Modelos de clasificación binaria para la predicción del desenlace del ictus Autores: Virgilijus Sakalauskas - Kauno kolegija Higher Education Institution (LT) Dalia Kriksciuniene - Vilnius University (LT) Resumen El ictus constituye una de las principales causas de mortalidad y discapacidad a largo plazo en todo el mundo, lo que hace necesario disponer de modelos predictivos eficaces para identificar a las personas en riesgo y optimizar los planes de tratamiento. En este estudio evaluamos el rendimiento de diversos algoritmos de aprendizaje automático (ML) para predecir la mortalidad relacionada con el ictus. Se aplicaron cinco modelos de clasificación binaria —Regresión Logística (LR), Random Forest (RF), Máquinas de Potenciación por Gradiente (XGBoost), Máquina de Vectores de Soporte (SVM) y Redes Neuronales (MLPClassifier)— a un conjunto de datos que contenía características clínicas y demográficas de pacientes con ictus registrados por el departamento de neurología del Clinical Centre of Montenegro. Cada modelo fue entrenado y evaluado mediante métricas estándar de clasificación: exactitud, precisión, sensibilidad y puntuación F1. Asimismo, se analizó la importancia de las variables con el fin de identificar los principales predictores de mortalidad por ictus en los distintos modelos. La investigación muestra un mejor rendimiento de Random Forest y XGBoost frente a modelos más simples, ofreciendo una exactitud y una interpretabilidad superiores. Al analizar cómo cambian la precisión, la sensibilidad y la exactitud a lo largo de distintos umbrales de clasificación, obtuvimos una comprensión más profunda de la fiabilidad de los modelos bajo diferentes condiciones clínicas. Este análisis reveló compensaciones claras: los umbrales más bajos mejoran la sensibilidad —reduciendo el riesgo de omitir predicciones de fallecimiento—, mientras que los umbrales más altos aumentan la precisión —minimizando los falsos positivos—. Los hallazgos respaldan la selección de valores de umbral adaptados a prioridades clínicas específicas, como la alerta temprana, la evaluación equilibrada del riesgo o la toma de decisiones con un alto grado de confianza.