Análisis de la detección de outliers en datos clínicos mediante Local Outlier Factor e Isolation Forest

• Autores: Cuadrado Estrebou, María Fernanda; Foglino, Alejandro Luis; Peña, María Teresa
• Año de publicación: 2025
• Idioma: español castellano
• Tipo de recurso: documento de conferencia
• Materia: Ciencias Informáticas; Outliers; Local Outlier Factor; Isolation Forest; t‑SNE; UMAP
• Institución: Universidad Nacional de La Plata

La detección de outliers en datos clínicos es esencial para garantizar la calidad de la información y reducir riesgos en los procesos analíticos. En este contexto, a partir de abril de 2025, se inició la presente investigación con el objetivo de evaluar el desempeño de dos algoritmos no supervisados: Local Outlier Factor (LOF)[1] e Isolation Forest (IF)[2], aplicados sobre 16.005 registros clínicos que incluyen variables antropométricas y metabólicas. Se realizaron dos iteraciones con diferentes niveles de contaminación (10 % y 5 %), complementadas con visualizaciones multidimensionales mediante t-SNE y UMAP. Los resultados evidencian una coincidencia del 54,6 % entre ambos algoritmos, destacando su complementariedad: LOF identifica anomalías locales dependientes de la densidad, mientras que IF detecta patrones globales. El uso combinado de ambos métodos demuestra ser una herramienta robusta para la identificación temprana de casos atípicos y posibles errores de registro. Esta investigación aporta evidencia empírica sobre la importancia de integrar diferentes enfoques de detección de anomalías en entornos clínicos, reforzando la necesidad de validación clínica de los casos detectados y proponiendo continuar con la investigación orientada a la integración de modelos híbridos y análisis longitudinales.
Red de Universidades con Carreras en Informática