https://niveles.esprint.tech
ISSN: 3073-1119
Vol. 2 N° 2, julio-diciembre 2025 (36-47)
36
Artículo de investigación
Predicción del éxito en el examen de habilitación profesional: un
modelo de regresión logística basado en variables
multifactoriales
Predicting success in the professional qualification exam: a logistic regression
model based on multifactorial variables
Saul Yasaca Pucuna*
Escuela Superior Politécnica de Chimborazo
Riobamba-Ecuador.
syasaca@espoch.edu.ec
https://orcid.org/0000-0001-8851-8258
Juan Diego Erazo Rodríguez
Escuela Superior Politécnica de Chimborazo
Riobamba-Ecuador.
juan.erazo@espoch.edu.ec
https://orcid.org/0000-0003-0152-5645
*Correspondencia:
syasaca@espoch.edu.ec
Cómo citar este artículo:
Yasaca, S., & Erazo, J. (2025). Predicción del
éxito en el examen de habilitación
profesional: un modelo de regresión
logística basado en variables
multifactoriales.
Revista de Investigación
Educativa Niveles, 2(2), 36-47.
https://doi.org/10.61347/rien.v2i2.77
Recibido: 31 de julio de 2025
Proceso de evaluación:
31 de julio al 1 de septiembre de 2025
Aceptado: 2 de septiembre de 2025
Publicado: 5 de septiembre de 2025
Resumen: La tasa irregular de aprobación en el Examen de Habilitación Profesional
(EHEP) afecta a estudiantes de la carrera de Medicina de la Escuela Superior Politécnica
de Chimborazo, examen obligatorio para ingresar al año de prácticas y ejercer la
profesión en Ecuador. El objetivo de esta investigación fue desarrollar un modelo de
regresión logística que predijera el éxito en el EHEP con base en el análisis de múltiples
variables. Se aplicó la metodología de Ciencia del Diseño que consta de tres ciclos:
relevancia (revisión sistemática con PRISMA), diseño (desarrollo del modelo en Python
utilizando la muestra de 117 estudiantes y el estándar CRISP-DM) y rigor (validación del
modelo mediante métricas de rendimiento). La variable predictora más influyente fue las
horas de estudio. El modelo de regresión logística obtuvo una exactitud de 80.36 %, un
F1-score de 0,643 y AUC de 0.710 en la curva de Precisión-Sensibilidad, indicativos de su
capacidad para distinguir las clases especialmente desbalanceadas. Los hallazgos no solo
confirman la complejidad del rendimiento académico, sino que abren una base para
trabajos futuros. Además, el modelo desarrollado ofrece una herramienta útil para que
las instituciones educativas implementen estrategias de prevención y apoyo
personalizado a estudiantes en riesgo de no aprobar el EHEP, contribuyendo así a
mejorar las tasas de éxito.
Palabras clave: Ciencia del diseño, CRISP-DM, examen, habilitación profesional,
PRISMA, regresión logística.
Abstract: The irregular pass rate on the Professional Qualification Exam (EHEP) affects medical
students at the Escuela Superior Politécnica de Chimborazo, a mandatory exam for entering the
internship year and practicing medicine in Ecuador. The objective of this research was to develop
a logistic regression model that would predict success on the EHEP based on the analysis of
multiple variables. The Design Science methodology was applied, consisting of three cycles:
relevance (systematic review with PRISMA), design (model development in Python using a
sample of 117 students and the CRISP-DM standard), and rigor (model validation using
performance metrics). The most influential predictor variable was hours of study. The logistic
regression model achieved an accuracy of 80.36%, an F1-score of 0.643, and an AUC of 0.710 on
the Precision-Sensitivity curve, indicative of its ability to distinguish particularly unbalanced
classes. The findings not only confirm the complexity of academic performance but also lay the
groundwork for future work. In addition, the model developed offers a useful tool for educational
institutions to implement prevention strategies and personalized support for students at risk of
failing the EHEP, thus contributing to improved success rates.
Keywords: CRISP-DM, design science, exam, logistic regression, PRISMA, profesional
qualification.
Copyright: Derechos de autor 2025 Saul
Yasaca Pucuna,
Juan Diego Erazo
Rodríguez.
Esta obra está bajo una licencia internacional
Creative Commons Atribución-
NoComercial 4.0.
https://niveles.esprint.tech
ISSN: 3073-1119
Vol. 2 N° 2, julio-diciembre 2025 (36-47)
Revista de Investigación
Educativa Niveles
Saul Yasaca Pucuna, Juan Diego Erazo Rodríguez 37
1. Introducción
El Examen de Habilitación para el Ejercicio Profesional (EHEP), requisito obligatorio en Ecuador para
estudiantes de las carreras de medicina, odontología y enfermería que deben cumplir un año de
prácticas en hospitales, previo a ejercer profesionalmente, fue implementado y aplicado por el Consejo
de Aseguramiento de la Calidad de la Educación Superior desde 2020 (CACES, 2024).
