60  
Cynthia Mayumi Tesillo Gomez  
Universidad Nacional Jorge Basadre Grohmann  
cynthia.tesillo@unjbg.edu.pe  
Yuri Alexander Escobar Arcaya  
Universidad Nacional Jorge Basadre Grohmann  
yuri.escobar@unjbg.edu.pe  
https://orcid.org/0000-0002-1769-9845  
https://orcid.org/0000-0001-5220-058X  
Edwin Daniel León Gutierrez  
Universidad Nacional Jorge Basadre Grohmann  
edwin.leon@unjbg.edu.pe  
https://orcid.org/0000-0002-2519-1785  
ARK: ark:/42411/s6/a44  
PURL: 42411/s6/a44  
RECIBIDO 23/06/2021 ● ACEPTADO 05/08/2021 ● PUBLICADO 30/09/2021  
RESUMEN  
En el Perú y el mundo entero la hipertensión es una enfermedad que puede avanzar sin manifestar  
ningún síntoma o éstos ser muy leves. Se puede tener hipertensión arterial y no sentir ninguna  
manifestación, la hipertensión arterial es un serio problema de salud pública en países en  
desarrollo como el nuestro: según la Encuesta Demográfica y de Salud Familiar de 2017, aunque  
la prevalencia de hipertensión en personas de 15 años a más se habría reducido de 14,8 % en  
2
014, a 13,6 %, implica que más de 3 millones de peruanos viven con hipertensión arterial. Por  
ese motivo nuestro objetivo es el rápido diagnóstico de esta enfermedad silenciosa, en el presente  
trabajo se utilizó el sistema de regresión logística, para el cual se posee un dataset de 5615  
registros analizados. Este artículo presenta la posibilidad de detectar una enfermedad como la  
hipertensión arterial basado en inteligencia artificial, ya que este mal ha ido aumentando en los  
últimos años. Por ese motivo el objetivo es predecir de manera rápida un posible diagnóstico de  
hipertensión arterial, para ello se analizó un dataset de 5615 registros en la aplicación web  
Jupyter Notebook, estableciendo 9 variables de entrada y 1 de salida, además se utilizó el sistema  
de regresión logística, tratamientos de datos missing y outliers, gráficas de variables, obteniendo  
como resultado una precisión media aceptable del 87%.  
Palabras claves: Hipertensión arterial, Inteligencia Artificial, Regresión logística, Presión arterial.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
61  
ABSTRACT  
In Peru and the entire world, hypertension is a disease that can progress without showing any  
symptoms or these being very mild. You can have high blood pressure and not feel any  
manifestations, arterial hypertension is a serious public health problem in developing countries  
like ours: According to the 2017 Demographic and Family Health Survey Survey, although the  
prevalence of hypertension in people aged 15 years and over would have decreased from 14.8%  
in 2014 to 13.6%, it implies that more than 3 million Peruvians live with high blood pressure. For  
this reason, our goal is the rapid diagnosis of this silent disease. In the present work, the logistic  
regression system was used, for which there is a dataset of 5615 analyzed records. This article  
presents the possibility of detecting a disease such as high blood pressure based on artificial  
intelligence, since this evil has been increasing in the last years. For this reason, the objective is  
to quickly predict a possible diagnosis of arterial hypertension, for this, a dataset of 5615 records  
was analyzed in the Jupyter Notebook web application, establishing 9 input variables and 1  
output, in addition, the logistic regression system was used, missing data treatments and outliers,  
graphs of variables, obtaining as a result an acceptable average precision of 87%.  
Keywords: Arterial hypertension, Artificial Intelligence, Blood Pressure, Logistic Regression.  
INTRODUCIÓN  
Actualmente se estima que en el mundo hay 1130 millones de personas con hipertensión, y la  
mayoría son de bajos recursos, en donde una de cada cinco personas hipertensas no lo tiene  
controlado, esta enfermedad es una de las causas principales de muerte prematura en el mundo  
es por ello que la Organización Mundial de Salud tiene como meta reducir la prevalencia de la  
hipertensión en un 25% para el año 2025 [1].  
