mortalidade
hospitalar, previsão clínica.
Introducción
La extensión de la crisis generada por COVID-
19 refleja una de las crisis sistémicas más
profundas del siglo XXI. La Organización
Mundial de la Salud (OMS) declaró
oficialmente el brote como pandemia en marzo
de 2020, marcando el inicio de una etapa crítica
que exigió respuestas coordinadas por parte de
los servicios hospitalarios y la comunidad
científica (World Health Organization, 2020).
Desde las primeras etapas, numerosos estudios
clínicos se enfocaron en caracterizar el curso del
COVID-19 e identificar factores asociados a
desenlaces adversos. Investigaciones tempranas
permitieron describir el perfil clínico de
pacientes ingresados y la frecuencia de
complicaciones graves. La edad avanzada y
comorbilidades preexistentes se asociaban
consistentemente con mayor riesgo de muerte
(Zhou et al., 2020; Richardson et al., 2020).
Complementariamente, estudios identificaron
biomarcadores con valor pronóstico: linfopenia,
elevación de D-dímero, proteína C-reactiva,
ferritina y empeoramiento de la función renal se
correlacionaban con mayor probabilidad de
ingreso a cuidados intensivos y mortalidad (Yan
et al., 2020; Ikram y Pillay, 2022; Ramlall et al.,
2020).
A partir de esta evidencia, surgieron intentos
por desarrollar herramientas predictivas
capaces de estimar el riesgo de desenlaces
adversos. Algunos estudios propusieron scores
clínicos basados en modelos estadísticos
tradicionales, integrando variables
demográficas, signos vitales y resultados de
laboratorio. Entre estos, destaca el score de
severidad propuesto por Altschul et al., que
demostró utilidad para estratificación temprana
del riesgo (Altschul et al., 2020).
Posteriormente, la creciente disponibilidad de
grandes bases de datos impulsó la adopción de
enfoques basados en aprendizaje automático.
Diversos autores comenzaron a aplicar
algoritmos de clasificación para modelar
relaciones complejas y no lineales entre
múltiples variables clínicas. Estudios pioneros
demostraron que modelos como Random
Forest, Support Vector Machines y Gradient
Boosting podían alcanzar desempeños
superiores a métodos estadísticos
convencionales en la predicción de mortalidad
(Yan et al., 2020; Pourhomayoun y Shakibi,
2021; Souza et al., 2021). Investigaciones más
avanzadas incorporaron técnicas de selección
de características, imputación de datos faltantes
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 928
y enfoques interpretables. Casiraghi et al.
propusieron un modelo de aprendizaje
automático explicable para evaluación
temprana del riesgo (Casiraghi et al., 2020),
mientras que Hasan et al. compararon múltiples
modelos evidenciando que enfoques basados en
ensambles ofrecían mejor equilibrio entre
desempeño predictivo y generalización (Hasan
et al., 2022).
En el último tiempo, la literatura ha sumado
esquemas complejos, incluyendo modelos de
aprendizaje profundo y técnicas de
interpretación como SHAP. Sin embargo,
varios análisis críticos advierten que una
cantidad importante de modelos sufren de
limitaciones metodológicas: sesgos
estructurales, muestras no representativas y
deficiencias en validación (Wynants et al.,
2020). Estas limitaciones se acentúan en
contextos con menores niveles de digitalización
clínica. En América Latina, la fragmentación de
sistemas de salud, la escasa interoperabilidad
entre instituciones y la limitada disponibilidad
de bases de datos anonimizadas han restringido
el desarrollo de modelos predictivos robustos
adaptados a la realidad regional (Castaño,
2025). En Ecuador, la evidencia científica sobre
predicción de mortalidad por COVID-19
mediante aprendizaje automático es aún escasa.
Los estudios disponibles presentan restricciones
metodológicas significativas: tamaños
muestrales reducidos, selección limitada de
variables clínicas y ausencia de procesos de
validación cruzada (Carrión y García, 2022).
