MODELO DE DINÁMICA DE SISTEMAS PARA LA CARACTERIZACIÓN FUNCIONAL DE PERSONAS CON DISCAPACIDAD INTEGRANDO EL MARCO BIOPSICOSOCIAL DE LA CIF Y TÉCNICAS DE INTELIGENCIA ARTIFICIAL

Sistema de clasificación computacional de discapacidad basado en la Clasificación Internacional del Funcionamiento, de la Discapacidad y de la Salud (CIF) de la Organización Mundial de la Salud (OMS).

Objetivo General

Predecir la categoría de discapacidad y el nivel de apoyo mediante un modelo de dinámica de sistemas integrado para la caracterización funcional de personas con discapacidad, basado en los calificadores del marco biopsicosocial de la Clasificación Internacional del Funcionamiento, de la Discapacidad y de la Salud (CIF).

Objetivos Específicos

El objetivo general se pretende alcanzar cuando se desarrollen los siguientes objetivos específicos:

Construir y caracterizar un conjunto de datos representativo de perfiles funcionales de personas con discapacidad, estructurado a partir de los calificadores estandarizados de los cuatro componentes de la CIF (funciones corporales, estructuras corporales, actividades y participación, y factores ambientales), que sirva como base para el entrenamiento y evaluación de los modelos predictivos.
Comprender las relaciones dinámicas entre los componentes del marco biopsicosocial de la CIF mediante técnicas de dinámica de sistemas, identificando las interacciones entre funciones corporales, limitaciones en la actividad, restricciones en la participación y factores ambientales que determinan el perfil funcional y la categoría de discapacidad de un individuo.
Valorar comparativamente múltiples algoritmos de aprendizaje automático para la clasificación de categorías de discapacidad y niveles de apoyo requerido.
Identificar y cuantificar las variables del marco CIF con mayor poder predictivo en la determinación de la categoría de discapacidad y el nivel de apoyo, contribuyendo a la determinación de los factores biopsicosociales en la clasificación funcional.

Descripción del Problema

Contexto

La evaluación de la discapacidad es un proceso complejo que requiere considerar múltiples dimensiones del funcionamiento humano. Tradicionalmente, esta evaluación se realiza de manera manual por equipos multidisciplinarios, lo que puede ser:

Subjetivo: Dependiente del criterio del evaluador
Inconsistente: Variabilidad entre evaluadores
Costoso: Requiere tiempo y recursos especializados
Limitado: Difícil de escalar a grandes poblaciones

Objetivo

Desarrollar un sistema de clasificación computacional que permita:

Predecir la categoría de discapacidad de una persona basándose en sus calificadores CIF
Determinar el nivel de apoyo requerido según el perfil funcional
Proporcionar una herramienta objetiva de apoyo a la decisión clínica

Aplicaciones Potenciales

Área	Aplicación
Clínica	Apoyo al diagnóstico y planificación de intervenciones
Administrativa	Asignación de recursos y servicios de rehabilitación
Investigación	Análisis de patrones en poblaciones con discapacidad
Políticas públicas	Planificación de servicios y detección de necesidades

Marco Teórico: La CIF

La Clasificación Internacional del Funcionamiento, de la Discapacidad y de la Salud (CIF) es el marco conceptual de la OMS para describir y medir la salud y la discapacidad.

