Los modelos predictivos de mortalidad en UCI, como el APACHE, el SAPS y el MPM, se han desarrollado preferiblemente con sujetos no oncológicos o bien estos han representado una fracción muy pequeña de la población donde se realizaron, por lo que es dudosa la generalización y aplicación de estos modelos a los pacientes graves con cáncer. En tal sentido, se hace necesario construir modelos de predicción de la mortalidad específicamente para este tipo de pacientes, ya que constituyen una población con características particulares, no solo desde el punto de vista médico, sino también desde el punto de vista humano. Antes de llevar a cabo la construcción de un modelo predictivo, es necesario caracterizar apropiadamente la población sujeto de estudio. Tradicionalmente se hace un análisis univariado, donde se estima si existen diferencias estadísticamente significativas entre el grupo de pacientes que falleció y el grupo de pacientes que sobrevivió durante el tiempo de seguimiento. Este análisis, si bien permite identificar posibles predictores, no es apropiado para definir correctamente las características de la población que se analiza, ni siquiera evalúa las relaciones existentes entre los predictores, que sería muy útil para un mejor entendimiento del problema a investigar. Una técnica apropiada para resolver este problema es el análisis de componentes principales (ACP). La mayoría de las construcciones matemáticas de predicción se basan en modelos lineales o linealizados, donde se intenta predecir Y según los efectos aditivos de los predictores. Contextualizando, si se desea construir un modelo para predecir la probabilidad de morir en los pacientes con cáncer admitidos en UCI mediante un modelos de regresión logística binaria (RLB), la probabilidad de morir (Y = 1) estaría dada por la sumatoria del múltiplo de un parámetro βj por el valor (X = x) de las variables predictoras que se utilicen; sin embargo, este modelo no explica las relaciones que pueden existir entre las variables predictoras; tampoco explica cuáles son las dimensiones de las variables predictoras que mejor predicen Y = 1, lo cual permitiría ser más exhaustivo en la explicación del fenómeno que se estudia. Estas limitaciones también pueden ser resueltas mediante la modelación matemática empleando el ACP y el análisis de RLB. Los objetivos del presente estudio fueron: 1-) caracterizar la población de pacientes con cáncer admitidos en UCI oncológica; 2-) determinar los factores de riesgo de muerte en estos pacientes; y 3-) entre el modelo de RLB y el de regresión logística basado en el análisis de componentes principales categóricos (RLCPC), seleccionar el mejor modelo predictivo de muerte. Para lograr estos objetivos en el epígrafe 2 se plantea el diseño y las variables estudiadas y se muestra el procedimiento estadístico empleado; también se conceptualiza el ACP categóricos, el análisis de RLB, así como los criterios para evaluar la capacidad predictiva y los criterios para la selección de modelos. En el epígrafe 3 se presentas los resultados y la discusión de los mismos.