Según la Ley Orgánica de Educación Superior, Artículo 104, el CACES tiene la responsabilidad de
desarrollar el EHEP en carreras que comprometan el interés público, especialmente en áreas
relacionadas con la vida, salud y seguridad de la ciudadanía. Este examen, de gran impacto y alcance
nacional, evalúa objetivamente las competencias profesionales necesarias para ejercer legalmente en el
país (CACES, 2024).
Pese a su importancia, el EHEP presenta una irregular tasa de aprobación, un desafío tanto para los
egresados como para las instituciones responsables de su formación. Esta situación subraya la
necesidad de desarrollar modelos predictivos que identifiquen y mitiguen los factores que influyen en
el éxito académico en este tipo de pruebas.
La literatura señala una amplia variedad de factores que influyen en el rendimiento académico
universitario (Alyahyan & Düştegör, 2020), que incluyen variables sociodemográficas, psicosociales,
emocionales, nivel de satisfacción, consumo de sustancias, ausentismo, aspectos académicos, ambiente
universitario, calidad de relación estudiante-docente y horas de estudio (Merchán-Clavellino et al.,
2019).
Estudios a nivel internacional como el de Carhuaricra (2023) identifican factores asociados con el
desempeño en exámenes de habilitación para el ejercicio médico, y señalan variables relevantes como
edad, estado civil, número de hijos, capacitación continua, orden de mérito y sede hospitalaria. No
obstante, su enfoque se limita a un número reducido de variables y a un contexto específico, lo que
evidencia la necesidad de un análisis más exhaustivo e integral. Además, otros estudios exploran los
factores que influyen en el rendimiento académico en estudiantes universitarios (Gutiérrez-Monsalve
et al., 2021; Pastor, 2024), destacando la relevancia del estrés, la calidad del sueño y las estrategias de
aprendizaje (Garbanzo, 2007).
En Ecuador la literatura sobre los factores asociados al rendimiento asociado al EHEP es escasa.
Escobar-Jiménez & Torres-Rentería (2021) analizan la relación entre el éxito educativo y las condiciones
socioeconómicas en los exámenes de habilitación médica, pero estas investigaciones aún no permiten
diseñar o implementar estrategias de intervención amplias y efectivas. Por tanto, resulta vital
desarrollar modelos predictivos que identifiquen tempranamente a los estudiantes en riesgo y faciliten
la implementación de programas de apoyo personalizados. Aunque se han aplicado modelos de
regresión logística para la predicción del rendimiento académico en distintos contextos universitarios
(Pérez et al., 2023), pocos estudios se han enfocado específicamente en el EHEP a nivel nacional.
Es así como existe la necesidad de comprender y mitigar los factores que inciden en la baja tasa de
aprobación del examen EHEP. A través del análisis de variables académicas, emocionales y de estilo
de vida, se busca no solo predecir el éxito en el examen, sino proporcionar herramientas para mejorar
la preparación estudiantil, ofrecer acompañamiento personalizado y optimizar los programas
académicos, contribuyendo además al conocimiento científico sobre el rendimiento en exámenes
profesionales.
En este contexto se plantea la siguiente pregunta de investigación: ¿Cuáles son las variables
multifactoriales más significativas que permiten predecir el éxito en el EHEP y cómo puede un modelo
https://niveles.esprint.tech
ISSN: 3073-1119
Vol. 2 N° 2, julio-diciembre 2025 (36-47)
Revista de Investigación
Educativa Niveles
Saul Yasaca Pucuna, Juan Diego Erazo Rodríguez 38
de regresión logística estimar la probabilidad de aprobación? Por lo tanto, el objetivo de este estudio
fue desarrollar un modelo de regresión logística que predijera el éxito en el EHEP con base en el análisis
de múltiples variables.
Para ello se plantearon los objetivos específicos: Identificar las variables más influyentes en la
aprobación del EHEP mediante un análisis exploratorio y estadístico para comprender su impacto en
el desempeño estudiantil; Desarrollar un modelo de regresión logística que utilice las variables
significativas para predecir la probabilidad de éxito en el EHEP; y Validar del modelo mediante
métricas de rendimiento como son exactitud, precisión, sensibilidad, F1-score y curvas de Precisión-
Sensibilidad, asegurando su confiabilidad.
Se fundamenta en teorías del aprendizaje autorregulado, que resaltan la motivación y la autoeficacia
como elementos fundamentales para el logro académico (Gálvez-Gamboa et al., 2024). Asimismo, se
considera el síndrome de Burnout como un factor que influye negativamente en el rendimiento
académico (Álvarez-Raigoza et al., 2024). Estas teorías proporcionan un marco conceptual para
analizar cómo diversas variables psicométricas, junto con factores académicos y de estilo de vida,
afectan el desempeño en el EHEP. Desde una perspectiva metodología cuantitativa, la investigación
busca analizar patrones, frecuencias y correlaciones que permitan desarrollar un modelo predictivo
generalizable (Aguilar-Reyes et al., 2025).