Estas limitaciones se ven agravadas por la
insuficiente infraestructura tecnológica
hospitalaria y la implementación incipiente de
marcos regulatorios en protección de datos
personales (Registro Público del Ecuador,
2024).
Bajo este esquema, resulta fundamental
desarrollar estudios que evalúen
comparativamente múltiples modelos de
aprendizaje automático bajo un marco
metodológico homogéneo y reproducible,
empleando bases de datos clínicas amplias y
validadas. El objetivo del presente estudio es
construir, comparar y evaluar distintos enfoques
de clasificación mediante técnicas de
aprendizaje automático para la predicción de
mortalidad hospitalaria de pacientes con
COVID-19, determinando cuantitativamente
cuál de los modelos obtiene el mejor desempeño
predictivo. Se evaluaron modelos de Gradient
Boosting, redes neuronales, Random Forest y
Support Vector Machines, midiendo su
desempeño con indicadores estándar: precisión,
sensibilidad, especificidad y área bajo la curva
ROC. El propósito de estos resultados es ofrecer
una base comparativa sólida que sirva como
hoja de ruta metodológica para futuros
desarrollos contextualizados a la realidad
sanitaria del Ecuador.
Materiales y Métodos
El presente estudio se desarrolló bajo un
enfoque cuantitativo y aplicado, con diseño no
experimental, transversal y retrospectivo. La
unidad de análisis correspondió a registros
clínicos de pacientes hospitalizados con
diagnóstico confirmado de COVID-19
provenientes de una base de datos de acceso
abierto y anonimizada. La variable objetivo fue
la mortalidad hospitalaria, formulada como
problema de clasificación binaria. Las variables
independientes incluyeron características
demográficas, signos vitales y biomarcadores
de laboratorio. La hoja de ruta metodológica
consistió en implementación, contraste y
evaluación de diversos modelos de clasificación
supervisada. Se mantuvo un esquema
estandarizado: todos compartieron el mismo set
de variables, idéntico preprocesamiento y la
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 929
misma partición de datos. Se garantizó la
reproducibilidad mediante control estricto de
semillas aleatorias en cada fase del
entrenamiento.
Se utilizó un conjunto de datos de acceso
abierto disponible en Figshare, correspondiente
al estudio Mortality incidence,
sociodemographic and clinical data in COVID-
19 patients (COVID-19 anonymized clinical
dataset, 2020). Este conjunto fue recopilado
originalmente para analizar incidencia de
mortalidad en pacientes hospitalizados e
incluye información sociodemográfica, signos
vitales, parámetros de laboratorio y desenlaces
clínicos. El dataset ha sido empleado como
referencia en literatura científica previa de
predicción clínica y aprendizaje automático,
debido a la disponibilidad de biomarcadores
relevantes y su carácter anonimizado,
garantizando cumplimiento de principios éticos
(Altschul et al., 2020). Se desarrolló un proceso
propio de construcción de un conjunto de datos
procesado, incluyendo depuración exhaustiva
de registros inconsistentes, validación de rangos
fisiológicos plausibles y selección de
subconjunto de variables clínicamente
relevantes.
El conjunto de datos original contiene más de
80 variables clínicas, sociodemográficas y de
laboratorio, correspondientes a 4,711 pacientes
hospitalizados con diagnóstico confirmado de
COVID-19 (COVID-19 anonymized clinical
dataset, 2020). Se desarrolló un proceso de
depuración y preprocesamiento que permitió
construir un dataset procesado compuesto por
32 variables clínicamente relevantes con
disponibilidad consistente de datos. Se realizó
un proceso adicional de selección de
características, guiado por criterios clínicos y
metodológicos, para encontrar un subconjunto
limitado de variables que posibiliten la
predicción de mortalidad hospitalaria. Esta
estrategia permitió incrementar la optimización
del modelo, eludir el ajuste excesivo y favorecer
mejor interpretación de resultados en el ámbito
clínico.
