Jesusrodriguezf90/brfss2015-diabetes-detection

BRFSS 2015 — Detección temprana de riesgo de diabetes

Dataset preprocesado derivado del Behavioral Risk Factor Surveillance System (BRFSS) 2015 del CDC (Centers for Disease Control and Prevention, EE.UU.), utilizado para entrenar el modelo de detección temprana de riesgo de diabetes del TFM en el Máster en Data Science de KSchool (2025–2026).

Modelo entrenado con este dataset: lgbm-diabetes-early-detection
Demo interactiva: diabetes-risk-demo — HF Spaces
Repositorio: TFM — GitHub

---

Descripción

El BRFSS es el sistema de encuestas telefónicas de salud más grande del mundo, con más de 400.000 entrevistas anuales a adultos estadounidenses. Este dataset es una versión preprocesada del fichero original en formato SAS .xpt, reducida a las 23 columnas relevantes para la clasificación de riesgo de diabetes.

---

Contenido del dataset

Archivo: cleaned_dataset.csv

Característica	Valor
Observaciones	257.709
Columnas totales	23 (22 variables de entrada + 1 variable objetivo)
Variable objetivo	DIABETE3 — riesgo de diabetes
Formato	CSV con cabecera
Tipos de datos	float64 — todos los valores numéricos, incluidos los enteros del codebook CDC

Variable objetivo

Valor en CSV	Significado
1.0	Riesgo de diabetes (clase positiva)
3.0	Sin riesgo de diabetes (clase negativa)

El BRFSS original incluye valores adicionales (2=solo durante embarazo, 4=prediabetes, 7=NS/NC, 9=Se negó) que fueron filtrados durante el preprocesamiento, conservando únicamente los casos con diagnóstico confirmado o negación explícita.

Distribución de clases

Clase	Observaciones	Porcentaje
Sin riesgo (3.0)	229.318	89.0%
Riesgo (1.0)	28.391	11.0%

Dataset fuertemente desbalanceado — ratio aproximado 8:1. El modelo trata el desbalance con class_weight en LightGBM.

---

Variables de entrada (22 columnas)

Convención de codificación original CDC:

• Variables binarias: 1 = Sí, 2 = No
• Valores 7 (NS/NC) y 9 (Se negó) del BRFSS original fueron sustituidos por -1 en el CSV tras el preprocesamiento. El pipeline sklearn reemplaza los -1 por NaN antes de la imputación en inferencia.

Variables binarias

Variable	Descripción
BPMEDS	Toma medicación para la tensión arterial
BLOODCHO	Se ha revisado el colesterol alguna vez
HAVARTH3	Diagnóstico de artritis / reumatismo / gota / lupus / fibromialgia
ADDEPEV2	Diagnóstico de trastorno depresivo
SMOKE100	Ha fumado más de 100 cigarrillos en su vida
SEX	Sexo (1=Masculino, 2=Femenino)
QLACTLM2	Limitación en actividades por problemas de salud
USEEQUIP	Usa equipo especial (bastón, silla de ruedas...)
BLIND	Ceguera o dificultad grave de visión
DECIDE	Dificultad para concentrarse o tomar decisiones
DIFFWALK	Dificultad para caminar o subir escaleras
DIFFALON	Dificultad para hacer recados solo
DIFFDRES	Dificultad para vestirse o bañarse

Variables nominales y ordinales

Variable	Descripción	Valores posibles
BPHIGH4	Diagnóstico de presión arterial alta	1=Sí · 2=Sí, solo embarazo · 3=No · 4=Borderline/prehipertensión
_RACE	Raza / etnia	1=Blanco · 2=Negro · 3=Indígena americano · 4=Asiático · 5=Nativo Hawái/Pacífico · 6=Otra · 7=Multirracial · 8=Hispano
GENHLTH	Estado general de salud	1=Excelente · 2=Muy bueno · 3=Bueno · 4=Regular · 5=Malo
_AGEG5YR	Grupo de edad (intervalos de 5 años)	1=18–24 · 2=25–29 · ... · 12=75–79 · 13=80 o más
_BMI5CAT	Categoría de IMC	1=Bajo peso · 2=Peso normal · 3=Sobrepeso · 4=Obesidad
_PACAT1	Categoría de actividad física	1=Muy activo · 2=Activo · 3=Insuficientemente activo · 4=Inactivo

