Guillén López, Antonio JesúsFernández Menéndez, JoséCamargo Orozco, Wendy Johanna2025-10-062025-10-062025https://hdl.handle.net/20.500.14352/124524Este trabajo tiene como objetivo predecir el corte total del seguro médico en pacientes con traumatismo del estado de Nueva York y analizar la contribución de variables clínicas, administrativas y demográficas en este coste. Se emplea la base de datos SPARCS (Statewide Planning and Research Cooperative System), publicada por eldepartamento de salud del estado de Nueva York a través de su portal abierto. Se siguen los pasos de la metodología CRISP-DM para abordar el problema y una vez preparados los datos se procede a la modelización para encontrar el algoritmo que se ajuste más a la situación abordada. Seleccionado el set de variables más prometedor, se modeliza el costo del seguro a través de regresión lineal, modelos de aprendizaje automático basados en árboles, SVM y redes neuronales, evaluados mediante validación cruzada repetida con las métricas de rendimiento RMSE (Root Mean Square Error) y 𝑹𝟐 (coeficiente de determinación). Los resultados evidencian que el modelo XGBoost resulta ser el que ofrece mejor desempeño y, a través de la importancia de variables, permite interpretar la influencia de diferentes variables médicas, administrativas y demográficas en el coste, aportando evidencia útil para la toma de decisiones en contextos sanitarios y particulares como en Estados Unidos.spamaster thesisopen access519.2004.6Aprendizaje automáticoValidación cruzadaPredicción de costes sanitariosSelección de variablesMachine learningEstadísticaBases de datos (Informática)1209 Estadística1209.03 Análisis de Datos