2. Metodología
La presente investigación adoptó un enfoque cuantitativo con un diseño preexperimental predictivo
orientado a anticipar un resultado binario: la aprobación o no del EHEP. Para ello, se empleó la
regresión logística, técnica estadística ampliamente utilizada para modelar la probabilidad de
ocurrencia de eventos dicotómicos en función de variables multifactoriales. Esta metodología es
especialmente adecuada para analizar la influencia combinada de múltiples factores en la probabilidad
de éxito académico.
El modelo incorpora factores académicos, psicométricos y de estilo de vida, tales como
calificaciones, técnicas y horas de estudio, antecedentes de depresión, niveles de ansiedad, motivación,
autoeficacia, síndrome de Burnout, calidad y cantidad de sueño (Suardiaz-Muro et al., 2020). Este
enfoque identifica los factores más influyentes para construir un modelo predictivo que facilite la
detección temprana de riegos y oriente sobre estrategias de intervención efectivas (Sánchez-Cubo et
al., 2023). Esta selección se alinea con investigaciones que demuestran la importancia del promedio de
calificaciones (GPA) y factores psicosociales como predictores comunes del desempeño académico, así
como su relevancia para la elegibilidad de graduación, becas y acceso a posgrados.
El estudio se desarrolló en la Escuela Superior Politécnica de Chimborazo (ESPOCH),
específicamente en la carrera de Medicina. La población objetivo estuvo constituida por estudiantes
que se preparan para rendir el EHEP. La muestra se seleccionó mediante muestreo aleatorio
estratificado, asegurando la representatividad de los diferentes.
Para la construcción y validación del modelo predictivo, se utilizó la metodología de Ciencia del
Diseño (Design Science Research, DSR), enfocada en la creación y evaluación rigurosa de artefactos
tecnológicos o conceptuales que resuelvan problemas reales mediante soluciones prácticas y
sistemáticas. Este marco se estructura en tres ciclos principales: relevancia, diseño y rigor, los cuales
garantizan un proceso ordenado y exhaustivo a lo largo de la investigación (figura 1).
https://niveles.esprint.tech
ISSN: 3073-1119
Vol. 2 N° 2, julio-diciembre 2025 (36-47)
Revista de Investigación
Educativa Niveles
Saul Yasaca Pucuna, Juan Diego Erazo Rodríguez 39
Figura 1
Metodología Ciencia de Diseño, DSR
Ciclo de relevancia (Relevance cycle)
En el ciclo de relevancia se define el problema central: las bajas tasas de aprobación del EHEP. Como
parte de este ciclo, se llevó a cabo una revisión sistemática de la literatura especializada, siguiendo el
protocolo PRISMA (Page et al., 2021). Esta revisión identificó factores asociados al rendimiento
académico (Flores-Cohaila, 2022) y la predicción del éxito en exámenes profesionales, focalizándose en
variables reconocidas como calificaciones, técnicas y horas de estudio, variables psicométricas (Agha
et al., 2023) y aspectos de estilo de vida (Rodriguez et al., 2021). La variable dependiente o outcome se
definió como el éxito en el EHEP, categorizada dicotómicamente en aprobado (1) o no aprobado (0).
Durante este ciclo, se destacó el valor de integrar diferentes tipos de variables como características o
features para el entrenamiento del modelo, permitiendo captar la complejidad multifactorial del
fenómeno. La regresión logística, por su capacidad para manejar variables continuas y categóricas,
resulta especialmente útil para determinar el efecto individual de cada predictor sobre la probabilidad
de aprobar, facilitando además una interpretación clara y práctica para la toma de decisiones educativas.
Ciclo del diseño (Design cycle)
El ciclo de diseño se desarrolló siguiendo el estándar CRISP-DM (Cross Industry Standard Process for
Data Mining), que contempla seis fases interrelacionadas. Inicialmente, en la fase de comprensión del
negocio, se planteó el objetivo integral de desarrollar un modelo capaz de predecir el éxito en el EHEP y
Ciencia
del
Diseño
Ciclo Diseño
Ciclo Rigor
Ciclo Relevancia
Identificación del
problema:
Baja tasa de aprobación
EHEP
Solución:
Teoría que justifique la
selección de variables y
relevancia del desarrollo
del modelo de regresión
logística propuesto.
Validez y confiabilidad:
Diseñar encuestas y
cuestionarios basados en
escalas validadas
internacionalmente (MBI).
Evaluación de modelos:
Justificación de métricas.
Análisis de sensibilidad.
