Heart Attack Analysis & Prediction

Este proyecto aborda la limpieza, análisis y modelado predictivo de un conjunto de datos de ataques al corazón. Utilizamos métodos de estadística y aprendizaje supervisado para clasificar las probabilidades de sufrir un ataque al corazón en función de varias características clínicas.

Nota: Este proyecto fue realizado para la asignatura Tipología y ciclo de vida de los datos del Máster de Ciencia de Datos en la Universitat Oberta de Catalunya (UOC).

Descripción del Dataset

El conjunto de datos contiene 303 observaciones con 14 variables relacionadas con la salud del paciente, como edad, colesterol, frecuencia cardíaca, y características electrocardiográficas. Estas variables se procesaron y categorizan para facilitar el análisis y la modelización.

Principales Variables

• age: Edad del paciente
• sex: Sexo del paciente
• cp: Tipo de dolor en el pecho
• trtbps: Presión arterial en reposo
• chol: Niveles de colesterol
• fbs: Glucemia en ayunas (> 120 mg/dl)
• restecg: Resultados electrocardiográficos en reposo
• thalachh: Frecuencia cardíaca máxima alcanzada
• output: Indicador de ataque al corazón (0: menor riesgo, 1: mayor riesgo)

Preprocesamiento de Datos

1. Renombrado de Variables: Para mejorar la claridad, las columnas se renombraron y se asignaron etiquetas a los valores categóricos.
2. Limpieza de Datos: El dataset no contenía valores nulos; sin embargo, se eliminaron ciertos valores extremos en colesterol y frecuencia cardíaca.
3. Factorización: Se convirtieron las variables categóricas en factores para los modelos de análisis.

Análisis Estadístico

Análisis Univariante

Se realizaron pruebas de normalidad y homocedasticidad:

• Normalidad: Todas las variables numéricas presentan una distribución no normal según el test de Shapiro-Wilk.
• Homocedasticidad: La presión arterial y el colesterol no presentan varianzas significativamente diferentes entre grupos.

Análisis de Correlación

• Se observó una correlación positiva entre la frecuencia cardíaca y el riesgo de ataque.
• Inesperadamente, a mayor edad, menor fue el riesgo de ataque.

Regresión Logística

Un modelo de regresión logística probó la relación de variables numéricas y categóricas (frecuencia cardíaca y número de vasos). La frecuencia cardíaca resultó ser un predictor significativo.

Random Forest

Para la clasificación dicotómica (output), se utilizó un modelo de Random Forest, obteniendo:

• Precisión: 0.82
• Sensibilidad: 0.91
• Especificidad: 0.71

Conclusiones

• Frecuencia cardíaca: Es un predictor fuerte para ataques al corazón.
• Edad y colesterol: Tuvieron menos peso en el modelo.
• Dolor en el pecho: Los pacientes con dolor atípico o relacionado con la angina tienen mayor riesgo de ataque.

Requisitos

• Lenguaje: R
• Librerías: tidyverse, caret, rpart, rpart.plot

Estructura del Repositorio

• data/: Contiene el dataset.
• scripts/: Código en R para el análisis y modelos.

Contribuciones

Este proyecto fue realizado por Patricia Luengo Carretero. Puedes ver más sobre mi trabajo en mi sitio web personal.