Predicción de recaída en el proceso de abandono del tabaco: exploratorio de métodos de clasificación

Autores/as

DOI:

https://doi.org/10.22201/dgtic.26832968e.2026.18.122

Palabras clave:

Salud Pública, cesación del tabaquismo, recaída, biomarcadores, aprendizaje automático, modelos de pronóstico

Resumen

El tabaquismo es un hábito que provoca millones de muertes anualmente, y el proceso de abandono requiere de seguimiento y apoyo continuo ante sus bajas tasas de éxito. Este artículo presenta los resultados de la evaluación de cuatro métodos de clasificación para predecir el riesgo de recaída en la cesación tabáquica: Decision Tree, Random Forest, k-NN (k-Nearest Neighbors) y Naive Bayes. Para ello se consideraron cinco características clave: edad, género, autoinforme, grado de dependencia a la nicotina (Test de Fagerström) y nivel de cotinina en saliva. El entrenamiento consideró una muestra de 100 registros (complementada mediante técnicas de robustecimiento sintético), evaluándose mediante validación cruzada (k = 10) y utilizando las métricas Accuracy, Precision, Recall y F1-Score. Los resultados muestan que Random Forest se establecer como el modelo óptimo al alcanzar el mejor rendimiento global (99% de precisión), seguido de cerca por Decision Tree, obtienen los mejores rendimientos globales. Finalmente, se destaca la necesidad de ampliar los cohortes en futuros trabajos para consolidar la robustez clínica del modelo.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Arturo González Castillo, Instituto Tecnológico Superior de Xalapa, Maestría en Sistemas Computacionales, Xalapa, Veracruz, México.

Licenciado en Informática, Especialista en Ingeniería de Software y Maestrante en Sistemas Computacionales. Profesor por asignatura en la Universidad Veracruzana, Facultad de Contabilidad y Administración/ Licenciatura en Sistemas Computacionales Administrativos y en el Instituto Tecnológico Superior de Xalapa, Ingeniería en Sistemas Computacionales. Desarrollador de Software en el sector privado.

María Angélica Cerdán, Instituto Tecnológico Superior de Xalapa, Maestría en Sistemas Computacionales, Xalapa, Veracruz, México.

Maestra en Ciencias de la Computación, profesora de tiempo completo del Instituto Tecnológico Superior de Xalapa, Profesor de Perfil Deseable- PRODEP, miembro del núcleo académico básico de la Maestría en Sistemas Computacionales programa del Sistema Nacional de Posgrados, miembro del cuerpo académico ITESXAL-CA-2 Aplicaciones de alta eficiencia en cómputo en la nube. Profesora por asignatura en la Facultad de Estadística e Informática en la Licenciatura en Ingeniería de Software de la Universidad Veracruzana.

Ángel Juan Sánchez García, Universidad Veracruzana, Facultad de Estadística e Informática, Licenciatura en Ingeniería de Software, Xalapa, Veracruz, México.

Doctor en Inteligencia Artificial, profesor de tiempo completo Titular C de la Universidad Veracruzana, Profesor de Perfil Deseable- PRODEP, con pertenencia al Sistema Nacional de Investigadores – Nivel 1- Área VIII. Responsable del Cuerpo Académico UV-127 Ingeniería y Tecnología de Software.

Citas

[1] World Health Organization, «WHO global report on trends in prevalence of tobacco use 2000–2024 and projections 2025–2030», World Health Organization, Geneva, 2025. Accedido: 9 de octubre de 2026. [En línea]. Disponible en: https://iris.who.int/server/api/core/bitstreams/2eca3aea-b772-4272-a2ae-6fa26f3f9cd5/content

[2] «Día Mundial Sin Tabaco 2024 - OPS/OMS | Organización Panamericana de la Salud». Accedido: 9 de octubre de 2026. [En línea]. Disponible en: https://www.paho.org/es/campanas/dia-mundial-sin-tabaco-2024

[3] Instituto Nacional de Salud Pública, «ENCUESTA GLOBAL DE TABAQUISMO EN ADULTOS, MÉXICO 2023», Cuernavaca, Morelos, 2023.

