Uso de un enfoque de aprendizaje automático para predecir éxito en el tratamiento de adicciones

DANIELA PRINA; LOPEZ, SABRINA LAURA; STEPHAN ARNDT; LAURA ACIÓN

Santiago de Chile

Conferencia; LatinR 2019. Conferencia Latinoamericana sobre Uso de R en Investigación + Desarrollo; 2019

Hay varios métodos para construir modelos de predicción. La riqueza de las técnicas de modelado actualmente disponibles generalmente obliga al investigador a juzgar, a priori, cuál será mejor. Super Learner (SL, también denominado ?stacked ensemble?) es una metodología que facilita esta decisión al combinar todos los algoritmos de predicción identificados pertinentes para un problema en particular. Bajo ciertos supuestos, SL genera un modelo final que es al menos tan bueno como cualquiera de los otros modelos considerados para predecir el resultado. El objetivo de este trabajo es mostrar el uso de SL según su implementación en H2O a través de su interfaz con R. Este trabajo compara resultados de: regresión logística, regresión penalizada, random forest, redes neuronales y SL para predecir el tratamiento exitoso de adicciones. Se usó una base de datos estadounidense que incluyó 99.013 pacientes con tratamiento para adicciones. Todos los algoritmos se evaluaron usando el área bajo la curva ROC en una muestra de prueba distinta a la muestra de entrenamiento. SL fue superior a todos menos uno de los algoritmos comparados.