En el Perú la hipertensión arterial es una preocupación constante entre los médicos e  
investigadores, aún más en estas fechas de pandemia, ya que el Ministerio de Salud del Perú  
estima que el número personas con esta enfermedad aumentaría en un 20% lo que constituye a  
un problema de salud pública y conlleva a la aparición de nuevas enfermedades [2].  
Por ese motivo la importancia del rápido diagnóstico de esta enfermedad silenciosa, la prevención  
primaria, es decir anticipar la aparición de una enfermedad que como la hipertensión arterial  
esencial no tiene una causa conocida, no es tarea fácil, sin embargo, hoy es evidente la existencia  
de factores que aumentan el riesgo de padecer la enfermedad y que deben ser conocidos por la  
población [3].  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
62  
Se trabajó con dataset externo almacenado en página web de zenodo.org. del 27 de febrero de  
021, Criterios de cambio hipertensión Perú, para aplicar Predicción de hipertensión arterial a  
2
través técnica de Regresión Logística para clasificar patrones. A partir de un conjunto de datos  
de entrada con una variable de salida.  
Para la realización del presente trabajo se tuvo que aplicar métodos de limpieza de datos a  
nuestro dataset, como la eliminación de columnas, la evaluación del procesamiento datos missing  
y la eliminación de datos outliers. seguidamente en este artículo se presenta la aplicación del  
sistema de regresión logística la cual consiste en una técnica estadística multivariante que nos  
permite estimar la relación existente entre una variable dependiente no métrica, en particular  
dicotómica y un conjunto de variables independientes métricas o no métricas [4].  
Lo que se desea lograr en este artículo es predecir si una persona tiene o es propensa a sufrir de  
hipertensión, para así tener un diagnóstico oportuno o tratamiento adecuado. La realización del  
presente artículo se divide en diferentes secciones; en primer lugar, mostramos una introducción,  
la cual nos da una visión general del problema a atacar, luego se ve a detalle los métodos  
utilizados para poder realizar este trabajo conociendo a profundidad la regresión logística, debido  
a que esta se utiliza como base. Seguidamente pasamos a los resultados obtenidos, los cuales  
son satisfactorios obteniendo un 87 % de aciertos, llegando así a la parte final del trabajo  
expresando las conclusiones.  
MATERIALES Y MÉTODOS O METODOLOGÍA COMPUTACIONAL  
Herramientas  
Google Colaboratory: Es un entorno gratuito de Jupyter Notebook que no requiere configuración  
y que se ejecuta completamente en la nube.  
Google Drive: Es un servicio de alojamiento de archivos que fue introducido por la empresa  
estadounidense Google el 24 de abril de 2012. Es el reemplazo de Google Docs que ha cambiado  
su dirección URL, entre otras cosas. Es uno de los sitios de alojamiento más conocidos en el  
mundo.  
Librerías  
NumPy: proporciona una estructura de datos universal que posibilita el análisis de datos y el  
intercambio de datos entre distintos algoritmos. Las estructuras de datos que implementa son  
vectores multidimensionales y matrices con capacidad para gran cantidad de datos [5].  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
63  
Pandas: es una de las librerías de python más útiles para los científicos de datos. Las estructuras  
de datos principales en pandas son Series para datos en una dimensión y DataFrame para datos  
en dos dimensiones. Estas son las estructuras de datos más usadas en muchos campos tales  
como finanzas, estadística, ciencias sociales y muchas áreas de ingeniería. Pandas destaca por lo  
fácil y flexible que hace la manipulación de datos y el análisis de datos [5].  
scikit learn: es una de estas librerías gratuitas para Python. Cuenta con algoritmos de  
clasificación, regresión, clustering y reducción de dimensionalidad. Además, presenta la  
compatibilidad con otras librerías de Python como NumPy, SciPy y matplotlib [6].  