Revisión por pares:
Someter los métodos y
hallazgos a revisiones
internas y externas.
Diseño y desarrollo de la solución:
Comprensión del negocio/problema
Comprensión de los datos
Preparación de los datos
Modelado
Evaluación: Aplicación de métricas “Accuracy, Precisión, Recall, F1-score, Curvas
ROC AUC, Curva de Precisión-Sensibilidad”.
https://niveles.esprint.tech
ISSN: 3073-1119
Vol. 2 N° 2, julio-diciembre 2025 (36-47)
Revista de Investigación
Educativa Niveles
Saul Yasaca Pucuna, Juan Diego Erazo Rodríguez 40
responder a preguntas clave sobre los factores que influyen en la aprobación, la identificación temprana
de estudiantes en riesgo y la aplicación de los resultados para mejorar el desempeño académico.
Posteriormente, en la fase de comprensión de los datos, se recopilaron y exploraron diversas fuentes,
incluyendo encuestas para variables psicométricas y de estilo de vida, cuestionarios piloto estructurados
y registros académicos universitarios. Se realizó un análisis preliminar para identificar y corregir valores
atípicos, evaluar la representatividad de los datos y explorar relaciones iniciales entre variables.
La preparación de los datos consistió en integrar, limpiar y transformar los datos para su análisis
posterior. Se abordó el manejo de valores faltantes mediante imputación, se codificaron variables
categóricas o se podría utilizar técnicas como One-Hot Encoding para dichas variables y se
estandarizaron variables numéricas relevantes con métodos de escalamiento (StandardScale y
MinMaxScaler). Además, se implementaron técnicas de sobremuestreo y submuestreo para equilibrar
las clases en caso de desbalance significativo, asegurando un entrenamiento más robusto del modelo.
Finalmente, se seleccionaron variables relevantes mediante análisis de correlación visualizado con
mapas de calor.
En la fase de modelado, el enfoque principal desarrolló el modelo de regresión logística binaria
mediante la biblioteca Scikit-learn de Python, entrenado con el conjunto de datos preparado.
La etapa de evaluación implicó validar el rendimiento del modelo a través de métricas específicas
para clasificación binaria, tales como la precisión (accuracy), sensibilidad (recall), F1-score, matriz de
confusión, curva ROC y su respectiva área bajo la curva (AUC). Asimismo, se consideró la curva de
Precisión-Sensibilidad, especialmente relevante para problemas con clases desbalanceadas, lo que
permitió una valoración más precisa del desempeño predictivo en la detección de casos positivos.
Finalmente, en la fase de implementación, el modelo entrenado en python permite introducir datos
de nuevos estudiantes y obtener predicciones en tiempo real. Además, se planteó un monitoreo
continuo del rendimiento del modelo para asegurar su estabilidad y precisión en diferentes escenarios
y a lo largo del tiempo.
Ciclo de Rigor (Rigor cicle)
El ciclo de rigor aseguró la solidez técnica y científica del artefacto construido. Para garantizar validez
y confiabilidad, los instrumentos de recolección de datos, como encuestas y cuestionarios, se diseñaron
con base en escalas validadas internacionalmente, tales como el Maslach Burnout Inventory (MBI). La
evaluación del modelo se sustentó en la selección justificada de métricas, priorizando el recall para
identificar con precisión estudiantes en riesgo, aun considerando cierto nivel de falsos positivos.
Asimismo, se realizó un análisis de sensibilidad para evaluar el impacto de variaciones en las
variables predictoras sobre las predicciones del modelo. Finalmente, se sometió todo el proceso
metodológico, el modelo desarrollado y sus resultados a revisión por pares, involucrando expertos y
especialistas para recibir retroalimentación crítica que fortaleciera la calidad y solidez del estudio.
3. Resultados
Análisis de la correlación de variables
Se utilizó un mapa de calor (heatmap) para visualizar la matriz de correlación entre las variables
seleccionadas y la variable dependiente “APRUEBA”. Las variables demográficas, psicométricas y de
estilo de vida no fueron consideradas en este análisis debido a su baja incidencia y problemas de
convergencia en el modelo (figura 2).
https://niveles.esprint.tech
ISSN: 3073-1119
Vol. 2 N° 2, julio-diciembre 2025 (36-47)
Revista de Investigación
Educativa Niveles
Saul Yasaca Pucuna, Juan Diego Erazo Rodríguez 41
Figura 2
Mapa de calor de correlación
La variable “HORAS” de estudio mostró una correlación positiva moderada (0.54) con la probabilidad
de aprobar el examen, lo que indica que dedicar más tiempo al estudio incrementa significativamente las
posibilidades de éxito. En contraste, las variables “TUTORÍA” (-0.15), “PREEXAMEN” (-0.098) y
“ACTIVIDADES” (-0.094) registraron correlaciones negativas leves, sugiriendo que un mayor número
de tutorías, mejores calificaciones en preexámenes y mayor participación en actividades curriculares se
asocian ligeramente con una menor probabilidad de aprobar.
