Detección de anemia infantil y sus factores asociados en el Perú, mediante XGBoost interpretado con SHAP: ENDES 2023

Abstract

La investigación desarrolla un modelo predictivo de anemia infantil en niños peruanos menores de tres años mediante la técnica de Extreme Gradient Boosting (XGBoost), complementado con la interpretación de Shapley Additive Explanations (SHAP), a fin de identificar factores de riesgo asociados a esta condición. Para ello se utilizaron los datos de la Encuesta Demográfica y de Salud Familiar (ENDES) 2023, considerando la alta prevalencia nacional de anemia (≈43,1%). El modelo XGBoost alcanzó un desempeño de predicción moderado (AUC-ROC: 0.687) y, gracias al análisis interpretativo con SHAP, fue posible identificar y cuantificar la influencia de determinantes críticos como la edad del niño, el índice de riqueza y la edad de la madre. Los hallazgos permiten concluir que la combinación XGBoost+SHAP constituye una herramienta eficaz y transparente tanto para la detección temprana de la anemia infantil como para la comprensión de sus factores asociados, aportando evidencia útil para diseñar intervenciones de salud pública más focalizadas.