Variables numéricas continuas

Variable	Descripción	Rango en CSV (P1–P99)
EXEROFT1	Frecuencia de ejercicio semanal (veces/semana)	0.47–14.0
_FRUTSUM	Consumo diario de frutas (porciones/día)	0.0–5.07
_VEGESUM	Consumo diario de verduras (porciones/día)	0.17–7.0

Nota sobre EXEROFT1: el BRFSS original codifica la frecuencia como 101–199 (veces/semana) y 201–299 (veces/mes). Durante el preprocesamiento (data_preprocessing.ipynb) se transformaron a una escala homogénea de veces/semana — por eso el CSV contiene valores decimales como 0.47 (≈2 veces/mes) en lugar de los códigos originales.

---

Preprocesamiento aplicado

Todo el preprocesamiento se realizó en data_preprocessing.ipynb. El CSV resultante no contiene NaN — los valores faltantes fueron tratados antes de la exportación.

1. Conversión de formato — .xpt SAS → .csv (transform_xpt_to_csv.ipynb)
2. Selección de columnas — reducción a las 23 columnas relevantes
3. Filtrado DIABETE3 — conservados solo valores 1 y 3; excluidos 2, 4, 7 y 9
4. Transformación EXEROFT1 — códigos originales (101–199 veces/semana, 201–299 veces/mes) convertidos a escala homogénea de veces/semana
5. Transformación _FRUTSUM y _VEGESUM — el BRFSS almacena estas variables como raciones×100 (enteros sin decimales); divididas entre 100 para obtener porciones reales por día
6. Eliminación de registros con NaN estructurales — registros con datos faltantes reales eliminados con dropna() antes de la imputación
7. Sustitución de valores inválidos — valores 7, 9 (NS/NC / Se negó), 14 (_AGEG5YR) y 777/999 (EXEROFT1) reemplazados por NaN y posteriormente imputados:
   • BPMEDS: imputación clínica → 2 (No), bajo la hipótesis de que sin diagnóstico de hipertensión no hay medicación
   • Variables categóricas (17 columnas): NaN → -1
   • EXEROFT1: NaN → mediana

El pipeline sklearn del modelo aplica una imputación adicional independiente durante la inferencia (moda / mediana), diseñada para tratar entradas nuevas en producción — es independiente del preprocesamiento del dataset.

---

Uso

import pandas as pd

df = pd.read_csv(
    "hf://datasets/Jesusrodriguezf90/brfss2015-diabetes-detection/cleaned_dataset.csv"
)

print(df.shape)                        # (257709, 23)
print(df["DIABETE3"].value_counts())   # 3.0: 229318 / 1.0: 28391

# Variables de entrada y variable objetivo
X = df.drop(columns=["DIABETE3"])
y = (df["DIABETE3"] == 1).astype(int)  # recodificar a 0/1 para entrenamiento

---

Limitaciones

• Datos autorreportados mediante encuesta telefónica — sujetos a sesgo de respuesta
• Población exclusivamente estadounidense adulta (≥18 años) — puede no generalizar a otras poblaciones sin recalibración
• Año de recogida: 2015 — los patrones de salud pueden haber cambiado desde entonces
• No incluye datos biométricos objetivos (glucemia, HbA1c)
• Los valores extremos en variables numéricas (>P99) son errores de entrada del cuestionario original, no valores reales

---

Fuente y atribución

Fuente original: Centers for Disease Control and Prevention (CDC).
Behavioral Risk Factor Surveillance System Survey Data.
Atlanta, Georgia: U.S. Department of Health and Human Services,
Centers for Disease Control and Prevention, 2015.
🔗 CDC BRFSS 2015

El uso de este dataset no implica endorsement por parte del CDC, HHS ni del Gobierno de los Estados Unidos.

---

Licencia

Los datos del BRFSS 2015 son producidos por el CDC (Gobierno Federal de EE.UU.) y son de dominio público bajo 17 U.S.C. § 105. El uso requiere atribución al CDC y un disclaimer de no-endorsement conforme a los términos de uso del CDC.

---

Autor del preprocesamiento

Jesús Rodríguez Fernández — Data Scientist
🔗 LinkedIn · GitHub · HF Profile