Desarrollo de una metodología para la propuesta de un modelo predictivo de morbilidad materna extrema (MME) en mujeres embarazadas de los departamentos de Bolívar, Córdoba, Magdalena, Sucre y Atlántico afiliadas a la EPS Mutual ser ESS, mediante técnicas de machine learning.

Abstract

Este estudio propone una metodología para el desarrollo de un modelo predictivo basado en machine learning con el fin de anticipar el riesgo de Morbilidad Materna Extrema (MME) en mujeres embarazadas afiliadas a la EPS MUTUAL SER ESS en cinco departamentos del Caribe colombiano. La MME representa un desafío crítico de salud pública asociado a desigualdades territoriales y deficiencias en la atención prenatal. A partir de 88.810 registros clínicos y sociodemográficos, se aplicó una metodología integral que incluyó análisis de calidad de datos, selección de variables mediante técnicas estadísticas y algoritmos de aprendizaje automático (regresión logística y random forest), tratamiento del desbalance de clases (19:1) y validación geográfica. Se identificaron nueve variables predictoras clave, mientras que se excluyó la variable “documento” por su efecto espurio. Los resultados muestran que es posible construir modelos predictivos robustos y contextualizados que apoyen la toma de decisiones clínicas y de salud pública. Esta metodología permite transitar desde un enfoque reactivo hacia uno preventivo, alineado con los Objetivos de Desarrollo Sostenible (ODS) y la reducción de la mortalidad materna evitable.

This study proposes a methodology for developing a predictive model based on machine learning to anticipate the risk of Extreme Maternal Morbidity (EMM) in pregnant women affiliated with the EPS MUTUAL SER ESS in five departments of the Colombian Caribbean. EMM represents a critical public health challenge associated with territorial inequalities and deficiencies in prenatal care. Using a dataset of 88,810 clinical and sociodemographic records, a comprehensive methodology was applied. This included data quality analysis, variable selection through statistical techniques and machine learning algorithms (logistic regression and random forest), class imbalance treatment (19:1), and geographic validation. Nine key predictive variables were identified, while the variable “document” was excluded due to its spurious effect. The results show that it is possible to build robust and context-specific predictive models that support clinical and public health decision-making. This methodology enables a shift from a reactive to a preventive approach, aligned with the Sustainable Development Goals (SDGs) and the reduction of preventable maternal mortality.