Modelo de clasificación del estado de vacunación infantil en el primer año de vida en la jurisdicción de una Dirección de Redes Integradas de Salud de Lima Metropolitana utilizando técnicas de Machine Learning

La cobertura de vacunación infantil en el Perú presenta importantes retos para el sistema de salud pública, especialmente en Lima Metropolitana, donde se presentan brechas significativas en el cumplimiento del esquema de inmunización en el primer año de vida. El presente trabajo de investigación tuvo como objetivo desarrollar un modelo de clasificación del estado de vacunación infantil en el primer año de vida en la jurisdicción de una Dirección de Redes Integradas de Salud de Lima Metropolitana utilizando técnicas de machine learning. Para ello, se emplearon datos provenientes de los sistemas HISMINSA y del Padrón Nominal, aplicando procesos de preprocesamiento, selección de características y entrenamiento de modelos supervisados tales como Logistic Regression, K-Nearest Neighbors (KNN), Decision Tree, Random Forest, AdaBoost, XGBoost y Bagging, incorporando el ajuste de hiperparámetros y validación cruzada para evaluar la estabilidad del modelo. Como resultado, el modelo XGBoost combinado con el conjunto de características obtenidas por LightGBM, alcanzó el mejor desempeño con un accuracy de 74%, precision de 75%, recall de 97%, F1-score de 85% y AUC de 66%. Este estudio aporta una base sólida para la integración de herramientas de analítica avanzada en la gestión de programas de inmunización y en la toma de decisiones.