Artículo Técnico
Más allá de las GANs: Una metodología guiada por un índice de fidelidad para la generación y evaluación de datos sintéticos tabulares en el sector de la salud
Investigador Doctoral · Hospital Arnaldo Milián Castro / Universidad Central «Marta Abreu» de Las Villas, Cuba.
Tutoría científica: Dr.C. Rafael Bello Pérez y Dr.C. Ramiro A. Pérez Vázquez
Resumen
La construcción de modelos de aprendizaje automático fiables en entornos operativos reales se ve severamente obstaculizada por la escasez de datos, el desbalance extremo de clases y las restricciones de privacidad.
Este artículo presenta una metodología de cuatro etapas para la generación, evaluación y selección de datos tabulares sintéticos de alta fidelidad. La propuesta es guiada por el índice compuesto TabDSFidelity, el cual equilibra matemáticamente la similitud estadística con la utilidad predictiva funcional.
Validada inicialmente en diez conjuntos de datos clínicos de Cuidados Intensivos y en una investigación en curso sobre 56 conjuntos multidominio, la metodología logró incrementos en la eficacia predictiva de hasta un +64.27% en la métrica AUC-ROC sobre un hardware modesto (≈62 segundos por conjunto), manteniendo garantías de privacidad (riesgo Ataque de Inferencia de Pertenencia <0.50).
Palabras clave: Datos Sintéticos Tabulares, Índice de Fidelidad, TabDSFidelity, Desbalance de Clases, Gobernanza de Datos.
“Este artículo presenta una metodología de cuatro etapas para la generación, evaluación y selección de datos tabulares sintéticos de alta fidelidad”
1. Los límites del Deep Learning frente a la escasez de datos
En la era contemporánea impulsada por los datos, los algoritmos de Aprendizaje Automático (Machine Learning, ML) han emergido como herramientas invaluables para la toma de decisiones críticas (Rajkomar et al., 2019; Topol, 2019).
Sin embargo, a diferencia del procesamiento de imágenes o texto natural, los datos tabulares presentan desafíos inherentes a su estructura: alta dimensionalidad, mezcla de tipos de variables (numéricas y categóricas), dependencias no lineales severas y distribuciones no gaussianas.
En entornos operativos reales, la construcción de modelos predictivos se ve obstaculizada por la escasez extrema de muestras (N<200) y el desbalance severo de clases (Buda et al., 2018; Ibrahim et al., 2021). Para mitigar estas barreras, los modelos generativos profundos como CTGAN (Xu et al., 2019) y TVAE se han posicionado como el estado del arte (...)
📚 Contenido exclusivo para socios
Este artículo completo está disponible exclusivamente para miembros de DAMA España.
¡Hazte socio de DAMA ESPAÑA y accede a todos nuestros artículos técnicos!