[4] C. N. Onwuzo et al., «A Review of Smoking Cessation Interventions: Efficacy, Strategies for Implementation, and Future Directions», Cureus, vol. 16, n.o 1, p. e52102, ene. 2024, doi: 10.7759/cureus.52102.

[5] I. G. Fernández Arias y J. Sanz, «Cuanta más psicología, mejor: eficacia para dejar de fumar de la terapia cognitiva conductual intensiva y de los parches de nicotina combinados con terapia cognitiva conductual intensiva y menos intensiva. Primer premio de la XX edición del Premio de Psicología Aplicada “Rafael Burgaleta” 2013», Clínica y Salud, vol. 25, n.o 1, pp. 1-10, mar. 2014, doi: 10.5093/cl2014a7.

[6] G. Ponciano-Rodríguez y A. Morales-Ruiz, «Evaluación del Programa de Tratamiento para la Cesación de Tabaquismo en la clínica de la Facultad de Medicina de la UNAM», Salud Publica Mex., vol. 49, n.o SUPPL. 2, pp. S247-S256, 2007.

[7] T. T. Luk et al., «Mobile Chat Messaging for Smoking Relapse Prevention: A Randomized Clinical Trial», JAMA Intern Med, vol. 186, n.o 3, pp. 294-302, mar. 2026, doi: 10.1001/jamainternmed.2025.7439.

[8] L. Zhou et al., «Effects of different combined behavioral and pharmacological interventions on smoking cessation: a network meta-analysis of 103 randomized controlled trials», J Public Health (Berl.), vol. 33, n.o 9, pp. 1971-1981, sep. 2025, doi: 10.1007/s10389-023-02160-4.

[9] «La OMS y la OPS brindan herramientas digitales para que dejes de fumar hoy – Hospital del Niño Dr. José Renán Esquivel». Accedido: 9 de octubre de 2026. [En línea]. Disponible en: https://hn.sld.pa/la-oms-y-la-ops-brindan-herramientas-digitales-para-que-dejes-de-fumar-hoy/

[10] F. Sweeney y M. Sharmin, «Investigating Electronic Nicotine Delivery System Use Habits and Contexts: Habits, Locations, and Situations», en Proceedings of the 32nd Australian Conference on Human-Computer Interaction, en OzCHI ’20. New York, NY, USA: Association for Computing Machinery, feb. 2021, pp. 329-338. doi: 10.1145/3441000.3441045.

[11] P. Lopez-Meyer, S. Tiffany, Y. Patil, y E. Sazonov, «Monitoring of Cigarette Smoking Using Wearable Sensors and Support Vector Machines», IEEE Trans Biomed Eng, vol. 60, n.o 7, pp. 1867-1872, jul. 2013, doi: 10.1109/TBME.2013.2243729.

[12] C. Stone et al., «Presenting and Evaluating a Smartwatch-Based Intervention for Smoking Relapse (StopWatch): Feasibility and Acceptability Study», JMIR Form Res, vol. 8, p. e56999, nov. 2024, doi: 10.2196/56999.

[13] V. Senyurek, M. Imtiaz, P. Belsare, S. Tiffany, y E. Sazonov, «Cigarette Smoking Detection with An Inertial Sensor and A Smart Lighter», Sensors, vol. 19, n.o 3, p. 570, ene. 2019, doi: 10.3390/s19030570.

[14] Y. Xie, F. Li, Y. Wu, S. Yang, y Y. Wang, «HearSmoking: Smoking Detection in Driving Environment via Acoustic Sensing on Smartphones», IEEE Transactions on Mobile Computing, vol. 21, n.o 8, pp. 2847-2860, ago. 2022, doi: 10.1109/TMC.2020.3048785.

[15] M. Abo-Tabik, N. Costen, y Y. Benn, «Smartphone movement data can reliably predict smoking lapses and cravings to enable timely smoking cessation support», Sci Rep, vol. 16, n.o 1, p. 15719, may 2026, doi: 10.1038/s41598-026-49611-y.

[16] M. H. Imtiaz, R. I. Ramos-Garcia, S. Wattal, S. Tiffany, y E. Sazonov, «Wearable Sensors for Monitoring of Cigarette Smoking in Free-Living: A Systematic Review», Sensors, vol. 19, n.o 21, p. 4678, oct. 2019, doi: 10.3390/s19214678.