Además, la variable “OTROS” (0.035) tuvo una correlación muy baja, prácticamente sin relación
lineal con la aprobación. Se observó también una correlación negativa moderada entre “TUTORÍA” y
“PREEXAMEN” (-0.38), lo que posiblemente indica que estudiantes con más tutorías obtienen
calificaciones menores en los preexámenes, y una correlación positiva moderada entre
“ACTIVIDADES” y “OTROS” (0.4).
Por lo tanto, para la construcción y desarrollo del modelo de aprendizaje para predecir la variable
“APRUEBA”, la variable “HORAS” resulta probablemente la característica más influyente para
predecir. Mientras que las variables “TUTORÍA”, “PREEXAMEN” y “ACTIVIDADES” podrían
aportar información adicional, aunque con relaciones más complejas que requieren análisis profundos.
La variable “OTROS” parece tener bajo impacto.
Análisis del modelo regresión logística
Se desarrolló un modelo de regresión logística para predecir la variable binaria “APRUEBA”,
enfocándose en estimar la probabilidad de aprobar el EHEP (figura 3).
Las variables predictoras incluidas fueron “TUTORÍA”, “HORAS”, “PREEXAMEN”,
“ACTIVIDADES” y “OTROS”, con una muestra de 117 estudiantes. La optimización mediante máxima
verosimilitud (MLE) fue exitosa, convergiendo en seis iteraciones, lo que refleja un proceso
computacional eficiente.
El ajuste del modelo, evaluado mediante el pseudo R-cuadrado, fue moderado (0.3160), indicando
que el modelo explica aproximadamente un 31.6 % de la variabilidad en la probabilidad de aprobar.
La log-verosimilitud del modelo (-50.453) mejoró considerablemente frente al modelo nulo (-73.760), y
la prueba de razón de verosimilitud (LLR) arrojó un valor extremadamente bajo (6.81e-09),
confirmando la significancia estadística del modelo.
En cuanto a los coeficientes específicos, “HORAS” mostró un efecto positivo fuerte y altamente
significativo (coeficiente 2.835, p < 0.001), señalando que, a mayor tiempo de estudio, mayor es la
probabilidad de aprobar. Las variables “PREEXAMEN” (-0.061, p = 0.020) y “ACTIVIDADES” (-0.639,
https://niveles.esprint.tech
ISSN: 3073-1119
Vol. 2 N° 2, julio-diciembre 2025 (36-47)
Revista de Investigación
Educativa Niveles
Saul Yasaca Pucuna, Juan Diego Erazo Rodríguez 42
p = 0.027) presentaron efectos negativos significativos, mientras que “TUTORÍA” tuvo un coeficiente
negativo marginalmente significativo (-0.616, p = 0.076). Por último, la variable “OTROS” no resultó
significativa (coeficiente 0.304, p = 0.240), lo que sugiere que su aporte al modelo es limitado.
Figura 3
Resultado Regresión Logística
Análisis de la matriz de confusión y métricas en regresión logística
La matriz de confusión mostró que el modelo clasificó correctamente 97 observaciones como
aprobadas (verdaderos positivos) y 38 como no aprobadas (verdaderos negativos). Se identificaron 14
falsos positivos, es decir, casos predichos como aprobados que en realidad no lo fueron, y 19 falsos
negativos, en los que el modelo no logró detectar algunos estudiantes que sí aprobaron.
El desempeño general del modelo fue favorable, con una exactitud del 80.36 %, lo que refleja la
proporción total de predicciones correctas. La precisión fue del 87.38 %, indicando que la mayoría de
las predicciones positivas fueron acertadas, y la sensibilidad alcanzó 83.62 %, lo que representa el
porcentaje de casos positivos correctamente identificados. El F1-score, que combina precisión y
sensibilidad, fue de 85.38 %, mostrando un balance adecuado entre ambas métricas. Sin embargo, la
presencia de 19 falsos negativos evidencia que el modelo puede tener limitaciones para identificar
todos los casos positivos, lo cual es importante considerar en aplicaciones prácticas.