sklearn.model_selection import train_test_split: nos permite dividir un dataset en dos  
bloques, típicamente bloques destinados al entrenamiento y validación del modelo (llamemos a  
estos bloques "bloque de entrenamiento " y "bloque de pruebas" para mantener la coherencia  
con el nombre de la función) [7].  
sklearn.metrics import accuracy_score: En la clasificación de etiquetas múltiples, esta  
función calcula la precisión del subconjunto: el conjunto de etiquetas predichas para una muestra  
debe coincidir exactamente con el conjunto de etiquetas correspondiente en y true [8].  
sklearn.metrics import classification_report: crea un informe de texto que muestre las  
principales métricas de clasificación [8].  
matplotlib: es una librería de Python especializada en la creación de gráficos en dos dimensiones,  
como histograma, diagramas de sectores, diagramas de caja y bigotes, diagramas de violín,  
diagramas de dispersión o puntos, diagramas de líneas, diagramas de áreas, diagramas de  
contorno y mapas de color [9].  
Métodos o Metodología computacional  
El método elegido para realizar la investigación es el método Regresión Logística. Por lo tanto, se  
tratará de investigar el estudio de los principales factores de riesgo de la hipertensión arterial,  
cómo influyen las características, como un problema de salud.  
La investigación se realiza mediante Regresión Logística con variables de entrada y salida,  
relacionados a la hipertensión, para poder diagnosticar esta enfermedad a partir de sus  
características clasificando resultados en valores discretos. Para el trabajo se ha creado un archivo  
hipertension.csv con datos de entrada, para el presente articulo científico se considera nueve  
características para el diagnóstico de la enfermedad hipertensiva, según referencia del ministerio  
de salud, variables como: sexo, edad, presión sistólica, presión diastólica, peso, talla, fuma,  
actividad física y región. como resultado de salida se considera hipertensión.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
64  
La regresión logística es el conjunto de modelos estadísticos utilizados cuando se desea conocer  
la relación entre  
●
Una variable dependiente cualitativa, dicotómica (regresión logística binaria o binomial)  
o con más de dos categorías (regresión logística multinomial).  
●
Una o más variables explicativas independientes, llamadas covariables, ya sean  
cualitativas o cuantitativas.  
Las covariables cualitativas deben ser dicotómicas, tomando valor 0 para su ausencia y 1 para su  
presencia. Si la covariable tuviera más de dos categorías debemos realizar una transformación  
de la misma en varias covariables cualitativas dicotómicas ficticias (variables dummy). Al hacer  
esta transformación cada categoría de la variable entraría en el modelo de forma individual.  
Los modelos de regresión logística tienen tres finalidades:  
●
●
●
Cuantificar la importancia de la relación existente entre cada una de las covariables y  
la variable dependiente.  
Clarificar la existencia de interacción y confusión entre covariables respecto a la variable  
dependiente (es decir, los odds ratio para cada covariable).  
Clasificar individuos dentro de las categorías (presente/ausente) de la variable  
dependiente.  
Los valores posibles de estas ecuaciones varían entre 0 y 1. Un valor cercano a 0 significa que es  
muy improbable que Y haya ocurrido, y un valor cercano a 1 significa que es muy probable que  
tuviese lugar.  
Como en la regresión lineal cada variable predictora de la ecuación logística tiene su propio  
coeficiente. Los valores de los parámetros se estiman utilizando el método de máxima  
verosimilitud que selecciona los coeficientes que hacen más probable que los valores observados  
ocurran [10].  
Para la obtención de un sistema de Predicción de hipertensión arterial, el cual para su  
desarrollo se utilizaron varias librerías las cuales se tienen que implementar al inicio  
del sistema. Las cuales se detallan a continuación.  