La selección se basó en tres criterios
principales: (i) evidencia clínica reportada
como factores asociados a mortalidad por
COVID-19, (ii) disponibilidad consistente
dentro de la base procesada y (iii) aplicabilidad
clínica en escenarios hospitalarios reales. Se
priorizaron variables con respaldo
fisiopatológico y uso clínico frecuente,
descartando aquellas con alta proporción de
datos faltantes, baja relevancia clínica o
redundancia informativa. La variable
dependiente del estudio es mortalidad
hospitalaria (Death), codificada binariamente
(0: superviviente; 1: fallecido), permitiendo
tratar el problema como tarea de clasificación
binaria (Yan et al., 2020; Wynants et al., 2020).
Las variables predictoras seleccionadas
incluyen parámetros demográficos, signos
vitales y biomarcadores de laboratorio
ampliamente reconocidos como predictores de
severidad y mortalidad en COVID-19. La edad
(Age) ha sido consistentemente identificada
como uno de los factores de riesgo más
relevantes, asociándose directamente con
aumento en mortalidad hospitalaria (Zhou et al.,
2020; Richardson et al., 2020). La saturación de
oxígeno (OsSats) y presión arterial media
(MAP) reflejan estado respiratorio y
hemodinámico, siendo indicadores clave de
deterioro clínico temprano y falla orgánica (Yan
et al., 2020; Ikram y Pillay, 2022). La
temperatura corporal (Temp) se considera
marcador de respuesta inflamatoria y gravedad
de infección.
En cuanto a biomarcadores de laboratorio, el
dímero-D (Ddimer) fue seleccionado por su
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 930
asociación con estados de hipercoagulabilidad y
mayor riesgo de eventos trombóticos,
ampliamente reportados en pacientes con
desenlaces adversos (Zhou et al., 2020; Ramlall
et al., 2020). La ferritina (Ferritin) y el
nitrógeno ureico en sangre (BUN) se
incorporaron como indicadores de respuesta
inflamatoria sistémica y compromiso
metabólico-renal, mecanismos fisiopatológicos
vinculados a progresión hacia enfermedad
grave (Yan et al., 2020; Wynants et al., 2020).
La proteína C reactiva (CrctProtein) se incluyó
como marcador inflamatorio de uso clínico
habitual, asociado a severidad y mortalidad
hospitalaria (Richardson et al., 2020).
Finalmente, la troponina (Troponin) y la
creatinina (Creatinine) fueron seleccionadas por
su relación con lesión miocárdica y deterioro de
función renal, respectivamente, ambos
reportados como factores pronósticos
relevantes en pacientes hospitalizados con
COVID-19 (Zhou et al., 2020; Ikram y Pillay,
2022). En conjunto, este subconjunto de 10
variables capturó dimensiones clínicas clave del
estado del paciente (respiratoria, inflamatoria,
cardiovascular y renal), proporcionando base
sólida y clínicamente interpretable para
entrenamiento y comparación de modelos.