Análisis de curvas ROC AUC en regresión logística
Para evaluar la capacidad discriminativa del modelo se analizó la curva ROC (figura 4) y se obtuvo un
área bajo la curva (AUC) de 0.832, lo que denota un rendimiento notablemente superior al azar y
confirma la habilidad del modelo para clasificar correctamente casos positivos y negativos. La
optimización del modelo utilizó el algoritmo L-BFGS para estimar los coeficientes óptimos,
contribuyendo a su capacidad predictiva en datos no observados previamente.
https://niveles.esprint.tech
ISSN: 3073-1119
Vol. 2 N° 2, julio-diciembre 2025 (36-47)
Revista de Investigación
Educativa Niveles
Saul Yasaca Pucuna, Juan Diego Erazo Rodríguez 43
Figura 4
Curvas ROC-AUC
Dado el desbalance en las clases de la muestra, se complementó la evaluación con la curva de
Precisión-Sensibilidad (figura 5), más adecuada para estos escenarios. En esta curva se obtuvo un F1-
score de 0.643 y un AUC de 0.710, valores que indican un rendimiento aceptable del modelo para
diferenciar entre estudiantes que aprueban y no aprueban el EHEP. Estos resultados en conjunto
validan que el modelo de regresión logística es efectivo para la predicción del éxito en el examen, con
un buen balance entre precisión y capacidad de detección.
Figura 5
Curva de Precisión-Sensibilidad
4. Discusión
El modelo de regresión logística multifactorial desarrollado en este estudio demostró ser una
herramienta eficaz para predecir el éxito de los estudiantes de medicina de la ESPOCH en el EHEP. A
diferencia de investigaciones que abordan dicho examen desde una perspectiva unidimensional, este
enfoque integró variables académicas, psicométricas y de estilo de vida, ofreciendo una visión holística
de los factores que realmente inciden en el desempeño.
El número de horas del estudio mostró un fuerte efecto positivo en la probabilidad de aprobar el
examen, coincidiendo con los hallazgos de Expósito et al. (2025). Esta concordancia reafirma que la
dedicación al estudio es un factor clave para el rendimiento en exámenes profesionales. Asimismo, la
naturaleza negativa de las variables “TUTORÍAS” y “PREEXÁMENES” refleja una dinámica compleja,
donde los estudiantes que buscan más apoyos tienden a presentar dificultades académicas previas, lo
que sugiere que estas intervenciones actúan más como indicadores de vulnerabilidad que de
protección, una situación también descrita por Rojas et al. (2025).
https://niveles.esprint.tech
ISSN: 3073-1119
Vol. 2 N° 2, julio-diciembre 2025 (36-47)
Revista de Investigación
Educativa Niveles
Saul Yasaca Pucuna, Juan Diego Erazo Rodríguez 44
En el contexto regional, los resultados encuentran respaldo en la revisión sistemática ejecutada por
Flores-Cohaila (2022) sobre factores asociados con el desempeño en el Examen Nacional de Medicina
(ENAM) de Perú, destacando la multifactorialidad del rendimiento académico, incluyendo variables
como el promedio de calificaciones, el entorno de prácticas profesionales, el estatus académico regular,
y estrategias de aprendizaje autorregulado. La implicación práctica es que estudiantes y docentes
inciden en los resultados mediante la mejora de hábitos de estudio y manejo de la ansiedad, lo que
fortalece el valor de incluir variables psicométricas y conductuales en nuestro modelo.
De manera complementaria, el estudio de Agha et al. (2023) aportó evidencia sobre la importancia
del bienestar subjetivo y habilidades académicas asociadas con el éxito en estudiantes de medicina.
Aspectos como la confianza, la percepción de eficacia del instructor y la adaptación personal se
vincularon significativamente con un alto promedio de calificaciones, respaldando así la inclusión de
variables psicométricas como la autoeficacia y la motivación en nuestro análisis.
En cuanto a variables relacionadas con el estilo de vida, el estudio de Rodriguez et al. (2021)
evidencia la alta prevalencia de somnolencia diurna excesiva y mala calidad del sueño entre
estudiantes de medicina en Ecuador, aunque sin una asociación estadísticamente significativa con el
rendimiento académico. Este hallazgo es consistente con nuestro resultado, donde la calidad del sueño
no emergió como un predictor relevante en el modelo. Sin embargo, dada la frecuencia de estos
trastornos del sueño en la población estudiada, sigue siendo importante promover intervenciones que
mejoren la salud integral del estudiante, más allá del impacto inmediato en su desempeño académico.
Comparando con investigaciones recientes, como la de Barahona-Anguisaca et al. (2024) y Del
Carpio-Mendoza (2024), que combinaron modelos estadísticos y aprendizaje automático, nuestro
modelo de regresión logística presenta ventajas en la interpretabilidad y uso práctico para identificar
variables significativas en la predicción del éxito en el EHEP. La integración de variables
multifactoriales, que van más allá de las calificaciones tradicionales, representa un aporte clave para
diseñar estrategias personalizadas de acompañamiento, intervenciones académicas y programas de
apoyo que potencien las tasas de aprobación.
Por lo tanto, esta investigación robustece el conocimiento sobre los factores que inciden en el
rendimiento en exámenes profesionales de alta relevancia social, valida la utilidad de la regresión
logística como método predictivo y consolida la importancia de considerar un enfoque multifactorial
que abarque ámbitos académicos, psicométricos y de estilo de vida para optimizar la preparación
estudiantil.
