Comparison of kernel functions in the prediction of cardiovascular disease in Artificial Neural Networks (ANN) and Support Vector Machines (SVM)
DOI:
https://doi.org/10.56294/ai2025172Keywords:
Kernel functions, Prediction, Cardiovascular diseases, Artificial neural networks, Vector support machines, Machine learning, Artificial intelligenceAbstract
Cardiovascular diseases are currently the leading cause of death worldwide. There are challenges, such as untimely healthcare, lack of access to technologies and timely diagnoses. Therefore, this project focuses on the use of innovative tools, giving way to the need to use artificial intelligence in the field of Machine Learning to improve the prediction of cardiovascular diseases. The research focused on determining the most effective kernel function in Artificial Neural Network (ANN) and Support Vector Machine (SVM) algorithms, making a fair comparison and evaluating the accuracy and prediction time of each proposed kernel function. Based on the results, these new optimal kernel functions are integrated into the scikit-learn library, achieving validation in the appropriate configuration for predicting the risk of CVD. This innovative approach reduces detection time, minimising the chances of future complications from preventable diseases, and provides timely diagnosis and risk factors with early warnings that can be extremely useful for healthcare personnel.
References
1. Beade Ruelas A, García Soto CE. No rompas más tu corazón. Salud cardiovascular [Internet]. Gobierno de México; 2017 [citado 30 de abril de 2023]. Disponible en: https://www.gob.mx/profeco/documentos/no-rompas-mas-tu-corazon-salud-cardiovascular
2. Cemprende. Enfermedades cardiovasculares, un gran desafío para la salud pública en Colombia [Internet]. Innpulsa Colombia; 2022 [citado 30 de abril de 2023]. Disponible en: https://www.innpulsacolombia.com/cemprende/noticias/enfermedades-cardiovasculares
3. Molina de Salazar D. Propuesta en prevención del riesgo cardiovascular. Rev Colomb Cardiol. 1988;5(5):20888.
4. Patiño Zambrano CF. Dispositivo vestible inteligente para la generación de alertas tempranas de eventos cardiovasculares de riesgo. Envigado; 2022.
5. Sanofi Campus. Machine Learning y predicción de enfermedades cardiovasculares [Internet]. 2022 [citado 25 de febrero de 2023]. Disponible en: https://campus.sanofi.es/es/noticias/machine-learning-prediccion-enfermedades-cardiovasculares
6. Gómez LA. Las enfermedades cardiovasculares: un problema de salud pública y un reto global. SciELO. 2011;1.
7. Pérez Leal LE, Buitrago Cárdenas JA. Predicción del diagnóstico de diabetes a partir de perfiles clínicos de pacientes utilizando aprendizaje automático. Bogotá: Universidad Antonio Nariño; 2021.
8. Gallego Valcárcel DA, Lucas Monsalve DF. Modelos de aprendizaje automático para la predicción del riesgo de fatalidad por insuficiencia cardíaca con datos clínicos. Bogotá: Universidad Antonio Nariño; 2021.
9. Álvarez Vega M, Quirós Mora LM, Cortés Badilla MV. Inteligencia artificial y aprendizaje automático en medicina. Rev Méd Sinergia. 2020;5(8):12.
10. Ferreira Guerrero DP, Díaz Vera M, Bonilla Ibáñez CP. Factores de riesgo cardiovascular modificables en adolescentes escolarizados de Ibagué 2013. Repositorio Institucional Universidad de Antioquia. 2017;1.
11. Mora Paz HA. Comparativo de Kernels sobre predicción de oferta de fuentes alternativas de energía. Pasto: UNIR La Universidad en Internet; 2019.
12. Friedman PA, Kapa S, López Jiménez F, Noseworthy PA. Inteligencia artificial en cardiología [Internet]. Mayo Clinic; 2023 [citado 22 de mayo de 2023]. Disponible en: https://www.mayoclinic.org/es-es/departments-centers/ai-cardiology/overview/ovc-20486648
13. Aprende IA. Kernel y máquinas de vectores de soporte [Internet]. Aprende IA; [citado 6 de abril de 2023]. Disponible en: https://aprendeia.com/kernel-maquinas-vectores-de-soporte-clasificacion-regresion/
14. Sowmya V, Sanjana K, Gopalakrishnan E, Soman KP. Inteligencia artificial explicable para la variabilidad de la frecuencia cardíaca en la señal de ECG. Health Technol Lett. 2020;7(6):146.