Antes de entrenar los modelos, el conjunto de
datos se sometió a preprocesamiento exhaustivo
destinado a garantizar calidad, consistencia y
plausibilidad clínica de la información. Esta
etapa es especialmente relevante en análisis de
datos clínicos reales, donde es frecuente la
presencia de errores de registro, valores
atípicos, inconsistencias en formatos y datos
faltantes que pueden afectar significativamente
desempeño, estabilidad y capacidad de
generalización de modelos predictivos. El
proceso inició con selección de variables
clínicas de interés e identificación de valores no
fisiológicos. En aquellas variables donde el
valor cero no es clínicamente válido (signos
vitales y biomarcadores de laboratorio), dichos
valores fueron recodificados como datos
faltantes. Valores no realistas de edad fueron
considerados inválidos. Posteriormente, se
realizó conversión forzada de todas las
variables predictoras a formato numérico,
corrigiendo inconsistencias derivadas del uso de
separadores decimales y eliminando caracteres
no válidos. Se aplicó filtrado basado en rangos
clínicos plausibles definidos para cada variable,
según referencias ampliamente aceptadas en
literatura médica. Los valores fuera de estos
rangos fueron tratados como datos faltantes,
preservando coherencia fisiológica sin descartar
registros completos de pacientes. Previo a
imputación, se cuantificó la proporción de
valores faltantes por variable, observándose
mayor presencia en OsSats (187 registros),
MAP (306), Temp (180) y BUN (13). La
gestión de valores faltantes se resolvió mediante
Imputación por Vecinos más Cercanos (KNN),
configurada con cinco vecinos y ponderación
por distancia:
x ˆ_ij=(∑_(l∈N_5 (i))▒ 1/(d(i,l)) x_lj)/(∑_(l
∈N_5 (i))▒ 1/(d(i,l)))
La imputación mediante KNN se aplicó sobre el
conjunto completo antes de partición en
entrenamiento y validación, preservando
coherencia clínica global y evitando exclusión
de registros incompletos. Este método estima
omisiones basándose en proximidad clínica
entre pacientes, preservando estructura original
de información y reduciendo sesgo asociado a
pérdida de datos críticos. Posteriormente, la
base se segmentó en subconjuntos de
entrenamiento y validación mediante partición
estratificada (70/30), conservando proporción
de variable objetivo Death. Se optó por única
partición con fin de mantener evaluación
homogénea y facilitar comparación directa
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 931
entre modelos. Finalmente, las variables
predictoras fueron normalizadas mediante
escalamiento tipo z-score, calculando
parámetros exclusivamente sobre conjunto de
entrenamiento para evitar fuga de información:
x_ij^*=(x_ij-μ_j)/σ_j
Se evaluaron cuatro modelos de clasificación
que contrastan enfoques lineales y no lineales:
Regresión Logística, Random Forest, SVM y
Red Neuronal Multicapa (MLP). Random
Forest: Modelo ensamble basado en 300 árboles
de decisión. Cada árbol produce predicción y la
salida se determina por votación mayoritaria. La
probabilidad de mortalidad hospitalaria se
obtiene como promedio de probabilidades
estimadas por los árboles:
P(y_i=1|x_i^*)=1/T ∑_(t=1)^T▒ h_t (x_i^*)
Support Vector Machines (SVM): Se
implementó kernel radial de base gaussiana
(RBF) con C = 1.0 y ponderación balanceada.
El modelo identifica relaciones no lineales
mediante:
K(x_i^*,x_j^*)=exp(-γ‖x_i^*-x_j^* ‖^2)
Las salidas se calibraron mediante Platt scaling
para obtener probabilidades interpretables.
Gradient Boosting: Modelo secuencial de 300
árboles con tasa de aprendizaje 0.05 y
profundidad máxima 4. Cada árbol se ajusta
para corregir errores del modelo previo
mediante gradiente de función de pérdida:
F_t (x)=F_(t-1) (x)+ηh_t (x)
Red Neuronal Multicapa (MLP): Arquitectura
con dos capas ocultas (64 y 32 neuronas) con
activación ReLU. La propagación hacia
adelante calcula representación no lineal:
h^((l))=ϕ(W^((l)) h^((l-1))+b^((l)))
El entrenamiento se realizó con optimizador
Adam, regularización L2 y parada temprana.
Para transformar probabilidades en
predicciones binarias, se estableció umbral de
decisión τ = 0.3 para todos los clasificadores,
priorizando sensibilidad del modelo frente a
especificidad. Este criterio clínico busca
incrementar detección de clase positiva a costa
de aumento controlado en tasa de falsos
positivos.