[17] G. Favara, M. Barchitta, A. Maugeri, R. M. S. Lio, y A. Agodi, «Sensors for Smoking Detection in Epidemiological Research: Scoping Review», JMIR mHealth and uHealth, vol. 12, n.o 1, p. e52383, oct. 2024, doi: 10.2196/52383.

[18] CORDIS, European Commission, «Identifying biomarkers of stress-induced neurophysiological changes and emotion regulation deficits to predict relapse during nicotine abstinence | BioNic | Project | Fact Sheet | H2020», Chipre, may 2025. Accedido: 10 de octubre de 2026. [En línea]. Disponible en: https://cordis.europa.eu/project/id/101031962

[19] F. Bodin et al., «The Association of Cigarette Smoking with High Frequency Heart Rate Variability: An Ecological Momentary Assessment Study», Psychosom Med, vol. 79, n.o 9, pp. 1045-1050, 2017, doi: 10.1097/PSY.0000000000000507.

[20] N. L. Benowitz et al., «Biochemical Verification of Tobacco Use and Abstinence: 2019 Update», Nicotine Tob Res, vol. 22, n.o 7, pp. 1086-1097, jun. 2020, doi: 10.1093/ntr/ntz132.

[21] T. F. Heatherton, L. T. Kozlowski, R. C. Frecker, y K. O. Fagerström, «The Fagerström Test for Nicotine Dependence: a revision of the Fagerström Tolerance Questionnaire», Br J Addict, vol. 86, n.o 9, pp. 1119-1127, sep. 1991, doi: 10.1111/j.1360-0443.1991.tb01879.x.

[22] J. M. Martínez-Sánchez et al., «Punto de corte óptimo de la concentración de cotinina en saliva para discriminar entre fumadores y no fumadores en la población adulta de Barcelona», Gaceta Sanitaria, vol. 23, n.o 6, pp. 501-505, nov. 2009, doi: 10.1016/j.gaceta.2009.03.003.

[23] N. L. Benowitz et al., «Biochemical Verification of Tobacco Use and Abstinence: 2019 Update», Nicotine Tob Res, vol. 22, n.o 7, pp. 1086-1097, jun. 2020, doi: 10.1093/ntr/ntz132.

[24] B. Kaabachi et al., «A scoping review of privacy and utility metrics in medical synthetic data», NPJ Digit Med, vol. 8, n.o 1, p. 60, ene. 2025, doi: 10.1038/s41746-024-01359-3.

[25] W. K. Bickel et al., «Predictors of smoking cessation outcomes identified by machine learning: A systematic review», Addiction Neuroscience, vol. 6, p. 100068, jun. 2023, doi: 10.1016/j.addicn.2023.100068.

[26] C. Frank, A. Habach, R. Seetan, y A. Wahbeh, «Predicting Smoking Status Using Machine Learning Algorithms and Statistical Analysis», Advances in Science, Technology and Engineering Systems Journal, vol. 3, n.o 2, pp. 184-189, 20180327, doi: 10.25046/aj030221.

[27] C.-C. Lai, W.-H. Huang, B. C.-C. Chang, y L.-C. Hwang, «Development of Machine Learning Models for Prediction of Smoking Cessation Outcome», Int J Environ Res Public Health, vol. 18, n.o 5, p. 2584, mar. 2021, doi: 10.3390/ijerph18052584.

[28] K.-O. Fagerström y N. G. Schneider, «Measuring nicotine dependence: A review of the Fagerström Tolerance Questionnaire», J. Behav. Med., vol. 12, n.o 5, pp. 415-432, 1989. doi: 10.1007/BF00846549.

Hombre fumando un cigarrillo frente a gráficos estadísticos y árboles de decisión sobre tratamientos para dejar de fumar.

Publicado

17/11/26 (12:00)

Cómo citar

González Castillo, A., Cerdán, M. A., & Sánchez García, Ángel J. (2026). Predicción de recaída en el proceso de abandono del tabaco: exploratorio de métodos de clasificación. TIES, Revista De Tecnología E Innovación En Educación Superior, (18), 141–157. https://doi.org/10.22201/dgtic.26832968e.2026.18.122

Número

Sección

Artículos