1
. Importar las librerías las cuales nos ayudarán con el procesamiento y  
tratamiento de datos.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
65  
import numpy as np  
import pandas as pd  
import seaborn as sb  
import matplotlib.pyplot as plt  
%matplotlib inline  
#from matplotlib import cm  
plt.rcParams['figure.figsize'] = (16, 9)  
plt.style.use('ggplot')  
from sklearn.model_selection import train_test_split  
from sklearn import linear_model  
from sklearn import model_selection  
from sklearn.metrics import confusion_matrix  
from sklearn.metrics import accuracy_score  
from sklearn.metrics import classification_report  
2
3
. Importamos el dataset almacenado en nuestra nube de Google Drive, para ello  
se usará la librería Pandas, así mismo se ejecutará encoding='latin-1' para  
evitar el Error UTF-8.  
dataset = pd.read_csv('/content/gdrive/My Drive/hipertension.csv',encoding='latin-1')  
. Imprimimos en pantalla parte del dataset, para poder visualizar total las  
variables (columnas) y sus datos.  
dataset.head()  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
66  
Tabla 1: Descripción del dataset.  
4
. Después de un análisis, se concluyó que las variables id, ciudad, masa corporal,  
diabetes mellitus, tratamiento, enfermedades, años de fumador, años con  
hipertensión, tratamiento de la hipertensión, msnm, presión arterial máxima  
antigua/nueva y mínima antigua/nueva no son causas fundamentales para el  
desarrollo de la variable de salida, o son variables las cuales tiene similitud  
con otras, por lo que se procedió a eliminarlas.  
dataset  
=
dataset.drop(['id',  
'cv_diseases',  
'city',  
'cd_treatment',  
'masl',  
'body_mass_index',  
'smoking_years',  
'diabetes_mellitus',  
'hypertension_years',  
'
'
dm_treatment',  
hypertension_treatment', 'msnm', 'sist_old', 'diast_old', 'sist_new', 'diast_new'], axis=1)  
dataset.head()  
Tabla 2: Descripción de las variables finales.  
DICCIONARIO DE VARIABLES.  
●
●
sex: SEXO Condición orgánica que se distingue entre hombres y mujeres.  
age_years: EDAD Lapso de tiempo que transcurre desde el nacimiento hasta el  
momento de referencia.  
●
systolic_bp: PRESIÓN SISTÓLICA Es la presión arterial máxima  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
67  
●
●
●
●
●
diastolic_bp: PRESIÓN DIASTÓLICA Es la presión arterial mínima  
weight_kg: PESO_kg Cantidad de masa de la persona expresada en kilogramos  
height_cm: TALLA_cm Medida de la estatura de la persona expresada en centímetros  
smoking: FUMA Condición de la persona donde se detalla si fuma o no  
physical_activity: ACTIVIDAD FÍSICA Define si la persona realiza actividad física  
continuamente  
●
●
region: REGION Define el lugar donde vive la persona  
hypertension_dx: HIPERTENSIÓN Define si la persona es Hipertenso o no  
5
. Al ser nuestro sistema una regresión logística, necesitamos que nuestros datos  
sean de tipo numérico, por lo que consultamos qué tipo de variables tenemos:  
dataset.dtypes  
Figura 1: Tipos de datos de las variables.  
En Python, el tipo de datos de texto se conoce como secuencia de caracteres (string).  
En Pandas se los conoce como objetos (object). Las secuencias de caracteres pueden  
contener números y / o caracteres.  
6
. Al ver que hay datos de tipo objetc se optó por reemplazar los valores de las  
columnas sex, smoking. physical_activity, region, hypertension_dx por  
valores tipo int o float con el método map y un diccionario entre llaves.  
dataset['sex'] = dataset['sex'].map({'Male':0,'Female':1})  
dataset['smoking'] = dataset['smoking'].map({'No':0,'Yes':1})  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
68  
dataset['physical_activity'] = dataset['physical_activity'].map({'No':0,'Yes':1})  
dataset['region'] = dataset['region'].map({'Coast':1,'Mountain':2,'Jungle':3})  
dataset['hypertension_dx'] = dataset['hypertension_dx'].map({'No':0,'Yes':1})  
dataset.head()  
Tabla 3: Variables con los mapeos correspondientes.  
Se muestra el nuevo dataset con valores numéricos.  