El desbalance de clases se abordó
exclusivamente sobre conjunto de
entrenamiento mediante ponderación
balanceada de clases (class_weight), evitando
contaminación del conjunto de prueba. El
rendimiento se evaluó mediante métricas
complementarias: matriz de confusión,
exactitud (Accuracy), sensibilidad (Recall),
especificidad, precisión, F1-score y área bajo la
curva ROC (AUC). Todas las métricas se
calcularon sobre conjunto de validación
independiente bajo umbral de decisión
unificado, garantizando comparativa objetiva y
libre de sesgos externos. Se evaluó también la
importancia de variables en modelos basados en
árboles (Random Forest y Gradient Boosting),
estimando contribución relativa de cada
característica a partir de reducción de impureza
durante entrenamiento. Este análisis permitió
identificar biomarcadores con mayor peso
predictivo en estimación del riesgo de
mortalidad hospitalaria.
Resultados y Discusión
Análisis de correlación de variables clínicas
La matriz de correlación de Pearson mostró
correlaciones bajas a moderadas entre la
mayoría de los predictores, sugiriendo baja
multicolinealidad y adecuada diversidad de
información clínica para entrenamiento de
modelos supervisados. No se identificaron
correlaciones extremadamente altas (r > 0.8),
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 932
por lo que no fue necesario excluir variables por
redundancia. Se destacó correlación positiva
entre marcadores de función renal, con
asociación moderada entre BUN y creatinina (r
= 0.59), consistente con compromiso renal en
pacientes con cuadros graves. Asimismo, se
observaron correlaciones entre biomarcadores
inflamatorios y hemostáticos: proteína C
reactiva y dímero-D (r = 0.33), ferritina y
proteína C reactiva (r = 0.21), reflejando
respuesta inflamatoria sistémica asociada a
progresión clínica. La saturación de oxígeno
(OsSats) presentó correlación negativa con
proteína C reactiva (r = -0.33), sugiriendo que
mayores niveles de inflamación se asocian con
peor oxigenación.
Desempeño comparativo del modelo
Tabla 1. Desempeño comparativo de los
modelos de clasificación
Modelo
Acc.
Prec.
Sens.
Esp.
F1
AUC
Random
Forest
0.74
6
0.48
7
0.73
9
0.74
8
0.58
7
0.83
5
SVM
0.79
0
0.55
9
0.66
1
0.83
2
0.60
6
0.81
9
Gradien
t Boosting
0.80
1
0.59
1
0.60
0
0.86
6
0.59
6
0.82
8
MLP
0.77
7
0.53
6
0.62
6
0.82
5
0.57
8
0.81
8
Fuente: Elaboración propia
Los modelos superaron el rendimiento esperado
de un clasificador aleatorio, evidenciando
capacidad para identificar patrones clínicos
asociados a mortalidad hospitalaria por
COVID-19. Gradient Boosting alcanzó el
mayor valor de accuracy (0.801) y especificidad
(0.866), indicando mayor capacidad para
clasificar correctamente pacientes
sobrevivientes. Random Forest obtuvo la mayor
sensibilidad (0.739), el valor más alto de AUC
(0.835) y F1-score competitivo, reflejando
mayor capacidad discriminativa global y
detección más efectiva de pacientes fallecidos.
Los modelos SVM y MLP presentaron
desempeño intermedio, con valores de
accuracy, AUC y F1-score comparables entre
sí, aunque inferiores a modelos basados en
ensambles. Los resultados evidencian
diferencias claras en comportamiento según
métrica considerada.
Curvas ROC y matrices de confusión
Las curvas ROC mostraron que todos los
modelos se sitúan por encima de la diagonal
correspondiente a clasificador aleatorio,
evidenciando capacidad discriminativa superior
al azar. Random Forest presentó la curva más
cercana a la esquina superior izquierda,
alcanzando el mayor valor de AUC (0.835).
Gradient Boosting mostró desempeño
competitivo, aunque con curva ligeramente más
cercana a la diagonal. Las matrices de
confusión, utilizando umbral τ = 0.3,
permitieron examinar distribución de
verdaderos positivos (TP), falsos negativos
(FN), verdaderos negativos (TN) y falsos
positivos (FP). Random Forest presentó la
mayor cantidad de verdaderos positivos y
menor cantidad de falsos negativos,
reafirmando su sensibilidad y capacidad de
clasificar correctamente pacientes de alto riesgo
de morir. Este atributo es muy importante en
práctica clínica, ya que falsos negativos pueden
poner a pacientes en situaciones de riesgo al
retrasar intervenciones necesarias.