Componentes de la CIF

┌─────────────────────────────────────────────────────────────────────────┐
│                        CLASIFICACIÓN CIF                                │
├─────────────────────────────────────────────────────────────────────────┤
│                                                                         │
│  ┌─────────────────────────┐    ┌─────────────────────────────────┐    │
│  │   FUNCIONES CORPORALES  │    │     ESTRUCTURAS CORPORALES      │    │
│  │         (b1-b8)         │    │           (s1-s8)               │    │
│  ├─────────────────────────┤    ├─────────────────────────────────┤    │
│  │ b1: Mentales            │    │ s1: Sistema nervioso            │    │
│  │ b2: Sensoriales/dolor   │    │ s2: Ojo, oído y relacionadas    │    │
│  │ b3: Voz y habla         │    │ s3: Voz y habla                 │    │
│  │ b4: Cardiovascular      │    │ s4: Cardiovascular/respiratorio │    │
│  │ b5: Digestivo/endocrino │    │ s5: Digestivo/endocrino         │    │
│  │ b6: Genitourinarias     │    │ s6: Genitourinario              │    │
│  │ b7: Neuromusculares     │    │ s7: Movimiento                  │    │
│  │ b8: Piel                │    │ s8: Piel                        │    │
│  └─────────────────────────┘    └─────────────────────────────────┘    │
│                                                                         │
│  ┌─────────────────────────┐    ┌─────────────────────────────────┐    │
│  │ ACTIVIDADES/PARTICIPACIÓN│   │    FACTORES AMBIENTALES         │    │
│  │         (d1-d9)         │    │           (e1-e5)               │    │
│  ├─────────────────────────┤    ├─────────────────────────────────┤    │
│  │ d1: Aprendizaje         │    │ e1: Productos y tecnología      │    │
│  │ d2: Tareas generales    │    │ e2: Entorno natural             │    │
│  │ d3: Comunicación        │    │ e3: Apoyo y relaciones          │    │
│  │ d4: Movilidad           │    │ e4: Actitudes                   │    │
│  │ d5: Autocuidado         │    │ e5: Servicios y políticas       │    │
│  │ d6: Vida doméstica      │    │                                 │    │
│  │ d7: Relaciones          │    │                                 │    │
│  │ d8: Áreas principales   │    │                                 │    │
│  │ d9: Vida comunitaria    │    │                                 │    │
│  └─────────────────────────┘    └─────────────────────────────────┘    │
│                                                                         │
└─────────────────────────────────────────────────────────────────────────┘

Sistema de Calificadores CIF

Calificador	Descripción	Porcentaje de Afectación
0	Sin problema	0-4%
1	Problema leve	5-24%
2	Problema moderado	25-49%
3	Problema grave	50-95%
4	Problema completo	96-100%

Factores Ambientales (escala especial)

Valor	Significado
-4 a -1	Barrera (completa a leve)
0	Ni barrera ni facilitador
+1 a +4	Facilitador (leve a completo)

Dataset

Descripción

Dataset simulado de 100 personas con discapacidad generado siguiendo la estructura de la CIF.

Características del Dataset

Característica	Valor
Total de registros	100
Total de columnas	71
Features numéricas	32

Variables del Dataset

Datos Demográficos (7 columnas)

id: Identificador único
nombre_completo: Nombre simulado
edad: Edad (5-85 años)
sexo: Masculino/Femenino
tipo_discapacidad: 22 tipos diferentes
etiologia: Origen de la discapacidad
fecha_evaluacion: Fecha de evaluación

Funciones Corporales (16 columnas: 8 calificadores + 8 descripciones)

b1_funciones_mentales
b2_funciones_sensoriales_dolor
b3_funciones_voz_habla
b4_funciones_cardiovascular_respiratorio
b5_funciones_digestivo_metabolico_endocrino
b6_funciones_genitourinarias_reproductivas
b7_funciones_neuromusculoesqueleticas_movimiento
b8_funciones_piel

Estructuras Corporales (16 columnas)

s1_estructura_sistema_nervioso
s2_ojo_oido_estructuras_relacionadas
s3_estructuras_voz_habla
s4_estructura_cardiovascular_respiratorio
s5_estructuras_digestivo_metabolico_endocrino
s6_estructuras_genitourinario_reproductivo
s7_estructuras_movimiento
s8_piel_estructuras_relacionadas

Actividades y Participación (18 columnas)

d1_aprendizaje_aplicacion_conocimiento
d2_tareas_demandas_generales
d3_comunicacion
d4_movilidad
d5_autocuidado
d6_vida_domestica
d7_interacciones_relaciones_interpersonales
d8_areas_principales_vida
d9_vida_comunitaria_social_civica

Factores Ambientales (10 columnas)

e1_productos_tecnologia
e2_entorno_natural_cambios_humanos
e3_apoyo_relaciones
e4_actitudes
e5_servicios_sistemas_politicas

Índices Calculados (4 columnas)

indice_severidad_funcional: Promedio de calificadores de funciones corporales
indice_limitacion_actividades: Promedio de calificadores de actividades
indice_global_discapacidad: Promedio general
nivel_apoyo_requerido: Mínimo, Intermitente, Limitado, Extenso

Problemas de Clasificación

Problema 1: Clasificación de Categoría de Discapacidad

Objetivo: Predecir la categoría general de discapacidad basándose en los calificadores CIF.

