README.md

---
title: Detección de Riesgo de Diabetes
emoji: 🩺
colorFrom: blue
colorTo: green
sdk: gradio
sdk_version: "6.17.3"
app_file: app.py
pinned: false
license: mit
tags:
  - diabetes
  - healthcare
  - lightgbm
  - scikit-learn
  - tabular-classification
  - shap
  - brfss
  - spanish
language:
  - es
---

# 🩺 Detección temprana de riesgo de diabetes

Demo interactiva del modelo LightGBM desarrollado como Trabajo de Fin de Máster (TFM)
en el Máster en Data Science de KSchool (2025–2026).

**Repositorio:** [GitHub — TFM](https://github.com/Jesusrodriguezf90/TFM) ·
**Modelo:** [lgbm-diabetes-early-detection](https://huggingface.co/Jesusrodriguezf90/lgbm-diabetes-early-detection)

---

## Descripción

Pipeline de clasificación binaria para estimar el **riesgo individual de diabetes**
a partir de 22 variables clínicas y demográficas autorreportadas del cuestionario
BRFSS 2015 (CDC). Entrenado sobre 257.709 observaciones.

Rellena el formulario con los datos del paciente y obtén:

- **Decisión clínica** con probabilidad estimada de riesgo
- **Gráfico SHAP waterfall** que explica qué variables aumentaron o redujeron
  el riesgo en esa predicción concreta
- **Threshold dinámico** ajustable entre 0.10 y 0.90 según el contexto asistencial

---

## Modelo

| Parámetro | Valor |
|---|---|
| Algoritmo | LightGBM (gradient boosting) |
| Dataset | BRFSS 2015 (CDC) — 257.709 observaciones |
| Variables de entrada | 22 variables clínicas y demográficas |
| ROC-AUC (CV media, 5 folds) | **0.839** |
| PRC-AUC (CV media, 5 folds) | **0.391** |
| Recall (test, threshold=0.4733) | **0.813** |
| Precision (test, threshold=0.4733) | 0.256 |
| Threshold por defecto | 0.4733 (F2-score óptimo en validación) |

> El threshold de 0.4733 maximiza el F2-score (β=2) priorizando el recall sobre
> la precisión. En cribado clínico un falso negativo — diabetes no detectada —
> tiene un coste sanitario estimado de ~2.817€/paciente/año, frente a ~30€
> de una prueba HbA1c innecesaria.

---

## Interpretabilidad

El modelo incluye análisis **SHAP** (SHapley Additive exPlanations) que permite
explicar en tiempo real qué variables impulsaron o redujeron el riesgo en cada
predicción individual. Las variables con mayor influencia global identificadas:

| Variable | Interpretación clínica |
|---|---|
| `_VEGESUM` | Consumo diario de verduras |
| `_FRUTSUM` | Consumo diario de frutas |
| `_AGEG5YR` | Grupo de edad |
| `EXEROFT1` | Frecuencia de ejercicio semanal |
| `GENHLTH` | Estado general de salud autorreportado |
| `_BMI5CAT` | Categoría de IMC |

> **Nota sobre la escala SHAP:** los valores del gráfico waterfall están en escala
> log-odds, no en probabilidades directas. E[f(X)] es la predicción media del modelo;
> f(x) es la predicción para el paciente concreto introducido en el formulario.

---

## Umbral de decisión dinámico

El formulario incluye un **slider de threshold** (0.10–0.90) que permite al
profesional sanitario ajustar la sensibilidad del modelo según la capacidad
asistencial disponible:

| Rango | Efecto |
|---|---|
| Threshold bajo (0.10–0.30) | Recall muy alto, más falsos positivos — útil en campañas de cribado masivo |
| Threshold medio (0.40–0.50) | Equilibrio detección / carga asistencial — **recomendado** |
| Threshold alto (0.70–0.90) | Muy pocos falsos positivos, riesgo de perder casos reales |

---

## Aviso

> ⚠️ Esta herramienta es un **apoyo al cribado**, no un diagnóstico médico.
> La decisión clínica final corresponde siempre al profesional sanitario.
> El modelo fue entrenado sobre población estadounidense (BRFSS 2015) y puede
> no generalizar directamente a otras poblaciones sin recalibración.
> El uso de esta herramienta no implica endorsement por parte del CDC,
> HHS ni del Gobierno de los Estados Unidos.

---

## Licencia

El **código** de esta demo está bajo licencia **MIT**.

Los **datos** de entrenamiento provienen del BRFSS 2015, un conjunto de datos
de dominio público producido por el CDC (Centers for Disease Control and Prevention),
Gobierno Federal de EE.UU. — no sujeto a copyright bajo 17 U.S.C. § 105.
Uso del dataset conforme a los términos del CDC: atribución requerida,
sin implicación de endorsement por parte del CDC o del Gobierno de EE.UU.

**Fuente:** Centers for Disease Control and Prevention (CDC).
Behavioral Risk Factor Surveillance System Survey Data. Atlanta, Georgia:
U.S. Department of Health and Human Services, Centers for Disease Control
and Prevention, 2015.

---

## Autor

**Jesús Rodríguez Fernández** — Data Scientist  
🔗 [LinkedIn](https://linkedin.com/in/jesus-rf) · [GitHub](https://github.com/Jesusrodriguezf90) · [HF Profile](https://huggingface.co/Jesusrodriguezf90)