Los modelos SVM y Gradient Boosting
presentaron mayor número de verdaderos
negativos, traduciéndose en mayor
especificidad y mejor tasa de detección de
sobrevivientes. Sin embargo, esto vino
acompañado de mayor número de falsos
negativos. El desempeño de MLP se situó en
punto medio, logrando equilibrio aceptable
entre sensibilidad y especificidad. La selección
de umbral reducido (τ = 0.3) favoreció la
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 933
detección de clase positiva (fallecimiento),
incrementando sensibilidad a expensas de
proporción más elevada de falsos positivos.
Este enfoque es coherente con objetivo clínico
del estudio, enfocado en privilegiar detección
temprana de pacientes con elevado riesgo de
mortalidad hospitalaria.
Variables clínicas determinantes
El análisis de importancia de variables mostró
que la presión arterial media (MAP) presenta la
mayor importancia relativa en predicción de
mortalidad hospitalaria en mayoría de modelos
evaluados. La edad se mantiene como una de las
variables con mayor contribución en todos los
clasificadores. Biomarcadores asociados a
inflamación sistémica y función renal (proteína
C reactiva, creatinina, BUN y dímero-D)
muestran contribución relevante, especialmente
en modelos de ensamble. En contraste,
variables como temperatura corporal y
troponina exhiben menor importancia relativa
cuando se consideran conjuntamente con resto
de predictores clínicos. A pesar de diferencias
en valores absolutos de importancia entre
modelos y métodos de estimación, la jerarquía
de variables más influyentes se mantiene
consistente.
Los resultados demuestran que los modelos de
aprendizaje automático son herramientas
eficaces para predicción de mortalidad
hospitalaria en pacientes con COVID-19,
siendo los métodos de ensamble los que
alcanzaron mejor desempeño. Random Forest y
Gradient Boosting mostraron mayor capacidad
predictiva en comparación con SVM y MLP,
tanto en discriminación global como en
equilibrio entre sensibilidad y especificidad. Al
contrastar estos hallazgos con literatura
existente, se observa que el mejor desempeño
de métodos de ensamble coincide con lo
reportado en estudios previos, donde se destaca
su capacidad para modelar relaciones no
lineales, manejar interacciones complejas entre
variables clínicas y mantener estabilidad frente
al ruido presente en datos hospitalarios reales
(Altschul et al., 2020; Pourhomayoun y Shakibi,
2021; Hasan et al., 2022).
Los valores de AUC alcanzados en este estudio
(0.835 para Random Forest y 0.828 para
Gradient Boosting) se sitúan dentro del rango
superior reportado en literatura, donde se
describen valores entre 0.78 y 0.85 para
modelos entrenados con variables clínicas
similares (Yan et al., 2020; Casiraghi et al.,
2020; Barough et al., 2023). Estos resultados
indican que el enfoque metodológico aplicado
(depuración clínica rigurosa, imputación
controlada de valores faltantes y normalización
adecuada) permitió obtener desempeño
competitivo y comparable con estudios
multicéntricos de mayor escala. Un aspecto
relevante identificado es la priorización de
sensibilidad clínica mediante uso de umbral de
decisión reducido. Esta estrategia permitió
mejorar detección de pacientes con alto riesgo
de fallecimiento, aun a costa de incrementar
falsos positivos. Desde punto de vista clínico,
este enfoque es coherente con literatura, que
enfatiza importancia de minimizar falsos
negativos en escenarios críticos como pandemia
por COVID-19 (Wynants et al., 2020).