                    ┌─────────────────────────────────────┐
                    │   CATEGORÍAS DE DISCAPACIDAD        │
                    ├─────────────────────────────────────┤
                    │  • Física (24%)                     │
                    │  • Visual (19%)                     │
                    │  • Auditiva (12%)                   │
                    │  • Psicosocial (12%)                │
                    │  • Intelectual (10%)                │
                    │  • TEA (8%)                         │
                    │  • Enfermedad Rara (7%)             │
                    │  • Neurodegenerativa (5%)           │
                    │  • Múltiple (3%)                    │
                    └─────────────────────────────────────┘

Tipo de problema: Clasificación multiclase (9 clases)

Desafíos:

Clases desbalanceadas
Superposición de características entre categorías
Patrones complejos de interacción entre funciones

Problema 2: Clasificación de Nivel de Apoyo Requerido

Objetivo: Predecir el nivel de apoyo necesario para la persona.

┌────────────────┬─────────────────────────────────────────────────────┐
│ Nivel          │ Descripción                                         │
├────────────────┼─────────────────────────────────────────────────────┤
│ Mínimo         │ Apoyo ocasional, independencia casi total           │
│ Intermitente   │ Apoyo en situaciones específicas                    │
│ Limitado       │ Apoyo regular en áreas específicas                  │
│ Extenso        │ Apoyo continuo en múltiples áreas                   │
└────────────────┴─────────────────────────────────────────────────────┘

Tipo de problema: Clasificación multiclase ordinal (4 clases)

Metodología

Pipeline de Procesamiento

┌─────────────┐    ┌─────────────┐    ┌─────────────┐    ┌─────────────┐
│   CARGAR    │───▶│  PREPARAR   │───▶│  ESCALAR    │───▶│  ENTRENAR   │
│   DATOS     │    │  FEATURES   │    │  DATOS      │    │  MODELOS    │
└─────────────┘    └─────────────┘    └─────────────┘    └─────────────┘
                                                                │
┌─────────────┐    ┌─────────────┐    ┌─────────────┐           │
│   GUARDAR   │◀───│  GENERAR    │◀───│  EVALUAR    │◀──────────┘
│   MODELOS   │    │  REPORTES   │    │  MÉTRICAS   │
└─────────────┘    └─────────────┘    └─────────────┘

Features Utilizadas (32 variables)

Grupo	Cantidad	Escala
Funciones corporales	8	0-4
Estructuras corporales	8	0-4
Actividades y participación	9	0-4
Factores ambientales	5	-4 a +4
Edad	1	Numérica
Sexo	1	Binaria

Modelos Evaluados

Modelo	Descripción
Logistic Regression	Modelo lineal multiclase
Random Forest	Ensemble de árboles de decisión
Gradient Boosting	Boosting con árboles
SVM (RBF)	Máquinas de vectores de soporte
K-Nearest Neighbors	Clasificación por vecinos cercanos
Decision Tree	Árbol de decisión simple
Neural Network (MLP)	Perceptrón multicapa

Métricas de Evaluación

Accuracy: Proporción de predicciones correctas
F1-Score (weighted): Media armónica de precisión y recall
Precision: Verdaderos positivos / Predichos positivos
Recall: Verdaderos positivos / Total positivos reales
Cross-Validation (5-fold): Validación cruzada estratificada

Resultados

Problema 1: Categoría de Discapacidad

Modelo	Accuracy	F1-Score	CV F1 (5-fold)
K-Nearest Neighbors	0.700	0.647	0.447 ± 0.061
Random Forest	0.650	0.572	0.470 ± 0.041
Neural Network (MLP)	0.650	0.566	0.421 ± 0.008
Logistic Regression	0.550	0.474	0.505 ± 0.009
SVM (RBF)	0.550	0.440	0.362 ± 0.003
Gradient Boosting	0.500	0.491	0.262 ± 0.024
Decision Tree	0.350	0.321	0.350 ± 0.000

Mejor modelo: K-Nearest Neighbors (F1: 0.647)

Problema 2: Nivel de Apoyo Requerido

Modelo	Accuracy	F1-Score	CV F1
Todos los modelos	0.900	0.853	0.889

Nota: El alto rendimiento se debe al desbalance extremo de clases (92% Intermitente).