15. Mohan S, Thirumalai C, Srivastava G. Effective Heart Disease Prediction Using Hybrid Machine Learning Techniques. IEEE Access. 2019;7:81542-54.
16. Wu H, Yang L, Jin X, Zheng P. Study of cardiovascular disease prediction model based on random forest in eastern China. Sci Rep. 2020;10(1):5245.
17. Chavez Olivera O, Galindo Honores L, Barrientos Padilla A, Cuadros Galvez M. Aplicación móvil para predecir la probabilidad de pertenecer al grupo de riesgo cardiovascular utilizando machine learning. En: XII Conf Iberoamericana de Complejidad, Informática y Cibernética. Lima; 2022.
18. Scavino M, Castrillejo A, Estragó Mérola VS, Luraghi López LE, Muñoz M, Álvarez Vaz R. Informe final publicable del proyecto de creación de algoritmos utilizando técnicas de clasificación supervisada y no supervisada para el diagnóstico de enfermedades cardiovasculares. Uruguay; 2022.
19. Polero LD, Garmendia CM, Echegoyen RE, Alves de Lima A, Bertón F, Lambardi F, et al. Predicción de riesgo de sufrir un síndrome coronario agudo mediante un algoritmo de Machine Learning (ANGINA). Rev Argent Cardiol. 2020;88(1).
20. Perez Tatis JD. Optimización de un modelo de clasificación de enfermedades cardiovasculares utilizando técnicas de aprendizaje profundo supervisado y despliegue de dashboard web. Cartagena; 2021.
21. Martínez EJ. Predicción de enfermedades cardiovasculares mediante algoritmos de inteligencia artificial. Málaga; 2020.
22. Carrascal Porras FL, Florez Prias LA. Modelo de inteligencia artificial como apoyo diagnóstico para la estimación de riesgo cardiovascular en pacientes atendidos bajo la modalidad de telemedicina. Sucre: UNAD; 2021.
23. Dolores C, Ordovás J. Genes, dieta y enfermedades cardiovasculares. Genética. 2007;5:71–118.
24. Vega Abascal J, Guimará Mosqueda M, Vega Abascal L. Riesgo cardiovascular, una herramienta útil para la prevención de las enfermedades cardiovasculares. Rev Clin Invest Arterioscler. 2011;27(1):3.
25. Martínez EJ. Predicción de enfermedades cardiovasculares. Málaga: Universidad de Málaga; 2020.
26. Sans Menéndez S. Enfermedades cardiovasculares. Barcelona: Institut d'Estudis de la Salut; 2011.
27. Diabetrics. Escala Framingham [Internet]. Diabetrics; [citado 28 de marzo de 2023]. Disponible en: https://blog.diabetrics.com/escala-framingham
28. Perez Tatis JD. Optimización de un modelo de clasificación de enfermedades cardiovasculares utilizando técnicas de aprendizaje profundo supervisado y despliegue de dashboard web. Cartagena: Universidad del Sinú; 2021.
29. MathWorks. Máquina de soporte vectorial (SVM) [Internet]. [citado 28 de marzo de 2023]. Disponible en: https://es.mathworks.com/discovery/support-vector-machine.html
30. Ecured. Función kernel [Internet]. [citado 27 de marzo de 2023]. Disponible en: https://www.ecured.cu/Funci%C3%B3n_Kernel
31. Wikipedia. Clasificador lineal [Internet]. 2019 [citado 30 de abril de 2023]. Disponible en: https://es.wikipedia.org/wiki/Clasificador_lineal
32. Tibco Data Science. ¿Qué es el aprendizaje supervisado? [Internet]. [citado 28 de marzo de 2023]. Disponible en: https://www.tibco.com/es/reference-center/what-is-supervised-learning
33. Montiel de Jesús A. Desarrollo de una aplicación para dispositivos móviles para la detección temprana de enfermedades cardiovasculares. Orizaba, México: TECNM; 2022.