El análisis de importancia de variables
identificó consistentemente edad, presión
arterial media, saturación de oxígeno y
biomarcadores inflamatorios y renales como
predictores más relevantes de mortalidad
hospitalaria. Estos hallazgos concuerdan con
fisiopatología descrita del COVID-19 severo,
donde disfunción hemodinámica, compromiso
renal y respuesta inflamatoria sistémica
exacerbada han sido ampliamente asociados
con desenlaces adversos (Zhou et al., 2020;
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 934
Richardson et al., 2020; Yan et al., 2020). Si
bien el uso de repositorio de datos internacional
constituye limitación en términos de
representatividad local, los resultados obtenidos
permiten evaluar comportamiento de modelos
en contexto clínico heterogéneo y comparable
con investigaciones previas. Además, la
metodología propuesta es reproducible y
escalable, facilitando su futura validación con
datos provenientes de hospitales ecuatorianos o
latinoamericanos.
Conclusiones
Se desarrolló y evaluó un conjunto de modelos
de clasificación supervisada orientados a
predicción de mortalidad intrahospitalaria en
pacientes con COVID-19, empleando variables
clínicas pre procesadas bajo protocolo
metodológico riguroso. Los resultados
demuestran que aprendizaje automático permite
identificar patrones clínicos asociados a
desenlaces desfavorables, superando
ampliamente desempeño esperado de
clasificadores aleatorios. La comparación entre
Random Forest, Support Vector Machines,
Gradient Boosting y Perceptrón Multicapa
evidenció que métodos de ensamble presentan
mejor desempeño global en términos de
capacidad discriminativa y estabilidad. Random
Forest destacó por alcanzar mayor sensibilidad
y mayor valor de AUC, posicionándose como
enfoque más adecuado cuando se prioriza
detección temprana de pacientes con alto riesgo
de fallecimiento, aspecto crítico en práctica
clínica.
El análisis de correlación y de importancia de
variables permitió identificar predictores
clínicamente coherentes con fisiopatología del
COVID-19 severo, entre los que se destacan
edad, presión arterial media, saturación de
oxígeno y biomarcadores inflamatorios y
renales. La consistencia de estos hallazgos entre
distintos modelos refuerza interpretabilidad y
validez clínica de resultados obtenidos. La
adopción de umbral de decisión desplazado
permitió privilegiar sensibilidad de modelos,
optimizando detección de pacientes en riesgo a
costa de incremento controlado de falsos
positivos. Esta estrategia se alinea con
necesidades reales del entorno hospitalario,
donde identificación temprana de casos críticos
resulta determinante para toma de decisiones
terapéuticas y gestión eficiente de recursos. Si
bien el estudio se basó en base de datos
internacional, lo que constituye limitación en
términos de representatividad local, el enfoque
metodológico propuesto es fácilmente
adaptable y escalable. Esto abre posibilidad de
su validación futura con datos de hospitales
ecuatorianos o latinoamericanos, así como su
integración en sistemas de apoyo a decisión
clínica.
Agradecimientos
Se agradece a la Universidad Politécnica
Salesiana y al Grupo de Investigación en
Telecomunicaciones (GIETEC) por el apoyo
brindado en el desarrollo de esta investigación
Referencias Bibliográficas
Altschul, D., Unda, S., Benton, J., Garza, R.,
Cezayirli, P., Mehler, M., y Eskandar, E.
(2020). A novel severity score to predict
inpatient mortality in COVID-19 patients.
Scientific Reports, 10.
Barough, S., Safavi, S., Siavoshi, F., Tamimi,
A., Ilkhani, S., Akbari, S., Ezzati, S.,
Hatamabadi, H., y Pourhoseingholi, M.
(2023). Generalizable machine learning
approach for COVID-19 mortality risk
prediction using on-admission clinical and
laboratory features. Scientific Reports, 13.
Carrión, J., y García, M. (2022). Aplicación de
modelos predictivos para COVID-19 en
Ecuador. Repositorio Institucional ESPOL.
Casiraghi, E., Malchiodi, D., Trucco, G.,
Frasca, M., Cappelletti, L., Fontana, T.,
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 7 No. 1.1
Edición Especial I 2026
Página 935
Esposito, A., Avola, E., Jachetti, A., Reese,
J., Rizzi, A., Robinson, P., y Valentini, G.
