Agrupamiento
Sinónimos: Clustering · Análisis de conglomerados
Definición ampliada
El agrupamiento, o clustering, reparte un conjunto de casos en grupos de manera que los miembros de un mismo grupo se parezcan más entre sí que a los de otros grupos. No usa etiquetas: la estructura, si aparece, procede de los datos y de las decisiones del analista.
Ese resultado depende de cuatro elecciones que hay que declarar: cómo se representan los casos, qué métrica de distancia se usa, qué algoritmo y con qué parámetros. Al análisis de conglomerados clásico de la estadística se le suma hoy su aplicación sobre representaciones vectoriales, que es el terreno del clúster semántico.
Contexto histórico
Los métodos se consolidaron en las décadas de 1960 y 1970 como herramienta exploratoria. El procedimiento iterativo en el que se apoya k-medias, el algoritmo más difundido, se describió en Bell Labs en 1957 y no se publicó hasta 1982 [1]. Junto a él conviven otras familias —jerárquicas, basadas en densidad y probabilísticas— que responden a criterios de similitud distintos y no forman una única secuencia cronológica.
Importancia actual
A fecha de septiembre de 2026, el agrupamiento es una de las vías habituales para proponer subtipos dentro de poblaciones heterogéneas y para explorar corpus de texto. Su papel es generar hipótesis: la validación de esos grupos es un problema distinto y más difícil que su obtención.
Aplicaciones
Generales
- Explorar la estructura de un conjunto de datos sin etiquetas.
- Segmentar poblaciones o carteras de clientes.
- Organizar documentos o resultados por semejanza.
Sanitarias
- Proponer fenotipos dentro de un síndrome heterogéneo, como se hizo en sepsis [2].
- Explorar subtipos moleculares a partir de perfiles de expresión génica.
- Identificar grupos de pacientes con patrones de utilización de recursos parecidos.
Limitaciones
- Los métodos que fuerzan una partición, como k-medias, devuelven grupos aunque no exista una estructura relevante: el número de grupos es una entrada del método, no un hallazgo. Otras familias no reparten todo el conjunto; los métodos basados en densidad distinguen grupos de ruido y pueden dejar casos sin asignar [3].
- Métodos como k-medias exigen fijar de antemano el número de grupos, y ese número cambia el resultado.
- Los índices internos y de concordancia, como el índice de Rand ajustado, miden estabilidad o acuerdo entre particiones, no relevancia clínica.
- Los grupos pueden reflejar el centro, el protocolo de registro o la disponibilidad del dato en lugar de la biología.
- Una partición replicada en otra cohorte sigue siendo descriptiva: no implica que a cada grupo le convenga un tratamiento distinto.
Ejemplos
Sobre datos de pacientes con sepsis, un agrupamiento puede describir varios fenotipos con perfiles clínicos y analíticos diferenciados [2]. Repetir el análisis pidiendo tres grupos en lugar de cuatro produce otra partición, igualmente coherente en apariencia: por eso la elección del número de grupos y su validación externa forman parte del resultado, no del preprocesado.