De los datos a la predicción: análisis estadístico y modelos predictivos con IA
Julius AI, Manus, ChatGPT, Microsoft Copilot Analyst
Contexto
Utilizarás una base de datos clínica o asistencial con una variable de resultado. La IA hará exploración, análisis descriptivo, comparaciones entre grupos, un modelo predictivo básico y, si los datos lo permiten, una segmentación mediante clustering. A diferencia del ejercicio de los tres agentes (centrado en comparar plataformas), aquí el foco es el proceso estadístico y predictivo, y revisar críticamente las decisiones que toma la IA.
Objetivo
Utilizar IA para pasar del análisis descriptivo a la identificación de factores asociados, modelos predictivos y segmentación de pacientes.
Herramientas
Julius AI
Agente de análisis
Estadística y gráficos con código visible.
Manus
Agente autónomo
Ejecuta el análisis completo y entrega un informe.
ChatGPT
OpenAI
Análisis de datos con Python.
Microsoft Copilot Analyst
Microsoft 365
Agente de análisis dentro del entorno corporativo.
Instrucciones
- 1Elige una base de datos simulada o anonimizada con una variable de resultado (por ejemplo, reingreso o complicación).
- 2Abre uno de los agentes propuestos y adjunta el archivo.
- 3Pega el prompt y revisa qué outcome ha elegido y por qué.
- 4Comprueba que las pruebas estadísticas elegidas son adecuadas y que se explican sus supuestos.
- 5Evalúa el rendimiento del modelo y la interpretación de los clusters.
Prompt del ejercicio
Actúa como un analista de datos sanitarios y bioestadístico. Analiza el archivo adjunto y realiza un análisis avanzado orientado a explicar y predecir la variable de resultado principal. Si existe una variable binaria clínicamente relevante, como: - mortalidad - ingreso - reingreso - reconsulta - complicación - respuesta al tratamiento utilízala como outcome principal. Si existen varias variables candidatas, identifica las opciones y selecciona la más adecuada para el ejercicio, explicando la elección. 1. EXPLORACIÓN DEL DATASET Identifica: - número de registros - número de variables - tipo de cada variable - valores perdidos - duplicados - posibles errores - valores extremos 2. ANÁLISIS DESCRIPTIVO Para variables cuantitativas utiliza: - media y desviación estándar cuando sea apropiado - mediana y rango intercuartílico cuando la distribución lo aconseje Para variables cualitativas: - frecuencia - porcentaje Genera una tabla descriptiva global. 3. COMPARACIÓN SEGÚN EL OUTCOME Compara las variables relevantes entre los grupos definidos por el outcome. Selecciona para cada variable la prueba estadística más apropiada. Puedes utilizar, cuando corresponda: - t de Student - Mann-Whitney - chi-cuadrado - test exacto de Fisher - ANOVA - Kruskal-Wallis Para cada comparación indica: - prueba utilizada - motivo de elección - resultado - valor p - interpretación 4. CORRELACIONES Analiza las asociaciones entre variables cuantitativas relevantes. Selecciona Pearson o Spearman según corresponda. Representa visualmente las correlaciones cuando sea útil. 5. MODELO PREDICTIVO Si el outcome es binario: construye inicialmente una regresión logística. Selecciona las variables de forma razonada. Muestra: - odds ratio - intervalo de confianza del 95 % - valor p Evalúa el rendimiento mediante: - AUC-ROC - sensibilidad - especificidad - accuracy - matriz de confusión Si los datos lo permiten, compara el modelo con un algoritmo de machine learning como: - Random Forest - Gradient Boosting - otro algoritmo justificable No utilices modelos complejos si el tamaño muestral no lo permite. 6. IMPORTANCIA DE VARIABLES Identifica qué variables contribuyen más al modelo. Representa gráficamente su importancia cuando sea posible. 7. SEGMENTACIÓN Si el dataset lo permite: crea entre 3 y 4 clusters. Describe cada cluster en términos clínicos o asistenciales. Incluye: - tamaño - variables características - posible interpretación Representa los clusters gráficamente. 8. VISUALIZACIONES Genera únicamente gráficos que aporten información relevante. Prioriza: - distribución de variables - comparación entre grupos - correlaciones - curva ROC - importancia de variables - clusters 9. INFORME FINAL Entrega: - resumen ejecutivo - tabla descriptiva - análisis bivariado - modelo multivariable - rendimiento predictivo - segmentación - gráficos principales - interpretación clínica - limitaciones metodológicas 10. TRANSPARENCIA Explica siempre: - qué prueba estadística has utilizado - por qué la has seleccionado - qué supuestos requiere - qué limitaciones tiene No interpretes asociación como causalidad. Diferencia claramente análisis exploratorio, inferencia estadística y predicción.
Producto esperado
Un informe con resumen ejecutivo, tabla descriptiva, análisis bivariado, modelo multivariable (OR, IC 95 %, valor p), rendimiento predictivo (AUC-ROC, sensibilidad, especificidad, matriz de confusión), importancia de variables, segmentación, gráficos principales, interpretación clínica y limitaciones metodológicas.
Preguntas de reflexión
- ¿Podrías utilizar directamente este modelo para tomar decisiones clínicas? Identifica al menos tres aspectos que deberían validarse antes de hacerlo.