5. Conclusiones
El estudio desarrolló un modelo de regresión logística capaz de predecir el éxito (aprobación o no) en
el EHEP aplicado a estudiantes de medicina de la ESPOCH, integrando características académicas,
psicométricas y de estilo de vida. Para ello, se utilizó una metodología basada en la DSR y el estándar
CRISP-DM para la construcción de un artefacto validado y confiable.
Los resultados evidencian que la variable “HORAS” de estudio es el predictor más determinante
para la aprobación, destacando la importancia del esfuerzo y la disciplina del estudiante en su
desempeño académico. Por otro lado, se identificaron relaciones negativas significativas con las
variables “TUTORÍA” y “PREEXÁMENES”, lo que sugiere la necesidad de investigaciones futuras que
profundicen en el entendimiento de estos fenómenos y en cómo influyen en el éxito en el EHEP.
El modelo final de regresión logística mostró un desempeño robusto, al alcanzar una exactitud del
80.36 %, un F1-score de 0.643 y un área bajo la curva (AUC) de 0.710 en la curva de Precisión-
https://niveles.esprint.tech
ISSN: 3073-1119
Vol. 2 N° 2, julio-diciembre 2025 (36-47)
Revista de Investigación
Educativa Niveles
Saul Yasaca Pucuna, Juan Diego Erazo Rodríguez 45
Sensibilidad. Estos resultados confirman su capacidad para discriminar eficazmente entre clases
desbalanceadas, convirtiéndose en una herramienta útil para la predicción y detección temprana de
estudiantes con mayor riesgo de no aprobar.
Referencias
Agha, S., Alzayed, A. A., Alfuraih, T. A., Alenazi, F. T., Alomair, M. I., & Masuadi, E. (2023).
Association of the Academic Performance of Undergraduate Medical Students With Positive
Well-Being, Intelligence, and Factors of Academic Success. Cureus, 15(12), e50077.
https://doi.org/10.7759/CUREUS.50077
Aguilar-Reyes, J. E., Mejía-Peñafiel, E. F., Morocho-Barrionuevo, T. P., & Velasco, G. M. (2025). Estudio
del rendimiento académico mediante la comparación de modelos de regresión y árboles de
clasificación. Telos, 27(1), 94-115. https://n9.cl/ldnu0r
Álvarez-Raigoza, K. L., García-Peña, Á. A., Rodríguez, J. A., Gómez-Restrepo, C., & Cita, J. E. (2024).
Síndrome de burnout en estudiantes de cardiología y cardiólogos en Colombia. Revista
Colombiana de Cardiología, 31(4), 218-229. https://doi.org/10.24875/RCCAR.23000113
Alyahyan, E., & Düştegör, D. (2020). Predicting academic success in higher education: Literature
review and best practices. International Journal of Educational Technology in Higher Education,
17(1), 1-21. https://n9.cl/j4uic
Barahona-Anguisaca, D. M., Vega-Calvas, P. A., Moyota-Paguay, A. R., & Porras-Ramírez, L. I. (2024).
Análisis de modelos estadísticos para predecir el éxito académico en estudiantes universitarios.
MQRInvestigar, 8(2), 2951-2969. https://doi.org/10.56048/MQR20225.8.2.2024.2951-2969
CACES. (2024). Examen de habilitación profesional. https://www.caces.gob.ec/examen-de-habilitacion-
profesional/
Carhuaricra, I. N. (2023). Factores relacionados al rendimiento académico del examen nacional de medicina en
internos de una universidad privada de Lima, 2022 [Tesis de grado, Universidad Privada San Juan
Bautista]. Repositorio institucional. https://n9.cl/po4p2
Del Carpio-Mendoza, R. A. (2024). Predicción del rendimiento académico utilizando modelos de
aprendizaje automático: una revisión sistemática de la literatura. 593 Digital Publisher CEIT,
9(6), 1038-1054. https://doi.org/10.33386/593dp.2024.6.2797
Escobar-Jiménez, C., & Torres-Rentería, S. (2021). Éxito educativo y condiciones socioeconómicas: los
exámenes de habilitación para el ejercicio profesional de la medicina en Ecuador. Revista
Iberoamericana de Educación Superior, 12(35), 132-149.
https://doi.org/10.22201/IISUE.20072872E.2021.35.1086
Expósito, A., Díaz, M. T., & Montero, I. L. (2025). Modelo de regresión logístico en el proceso de
habilitación profesional. La Ciencia al Servicio de la Salud y Nutrición, 16(1), 74-80.
https://cssn.espoch.edu.ec/index.php/v3/article/view/419
Flores-Cohaila, J. A. (2022). Factors associated with medical students’ scores on the National Licensing
Exam in Peru: A systematic review. Journal of Educational Evaluation for Health Professions, 19.
