Modelado Predictivo del Envejecimiento usando Machine Learning: Cuantificación del Riesgo Multifactorial de Diabetes, Estrés y Disfunción Familiar para jóvenes y adultos en la Universidad de Cundinamarca

En la actualidad el proceso de envejecimiento cobra un valor significativo y los actuales avances de las técnicas de Machine Learning hacen que la aplicación de modelos como la regresión logística permitan diagnosticar posibles problemas en adultos mayores. Este estudio se propuso validar la eficacia de la Regresión Logística Múltiple para cuantificar el riesgo multifactorial asociado al proceso de envejecimiento, centrándose en el impacto de variables sociodemográficas y de estilo de vida sobre la probabilidad de desarrollar Diabetes, Estrés y Disfunción Familiar en jóvenes y adultos universitarios. La metodología se implementó mediante un programa en computador desarrollado en Python, donde se emplearon métricas de rendimiento como el Área Bajo la Curva (AUC) para evaluar la capacidad de discriminación del modelo, y se recurrió a los Odds Ratios (OR) para establecer la fuerza de asociación de cada predictor. Los resultados demostraron consistentemente que la Regresión Logística es una metodología de alto rendimiento (con AUC > 0.93) y clínicamente interpretable para pronosticar estas condiciones. Estos hallazgos reafirman la utilidad del Machine Learning para la detección y estratificación temprana del riesgo, proporcionando una herramienta esencial para la formulación de políticas de salud pública proactivas en el ámbito universitario.