34. Sitio BigData. Modelos de Machine Learning: Métricas de regresión [Internet]. 2019 [citado 23 de abril de 2023]. Disponible en: https://sitiobigdata.com/2019/05/27/modelos-de-machine-learning-metricas-de-regresion-mse-parte-2/
35. Martínez Heras J. Métricas de clasificación: precisión, recall, F1, accuracy [Internet]. IArtificial; 2020 [citado 28 de abril de 2023]. Disponible en: https://www.iartificial.net/precision-recall-f1-accuracy-en-clasificacion/
36. Quintanilla L, Warren G, Kirsch S, Youssef V, Kershaw N, Killeen S, et al. Learn Microsoft: métricas de ML [Internet]. 2023 [citado 30 de abril de 2023]. Disponible en: https://learn.microsoft.com/es-es/dotnet/machine-learning/resources/metrics
37. Boehm B. Desarrollo en espiral [Internet]. Wikipedia; 2012 [citado 30 de abril de 2023]. Disponible en: https://es.wikipedia.org/wiki/Desarrollo_en_espiral
38. Ballina Ríos F. Paradigmas y perspectivas teórico-metodológicas en el estudio de la administración. UVMX; 2013.
39. Radrigán M. Método empírico-analítico [Internet]. Wikipedia; 2022 [citado 22 de mayo de 2023]. Disponible en: https://es.wikipedia.org/wiki/M%C3%A9todo_emp%C3%ADrico-anal%C3%ADtico
40. IBM. Conceptos básicos de ayuda de CRISP-DM [Internet]. 2021 [citado 30 de abril de 2023]. Disponible en: https://www.ibm.com/docs/es/spss-modeler/saas?topic=dm-crisp-help-overview
41. Vallalta Rueda JF. CRISP-DM: una metodología para minería de datos en salud [Internet]. IA Health Data Miner; [citado 30 de abril de 2023]. Disponible en: https://healthdataminer.com/data-mining/crisp-dm-una-metodologia-para-mineria-de-datos-en-salud/
42. Toral Barrera JA. Redes neuronales. España: CUCEI; 2019.
43. Kaggle. Herramientas de repositorio. 2018.
44. Asunción A, Newman D. Repositorios. Rexa.info: Massachusetts Amherst; 2007.
45. Mora Paz H, Riascos JA, Salazar Castro JA, Mora G, Pantoja A. Comparación de funciones kernel para la predicción de la oferta energética fotovoltaica. RISTI. 2020;(E38):310-24.
46. Belanche LA, Villegas MA. Kernel functions for categorical variables with application to problems in the life sciences. 2023;(08034):1-3.
47. Esri. Spatial analysis in ArcGIS Pro [Internet]. ArcGIS Pro; [citado 15 de agosto de 2023]. Disponible en: https://pro.arcgis.com/es/pro-app/latest/help/analysis/introduction/spatial-analysis-in-arcgis-pro.htm
48. Scriptología. Tutorial de Flask: desarrollando aplicaciones web en Python [Internet]. 2024 [citado 1 de enero de 2024]. Disponible en: https://scriptologia.com/tutorial-de-flask-desarrollando-aplicaciones-web-en-python/
49. Hunter J, Dale D, Firing E, Droettboom M. Introducción a pyplot [Internet]. Matplotlib; 2012. Disponible en: https://es.matplotlib.net/stable/tutorials/introductory/pyplot.html
50. Python. Biblioteca Pickle [Internet]. 2001. Disponible en: https://docs.python.org/es/3/library/pickle.html
51. DataScientest. Uso de pandas en Python [Internet]. 2023. Disponible en: https://datascientest.com/es/pandas-python
52. Manav N. Escribir bytes a archivo en Python [Internet]. 2023. Disponible en: https://www.delftstack.com/es/howto/python/write-bytes-to-file-python/
53. Python. Biblioteca base64 [Internet]. Disponible en: https://docs.python.org/es/dev/library/base64.html
54. Navarro S. ¿Para qué sirve el train-test split? [Internet]. KeepCoding; 2024 [citado abril de 2024]. Disponible en: https://keepcoding.io/blog/para-que-sirve-el-train-test-split/
55. Scikit Learn. Nystroem Kernel Approximation [Internet]. 2007. Disponible en: https://scikit-learn.org/stable/modules/generated/sklearn.kernel_approximation.Nystroem.html
