Aplicación de Machine Learning para la predicción de la mortalidad en cirugía cardíaca

Abstract

El presente TFM tiene el objetivo de desarrollar una herramienta predictiva de la mortalidad a 30 días tras una cirugía cardíaca, utilizando algoritmos de ML aplicados a datos clínicos reales. El proyecto ha seguido una metodología rigurosa que abarca el análisis exploratorio de los datos, la selección de variables clínicas relevantes, la evaluación comparativa de múltiples modelos y la implementación del mejor modelo (XGBoost) en una aplicación web funcional. Los resultados obtenidos muestran un alto rendimiento predictivo para un dataset clínico real de 325 pacientes sometidos a cirugía cardíaca, destacando métricas como AUC-ROC (0,964), recall (0,9) y una buena calibración del modelo (Brier Score = 0,082). Además se ha prestado especial atención a la interpretabilidad del modelo y su posible integración futura en entornos clínicos. Este trabajo demuestra el valor del uso del ML para apoyar decisiones médicas complejas y plantea una base sólida para su futura validación y mejora.

This TFM Thesis aims to develop a predictive tool for 30-day mortality following cardiac surgery, using machine learning algorithms applied to real clinical data. The project followed a rigorous methodology encompassing exploratory data analysis, selection of relevant clinical variables, comparative evaluation of multiple models, and the deployment of the best-performing model (XGBoost) in a functional web application. The results demonstrate high predictive performance on a clinical dataset of 325 patients who underwent cardiac surgery, with strong metrics such as AUC-ROC (0.964), recall (0.9), and strong probability calibration (Brier Score = 0.082). Special attention has been given to the interpretability of the model and its potential integration into clinical settings. This work highlights the value of machine learning in supporting complex medical decisions and provides a solid foundation for future validation and improvement.