https://doi.org/10.3352/JEEHP.2022.19.38
Gálvez-Gamboa, F., Pinochet-Quiroz, P., Lepe-Martínez, N., & Cabrera, H. (2024). Experiencia de
aprendizaje autorregulado y su efecto en el rendimiento académico de universitarios de primer
año. Revista Ecuatoriana de Neurología, 33(1), 47-54.
https://doi.org/10.46997/REVECUATNEUROL33100047
https://niveles.esprint.tech
ISSN: 3073-1119
Vol. 2 N° 2, julio-diciembre 2025 (36-47)
Revista de Investigación
Educativa Niveles
Saul Yasaca Pucuna, Juan Diego Erazo Rodríguez 46
Garbanzo, G. M. (2007). Factores asociados al rendimiento académico en estudiantes universitarios,
una reflexión desde la calidad de la educación superior pública. Revista Educación, 31(1), 43.
https://doi.org/10.15517/REVEDU.V31I1.1252
Gutiérrez-Monsalve, J. A., Garzón, J., & Segura-Cardona, A. M. (2021). Factores asociados al
rendimiento académico en estudiantes universitarios. Formación universitaria, 14(1), 13-24.
https://doi.org/10.4067/S0718-50062021000100013
Merchán-Clavellino, A., Martínez-García, C., Salguero-Alcañiz, M. P., Paíno-Quesada, S., & Alameda-
Bailén, J. R. (2019). Indicadores de calidad en la Educación Superior: análisis de los factores
psicosociales de los estudiantes. Revista de Psicología y Educación, 14(1), 27.
https://doi.org/10.23923/RPYE2019.01.169
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L.,
Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M., Hróbjartsson,
A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E., McDonald, S., McGuinness, L. A.,
Stewart, L. A., Thomas, J., Tricco, A. C., Welch, V. A., Whiting, P., & Moher, D. (2021).
Declaración PRISMA 2020: una guía actualizada para la publicación de revisiones sistemáticas.
Revista Española de Cardiología, 74(9), 790-799. https://doi.org/10.1016/J.RECESP.2021.06.016
Pastor, J. C., Cachay, L. F., & Moreno, S. E. (2024). Factors influencing the academic performance of
peruvian university students. EduSol, 24(88), 96-105. https://n9.cl/vtqhy
Pérez, M., Mejía, O., Serrano, C., Suescún, S., Mogollón-Alaguna, O., & León, F. (2023). Analysis of
academic performance from a binary logistic regression model. Innovaciencia, 11(1), 1-14.
https://doi.org/10.15649/2346075X.3423
Rodriguez, M., Ascuntar, N., González, P., & Fors, M. (2021). Excessive daytime somnolence in a
sample of Ecuadorian undergraduate medical students and its relationship with academic
performance. Cogent Education, 8(1). https://doi.org/10.1080/2331186X.2020.1870800
Rojas, F., Figueroa, G. S., & Gallegos, N. (2025). Identificación temprana de estudiantes en riesgo de
reprobación mediante la tutoría y su impacto académico. Espacio I+D, Innovación más Desarrollo,
14(40), 30-43. https://n9.cl/1th5w
Sánchez-Cubo, F., Mondéjar-Jiménez, J., & García-Pozo, A. (2023). Evaluación del desajuste educativo
en la industria hostelera española. Investigaciones Turísticas, (26), 235-250.
https://doi.org/10.14198/INTURI.23653
Suardiaz-Muro, M., Morante-Ruiz, M., Ortega-Moreno, M., Ruiz, M. A., Martín-Plasencia, P., & Vela-
Bueno, A. (2020). Sueño y rendimiento académico en estudiantes universitarios: revisión
sistemática. Revista de Neurología, 71(2), 43-53. https://doi.org/10.33588/RN.7102.2020015
https://niveles.esprint.tech
ISSN: 3073-1119
Vol. 2 N° 2, julio-diciembre 2025 (36-47)
Revista de Investigación
Educativa Niveles
Saul Yasaca Pucuna, Juan Diego Erazo Rodríguez 47
Transparencia
Conflicto de interés
Los autores no reportamos conflicto de intereses.
Fuente de financiamiento
Los autores declaran que no hubo financiamiento para la realización de este estudio.
Contribución de autoría
Saul Yasaca Pucuna: Conceptualización, software, validación, análisis formal, investigación, gestión
de datos, visualización, redacción - preparación del borrador original, redacción - revisión y edición,
financiamiento, administración del proyecto, recursos, supervisión.
Juan Diego Erazo Rodríguez: Conceptualización, metodología, validación, análisis formal,
investigación, visualización, redacción - preparación del borrador original, redacción - revisión y
edición, financiamiento, recursos.
Los autores contribuyeron activamente en el análisis de los resultados, revisión y aprobación del
manuscrito final.
