Modelos de Aprendizaje Automático para Clasificar el Riesgo de Corrupción en Contratación Pública: Caso Hospitales Públicos en Colombia

a contratación pública es particularmente vulnerable a la corrupción, lo que plantea desafíos significativos para la gestión pública. A nivel mundial, los gobiernos han implementado iniciativas de datos abiertos con el objetivo de promover la transparencia y fortalecer la integridad en la gestión de los recursos públicos. Sin embargo, el éxito de estas iniciativas depende en gran medida de la capacidad para analizar los datos disponibles y detectar patrones que puedan señalar riesgos de corrupción. Este estudio presenta el desarrollo y la evaluación de modelos de aprendizaje automático orientados a analizar y predecir el riesgo de corrupción en procesos de contratación pública. Para ello, se utilizaron datos abiertos de contratación en hospitales públicos colombianos entre 2014 y 2019. Como variable de riesgo, se empleó el porcentaje de contratación directa, ampliamente reconocido como un indicador de posibles irregularidades. Se implementaron y compararon tres algoritmos de aprendizaje automático: Árboles de Decisión, Random Forest y Gradient Boosting. Los resultados evidenciaron un desempeño aceptable, con niveles de exactitud entre el 46% y el 59% y un área bajo la curva ROC que oscila entre el 0.56 y el 0.72.