(2020). Explainable machine learning for
early assessment of COVID-19 risk
prediction in emergency departments. IEEE
Access, 8, 196299–196325.
Castaño, S. (2025). Artificial intelligence in
public health: Opportunities, ethical
challenges and future perspectives.
COVID-19 anonymized clinical dataset.
(2020). Figshare.
Hasan, M., Bath, P., Marincowitz, C., Sutton,
L., Pilbery, R., Hopfgartner, F., Mazumdar,
S., Campbell, R., Stone, T., Thomas, B.,
Bell, F., Turner, J., Biggs, K., Petrie, J., y
Goodacre, S. (2022). Pre-hospital prediction
of adverse outcomes in patients with
suspected COVID-19: Development,
application and comparison of machine
learning and deep learning methods.
Computers in Biology and Medicine, 151.
Ikram, A., y Pillay, S. (2022). Admission vital
signs as predictors of COVID-19 mortality:
A retrospective cross-sectional study. BMC
Emergency Medicine, 22.
Pourhomayoun, M., y Shakibi, M. (2021).
Predicting mortality risk in patients with
COVID-19 using machine learning to help
medical decision-making. Smart Health, 20.
Ramlall, V., Thangaraj, P., Meydan, C., Foox,
J., Butler, D., Kim, J., May, B., Freitas, J.,
Glicksberg, B., Mason, C., Tatonetti, N., y
Shapira, S. (2020). Immune complement and
coagulation dysfunction in adverse outcomes
of SARS-CoV-2 infection. Nature Medicine,
26, 1609–1615.
Registro Público del Ecuador. (2024). Proyecto
de ley de protección de datos personales.
Richardson, S., Hirsch, J., Narasimhan, M.,
Crawford, J., McGinn, T., y Davidson, K.
(2020). Presenting characteristics,
comorbidities, and outcomes among 5700
patients hospitalized with COVID-19 in the
New York City area. JAMA, 323(20), 2052–
2059.
Souza, F., Hojo-Souza, N., Santos, E., Silva, C.,
y Guidoni, D. (2021). Predicting the disease
outcome in COVID-19 positive patients
through machine learning: A retrospective
cohort study with Brazilian data. Frontiers in
Artificial Intelligence, 4.
World Health Organization. (2020). WHO
characterizes COVID-19 as a pandemic.
Wynants, L., Van Calster, B., Collins, G., Riley,
R., Heinze, G., Schuit, E., Albu, E., Arshi,
B., Bellou, V., Bonten, M., Dahly, D.,
Damen, J., Debray, T., Jong, V., Vos, M.,
Dhiman, P., Ensor, J., Gao, S., Haller, M., y
Smeden, M. (2020). Prediction models for
diagnosis and prognosis of COVID-19:
Systematic review and critical appraisal.
BMJ, 369.
Yan, L., Zhang, H., Goncalves, J., Xiao, Y.,
Wang, M., Guo, Y., Sun, C., Tang, X., Jing,
L., Zhang, M., Huang, X., Cao, H., Chen, Y.,
Ren, T., Wang, F., Tan, X., y Yuan, Y.
(2020). An interpretable mortality prediction
model for COVID-19 patients. Nature
Machine Intelligence, 2, 283–288.
Zhou, F., Yu, T., Du, R., Fan, G., Liu, Y., Liu,
Z., Xiang, J., Wang, Y., Song, B., Gu, X.,
Guan, L., Wei, Y., Li, H., Wu, X., Xu, J., Tu,
S., Zhang, Y., Chen, H., y Cao, B. (2020).
Clinical course and risk factors for mortality
of adult inpatients with COVID-19 in
Wuhan, China: A retrospective cohort study.
The Lancet, 395, 1054–1062.
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © Romel Elian Haro
Asipuela y José Renato Cumbal Simba.