Visualización de Resultados

Instalación y Uso

Requisitos

Python >= 3.8
pandas >= 1.3.0
numpy >= 1.21.0
scikit-learn >= 1.0.0
matplotlib >= 3.4.0

Instalación

# Clonar repositorio
git clone https://github.com/usuario/ICF_COMPUTATIONAL_CLASSIFIER.git
cd ICF_COMPUTATIONAL_CLASSIFIER

# Instalar dependencias
pip install pandas numpy scikit-learn matplotlib

Uso

1. Generar Dataset

python generate_cif_dataset.py

2. Entrenar Clasificador

python clasificador_discapacidad_cif.py

3. Usar Modelo Entrenado

import pickle
import pandas as pd

# Cargar modelo
with open('modelo_categoria_k-nearest_neighbors.pkl', 'rb') as f:
    modelo_data = pickle.load(f)

modelo = modelo_data['modelo']
scaler = modelo_data['scaler']
label_encoder = modelo_data['label_encoder']

# Preparar nuevos datos
nuevos_datos = pd.DataFrame({...})  # 32 features
nuevos_datos_scaled = scaler.transform(nuevos_datos)

# Predecir
prediccion = modelo.predict(nuevos_datos_scaled)
categoria = label_encoder.inverse_transform(prediccion)
print(f"Categoría predicha: {categoria}")

Estructura del Proyecto

ICF_COMPUTATIONAL_CLASSIFIER/
│
├── README.md                              # Este archivo
├── generate_cif_dataset.py                # Generador de dataset simulado
├── clasificador_discapacidad_cif.py       # Pipeline de clasificación
│
├── dataset_cif_discapacidad_100.csv       # Dataset generado
├── reporte_clasificador_cif.json          # Reporte de resultados
│
├── modelo_categoria_*.pkl                 # Modelo entrenado (categoría)
├── modelo_apoyo_*.pkl                     # Modelo entrenado (apoyo)
│
├── visualizacion_cif_dataset.png          # Visualización del dataset
├── visualizacion_cif_dataset_2.png        # Análisis por categorías
├── visualizacion_cif_dataset_3.png        # Análisis avanzado
└── resultados_clasificador_cif.png        # Resultados del clasificador

Limitaciones y Trabajo Futuro

Limitaciones Actuales

Dataset pequeño: 100 muestras limitan la generalización
Datos simulados: No capturan toda la complejidad real
Clases desbalanceadas: Especialmente en nivel de apoyo
Features simplificadas: Solo calificadores numéricos

Trabajo Futuro

Aumentar tamaño del dataset (>1000 muestras)
Incorporar datos clínicos reales
Implementar técnicas de balanceo (SMOTE, undersampling)
Explorar deep learning para patrones complejos
Desarrollar API REST para integración
Crear interfaz web interactiva
Validación con expertos clínicos

Referencias

OMS (2001). Clasificación Internacional del Funcionamiento, de la Discapacidad y de la Salud (CIF). Organización Mundial de la Salud.
Stucki, G., et al. (2002). Value and application of the ICF in rehabilitation medicine. Disability and Rehabilitation.
Cieza, A., et al. (2004). ICF Core Sets for chronic conditions. Journal of Rehabilitation Medicine.
Scikit-learn Documentation. https://scikit-learn.org/stable/

Licencia

Este proyecto está bajo la Licencia MIT.

Contacto

Para preguntas o contribuciones, por favor abrir un issue en el repositorio.

Name		Name	Last commit message	Last commit date
Latest commit History 3 Commits
README.md		README.md
clasificador_discapacidad_cif.py		clasificador_discapacidad_cif.py
dataset_cif_discapacidad_100.csv		dataset_cif_discapacidad_100.csv
generate_cif_dataset.py		generate_cif_dataset.py
intro.md		intro.md
introduccion.md		introduccion.md
modelo_apoyo_logistic_regression.pkl		modelo_apoyo_logistic_regression.pkl
modelo_categoria_k-nearest_neighbors.pkl		modelo_categoria_k-nearest_neighbors.pkl
paper_icf_classifier.tex		paper_icf_classifier.tex
paper_icf_classifier_es.tex		paper_icf_classifier_es.tex
reporte_clasificador_cif.json		reporte_clasificador_cif.json
resultados_clasificador_cif.png		resultados_clasificador_cif.png
visualizacion_cif_dataset.png		visualizacion_cif_dataset.png
visualizacion_cif_dataset_2.png		visualizacion_cif_dataset_2.png
visualizacion_cif_dataset_3.png		visualizacion_cif_dataset_3.png

danielrincon302/ICF_COMPUTATIONAL_CLASSIFIER

Folders and files

Latest commit

History

Repository files navigation