7
. Se realizó el tratamiento de datos missing, para este caso se tomó la decisión  
de eliminarlos, se opta por esto ya que esos datos pueden introducir errores  
mayores en los resultados, por otro lado el sistema de regresión logística solo  
acepta números, y el dataset debe estar con valores vacíos o “NaN”  
dataset.describe()  
Tabla 4: Eliminación de outliers.  
Se observa en la fila count que algunos valores difieren del total de filas del dataset  
5
615, lo cual se deduce la existencia de datos missing.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
69  
dataset = dataset.dropna()  
dataset.describe()  
Tabla 5: Eliminación de missing.  
El método dropna permite, de una forma muy conveniente, filtrar los valores de una  
estructura de datos pandas para dejar solo aquellos no nulos.  
8
. Se realizó en tratamiento de datos outliers, para los cual se graficó las  
variables de entrada y salida plt.show de la librería Matplotlib  
dataset.drop(['hypertension_dx'],1).hist()  
plt.show()  
Luego de un análisis se determinó la no existencia de datos outliers en las variables de  
entrada.  
dataset.drop(['sex','age_years','systolic_bp','diastolic_bp','weight_kg','height_cm','sm  
oking','physical_activity','region'],1).hist()  
plt.show()  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
70  
Figura 2: Histograma de las variables de entrada.  
Figura 2: Histograma de la variable de salida.  
Luego de un análisis se determinó la no existencia de datos outliers en la variable  
de salida.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
71  
9
. Creación del modelo de Regresión Logística  
Almacenamos en una matriz las 9 variables de entrada en la variable X y la variable de  
salida “hypertension_dx” en la variable Y.  
X = np.array(dataset.drop(['hypertension_dx'],1))  
y = np.array(dataset['hypertension_dx'])  
X.shape  
Se creó nuestro modelo y se ajustó a nuestro conjunto de entradas X y salidas Y.  
model = linear_model.LogisticRegression()  
model.fit(X,y)  
1
0. Una vez compilado nuestro modelo, le hacemos clasificar todo nuestro  
conjunto de entradas X utilizando el método “predict(X)” y revisamos algunas  
de sus salidas y vemos que coincide con las salidas reales de nuestro archivo  
csv.  
predictions = model.predict(X)  
print(predictions)  
1
1. Y confirmamos cuan bueno fue nuestro modelo utilizando model.score() que  
nos devuelve la precisión media de las predicciones, en nuestro caso del  
8
6.94%.  
model.score(X,y)  
.8694390715667312  
0
1
2. Validación de nuestro modelo  
Para ello se dividirá el dataset en forma aleatoria en 80% entrenamiento y  
2
0% prueba para la validación.  
validation_size = 0.20  
seed = 7  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
72  
X_train, X_validation, Y_train, Y_validation = model_selection.train_test_split(X, y,  
test_size=validation_size, random_state=seed)  
RESULTADOS Y DISCUSIÓN  
Y ahora hacemos las predicciones -en realidad clasificación- utilizando nuestro “cross validation  
set”, es decir del subconjunto que habíamos apartado. En este caso vemos que los aciertos fueron  
del 88% que es un resultado aceptable.  
predictions = model.predict(X_validation)  
print(accuracy_score(Y_validation, predictions))  
0
.8820116054158608  
Dentro de los resultados tenemos la matriz de confusión la cual tenemos que codificar de la  
siguiente forma:  
print(confusion_matrix(Y_validation, predictions))  
y esta nos da como resultado:  
[[867 14]  
[108 45]]  
Donde muestra cuántos resultados equivocados tuvo de cada clase (los que no están en la  
diagonal), en nuestro caso predijo que 108 pasos negativos cuando estos eran positivos y predijo  
que 14 eran positivos cuando en realidad eran positivos.  
