[ES]El trabajo se centra en la implementaci?n y aplicaci?n de los algoritmos bagging y random forest para predecir enfermedades cardiovasculares. El objetivo principal fue desarrollar una aplicaci?n web utilizando RStudio, integrando t?cnicas estad?sticas para ayudar en la toma de decisiones cl?nicas. El proyecto detalla los pasos de preprocesamiento de datos y elabora el proceso de desarrollo de software utilizando R y Shiny. Inicialmente, se elegi? una base de datos de enfermedades cardiovasculares por su relevancia cl?nica y calidad de datos. El conjunto de datos se dividi? en subconjuntos de entrenamiento, testeo y predicci?n para facilitar el desarrollo y validaci?n del modelo. El n?cleo del trabajo se centra en la aplicaci?n de los algoritmos bagging y random forest. Bagging, o bootstrap aggregating, implica generar m?ltiples versiones de un predictor y usar estos para obtener un resultado agregado. Random Forest, una extensi?n de bagging, construye una multitud de ?rboles de decisi?n y combina sus resultados para mejorar la precisi?n predictiva. Estos m?todos se implementaron en R, con su rendimiento evaluado en los datos de enfermedades cardiovasculares. Los resultados mostraron el potencial de estas t?cnicas en entornos cl?nicos. El trabajo tambi?n aborda la creaci?n de una aplicaci?n web interactiva utilizando Shiny, que permite a los usuarios cargar datos, especificar divisiones de entrenamiento y testeo, y visualizar los resultados de las predicciones. Esta aplicaci?n sirve como una herramienta pr?ctica para los sanitarios, mejorando su capacidad para diagnosticar condiciones cardiovasculares con precisi?n. En conclusi?n, el trabajo cumple sus objetivos al proporcionar una aplicaci?n web funcional que aprovecha m?todos estad?sticos avanzados para ayudar en el diagn?stico de enfermedades cardiovasculares. La integraci?n de los algoritmos bagging y random forest en una interfaz f?cil de usar ejemplifica la aplicaci?n pr?ctica de la ciencia de datos en la atenci?n m?dica, ofreciendo un recurso valioso para los profesionales m?dicos.

[EN]The work focuses on the implementation and application of bagging and random forest algorithms to predict cardiovascular diseases. The main objective was to develop a web app using RStudio, integrating statistical techniques to aid in clinical decision-making. The project details the steps of data preprocessing and elaborates on the software development process using R and Shiny. Initially, a cardiovascular disease database was chosen for its clinical relevance and data quality. The dataset was divided into training, testing, and prediction subsets to facilitate the model development and validation. The core of the work centers on the application of the bagging and random forest algorithms. Bagging, or bootstrap aggregating, involves generating multiple versions of a predictor and using these to obtain an aggregated result. Random Forest, an extension of bagging, builds a multitude decision trees and combines their results to improve predictive accuracy. These methods were implemented in R, with their performance evaluated on cardiovascular disease data. The results demonstrated the potential of these techniques in clinical settings. The work also addresses the creation of an interactive web app using Shiny, allowing users to upload data, specify training and testing splits, and visualize prediction results. This app serves as a practical tool for healthcare providers, enhancing their ability to accurately diagnose cardiovascular conditions. In conclusion, the work meets its objectives by providing a functional web app that leverages advanced statistical methods to aid in the diagnosis of cardiovascular diseases. The integration of bagging and random forest algorithms into an easy-to-use interface exemplifies the practical application of data science in healthcare, offering a valuable resource for medical professionals.

Trabajo de fin de Grado. Grado en Estad?stica. Curso acad?mico 2023-2024.