56. Li B, Lu P, chmccl v. Multiclass Neural Network [Internet]. Microsoft Learn; 2023 [citado 1 de junio de 2023]. Disponible en: https://learn.microsoft.com/es-es/azure/machine-learning/component-reference/multiclass-neural-network?view=azureml-api-2
57. Imbert A, Lemaitre G. sklearn.svm.SVC [Internet]. Scikit-Learn; 2024. Disponible en: https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html
58. Ruiz M. ¿Qué es Redux? [Internet]. OpenWebinars; 2018 [citado diciembre de 2018]. Disponible en: https://openwebinars.net/blog/que-es-redux/
59. Moes T. ¿Qué es Windows? [Internet]. SoftwareLab; 2023 [citado julio de 2023]. Disponible en: https://softwarelab.org/es/blog/que-es-windows/
60. D. A. Qué es Bootstrap [Internet]. Hostinger; 2023. Disponible en: https://www.hostinger.mx/tutoriales/que-es-bootstrap
61. Monk R. What is Python used for [Internet]. Coursera; 2023 [citado noviembre de 2023]. Disponible en: https://www.coursera.org/mx/articles/what-is-python-used-for-a-beginners-guide-to-using-python
62. Valiente FT. Aprendizaje por refuerzo [Internet]. IIC UAM; [citado 28 de marzo de 2023]. Disponible en: https://www.iic.uam.es/inteligencia-artificial/aprendizaje-por-refuerzo
63. Arceo Vilas AM. Estado nutricional y adherencia a la dieta mediterránea en población mayor de 40 años: IA vs estadística clásica. A Coruña: Universidad de Coruña; 2020.
64. Sánchez Santos JM, Sánchez Fernández PL. Predicción de eventos cardiovasculares y hemorrágicos en pacientes con doble antiagregación con modelos ML. CREDOS. Salamanca; 2020.
65. Gallego Valcárcel DA, Lucas Monsalve DF. Modelos de aprendizaje automático para la predicción del riesgo de fatalidad por insuficiencia cardiaca con datos clínicos. Bogotá: Universidad Antonio Nariño; 2021.
66. Fernández García P, Vallejo Seco G, Livacic-Rojas PE, Tuero Herrero E. Validez estructurada para una investigación cuasi-experimental de calidad. Rev Científica. 2014;30(2):5.
67. Lozada J. Investigación aplicada. Dialnet UNIRIOJA. 2014;3(1):47-50.
68. Londoño Ocampo M. Definición de un modelo de clasificación de riesgo cardiovascular en adultos mayores usando técnicas de aprendizaje de máquinas. Medellín: Universidad Nacional de Colombia; 2020.
69. Núñez Cárdenas FJ, Zavaleta Chi IDC, Felipe Redondo AM, Meléndez Hernández J. Aplicación de minería de datos para tipificación de ECV en alumnos universitarios. México; 2018.
70. Martínez J. Más allá del accuracy: precision, recall y F1 [Internet]. Datasmarts; 2019 [citado 23 de abril de 2023]. Disponible en: https://datasmarts.net/es/mas-alla-del-accuracy-precision-recall-y-f1/
71. Mostaza JM, Pintó X, Armario P, Masana L, Real JT, Valdivielso P, et al. Estándares SEA 2022 para el control global del riesgo cardiovascular. Clin Invest Arterioscler. 2022;34(3):130-79.
72. Calvo Martín J. La importancia de las funciones de activación en una red [Internet]. LinkedIn; 2022 [citado 16 de agosto de 2023]. Disponible en: https://es.linkedin.com/pulse/la-importancia-de-las-funciones-activaci%C3%B3n-en-una-red-calvo-martin.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Michael Rafael Rodríguez Rodríguez, Claudia Alejandra Delgado Calpa, Héctor Andrés Mora Paz (Author)

This work is licensed under a Creative Commons Attribution 4.0 International License.
The article is distributed under the Creative Commons Attribution 4.0 License. Unless otherwise stated, associated published material is distributed under the same licence.