También podemos ver el reporte de clasificación con nuestro conjunto de Validación. En nuestro  
caso vemos que se utilizaron como “soporte” 881 registros negativos y 153 positivos. La  
valoración que de aquí nos conviene tener en cuenta es la de F1-score, que tiene en cuenta la  
precisión y recall. El promedio de F1 es de 87% lo cual no está nada mal.  
print(classification_report(Y_validation, predictions))  
precision recall f1-score support  
0
.0  
0.89  
0.98  
0.93  
881  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
73  
1
.0  
0.76  
0.29  
0.42  
153  
accuracy  
macro avg  
0.88  
0.64  
0.88  
1034  
0.83  
0.87  
0.68  
0.86  
1034  
1034  
weighted avg  
Para poder comprobar se colocaron datos de dos filas, una con resultado negativo y otra con  
resultado positivo, obteniendo la respuesta satisfactoria.  
#fila 590 valor respuesta 0  
X_new  
pd.DataFrame({'sex':[1],'age_years':[27],'systolic_bp':[71],'diastolic_bp':[37],'weight_kg':[51]  
'height_cm':[150],'smoking':[0],'physical_activity':[0],'region':[2]})  
=
,
model.predict(X_new)  
array([0.])  
#fila 11 valor respuesta 1  
X_new  
pd.DataFrame({'sex':[0],'age_years':[58],'systolic_bp':[180],'diastolic_bp':[86],'weight_kg':[6  
],'height_cm':[162],'smoking':[1],'physical_activity':[1],'region':[2]})  
=
1
model.predict(X_new)  
array([1.])  
CONCLUSIONES  
En conclusión, se puede decir que el presente trabajo tiene un acierto del 88% en sus predicciones  
de hipertensión arterial a través de un sistema de regresión logística, por lo que puede predecir  
si una persona tiene o es propensa a sufrir de hipertensión. El uso de regresión logística, se usa  
normalmente cuando se quiere estimar la relación existente entre una variable dependiente, y  
un conjunto de variables independientes métricas o no métricas.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935  
74  
REFERENCIAS  
1] Organización Mundial de la Salud. https://www.who.int/es/news-room/fact-  
[
sheets/detail/hypertension  
[2] Ministerio de Salud el 18 de mayo de 2021 - 2:55 p.  
https://www.gob.pe/institucion/minsa/noticias/493681-minsa-estima-que-pacientes-con-  
hipertension-arterial-aumentarian-en-20-durante-la-pandemia  
[3] Dr.Raul Gamboa, Revista Peruana de Cardiología: Octubre - Diciembre 1993  
https://sisbib.unmsm.edu.pe/bvrevistas/cardiologia/v19_n2/la%20hiper.htm  
[4]Celia Mercedes Salcedo Poma, Capitulo 2- Modelo de Regresión Logística  
https://sisbib.unmsm.edu.pe/bibvirtualdata/Tesis/Basic/Salcedo_pc/enPDF/Cap2.PDF  
[5] Jose Martinez Heras-Guía rápida de IArtificial.net https://www.iartificial.net/guia-rapida-  
iartificial-net/  
[6] Universidad de Alcalá, “Scikit-learn, herramienta básica para el data science en Python”  
2
021. https://www.master-data-scientist.com/scikit-learn-data-science/  
[7] Interactive Chaos, 2019.  
https://interactivechaos.com/es/python/function/sklearnmodelselectiontraintestsplit  
[8] Scikit Learn, “Metrics and scoring: quantifying the quality of predictions” https://scikit-  
learn.org/stable/modules/model_evaluation.html  
[9] Aprende con Alf, “La librería Matplotlib”  
https://aprendeconalf.es/docencia/python/manual/matplotlib/  
[10]María Elvira Ferre Jaén.FEIR 45: Regresión logística. Jueves 04 abril 2019,23:30:47  
https://gauss.inf.um.es/feir/45/  
[11] Failoc-Rojas Virgilio, Dataset externo almacenado zenodo.org. Criterios de cambio  
hipertensión Perú, datos https://zenodo.org/record/4567767#.YOsdROhKhPZ  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 2 Septiembre - Febrero 2021 ISSN Nº 2708-0935