Olivera Lazo, Maylin VanesaLeón Chayña, Karime ErikaTicona Gamarra, Michael Stevie Antony2025-11-202025-11-202025-08https://hdl.handle.net/20.500.14512/1183En esta investigación tiene como objetivo se evaluar los algoritmos de Machine Learning pueden mejorar la precisión en el diagnóstico de hipertensión arterial, utilizando datos clínicos reales de pacientes atendidos en el Centro Médico Santiago, Cusco 2024. Para ello, se aplicaron modelos de clasificación supervisada mediante la metodología CRISP-DM, utilizando un conjunto de datos compuesto por 442 registros clínicos. Se desarrollaron y compararon tres algoritmos: Random Forest, Regresión Logística y Red Neuronal. Los resultados mostraron que el algoritmo Random Forest obtuvo el mejor desempeño general con una exactitud del 91.01%, precisión del 93.48%, sensibilidad del 89.58% y especificidad del 92.68%. No obstante, el modelo de Regresión Logística también alcanzó métricas notables, con una exactitud del 88.76% y una precisión del 95.24%, lo que lo convierte en una alternativa robusta y de fácil interpretación para el entorno clínico. Por su parte, la Red Neuronal presentó una exactitud del 78.65%, siendo su sensibilidad (72.92%) su principal limitación, aunque su desempeño fue aceptable. En conclusión, los algoritmos de Machine Learning permiten mejorar significativamente la precisión del diagnóstico médico en hipertensión arterial. Si bien Random Forest lidera en rendimiento, la Regresión Logística también ofrece buenos resultados, y la Red Neuronal puede ser una opción válida con algunos ajustes adicionales.application/pdfspainfo:eu-repo/semantics/openAccessAlgoritmos de Machine LearningPrecisión de diagnósticoHipertensión arterialMétricas de evaluaciónTratamiento de datosinfo:eu-repo/semantics/bachelorThesishttps://purl.org/pe-repo/ocde/ford#2.02.04