Un enfoque de Machine Learning y
razonamiento probabilístico en el pronóstico de factores de riesgo de la
diabetes
A Machine Learning approach and
probabilistic reasoning in the prognosis of risk factors for diabetes
Jonathan P. Cárdenas-Ruperti1, Francisco S. Durán-Pérez2, Luis A. Padilla-Álvarez 3
RESUMEN
Este trabajo investigativo propone el diseño de un modelo computacional de
clasificación a través del uso de técnicas de Machine Learning, hemos optado
por trabajar con el aprendizaje automático apoyado en un modelo probabilístico
que permita evaluar los factores de riesgo de la enfermedad de la diabetes tipo
2. Este modelo está basado en el método de regresión logística, que según a los
factores de riesgo de la enfermedad, mostrará como resultado el porcentaje que
tiene el paciente de contraer la misma. Se aplicó la metodología de investigación
bibliográfica que aporte con el conocimiento necesario para la realización de
este proyecto en el cual se realizaron pruebas para verificar el comportamiento
de cada una de las variables utilizadas en el modelo probabilístico, el cual
brindará resultados eficientes y en un corto periodo de tiempo siendo así una
herramienta de apoyo en la toma de decisiones a los expertos y aportando con el
diagnóstico oportuno para prevenir la enfermedad.
Palabras clave: Diabetes, Machine Learning,
Razonamiento Probabilístico, Regresión Logística.
ABSTRACT
This research work proposes the design of a classification computational model through the use of Machine Learning techniques, we have chosen to work with machine learning supported by a probabilistic model that allows evaluating the risk factors of type 2 diabetes disease This model is based on the logistic regression method, which, according to the risk factors of the disease, will show as a result the percentage that the patient has of contracting it. The bibliographic research methodology was applied that provides the necessary knowledge to carry out this project in which tests were carried out to verify the behavior of each of the variables used in the probabilistic model, which will provide efficient results in a short time. period thus being a tool to support experts in decision-making and providing the appropriate diagnosis to prevent the disease.
Keywords: Diabetes, Machine Learning, Probabilistic Reasoning,
Logistic Regression.
Fecha de recepción: Febrero 8, 2020.
Fecha de aceptación:
Marzo 25,
2020.
Es una de las mayores emergencias mundiales de salud del siglo XXI. Cada
año más y más personas viven con esta condición, que puede desencadenar
complicaciones a lo largo de la vida. Además de los 415 millones de adultos que
actualmente tienen diabetes, hay 318 millones de adultos con tolerancia a la
glucosa alterada, lo que les sitúa en un alto riesgo de desarrollar la
enfermedad en el futuro.
El proceso de su tratamiento es
costoso. Las medidas y soluciones establecidas por los gobiernos y suscritas
por las más altas autoridades en diabetes de todo el mundo, no han tenido a la
fecha el esperado efecto beneficioso, pues este mal no disminuye su frecuencia,
intensidad y gravedad, como consecuencia de sus particulares características
epidemiológicas. Sin embargo, se tienen la seguridad y la esperanza de que con
el esfuerzo y las acciones continúas en todas las naciones, la humanidad se
verá libre de las enfermedades crónicas no trasmisibles, en un futuro que es de
esperar que no tarde demasiado.
La prevención de esta enfermedad
exige la adopción de una perspectiva que abarque todo el ciclo vital. En la
fase más temprana, cuando se forman los hábitos alimentarios y de actividad
física y cuando la regulación del equilibrio energético se puede programar para
el futuro a largo plazo, existe un periodo crítico en el que se puede intervenir
con el fin de contrarrestar el riesgo de padecer obesidad y diabetes de tipo 2
en años posteriores. Mellitus, D. (2005).
El aprendizaje automático está siendo utilizado en
varias áreas de la medicina, muchas de estas aportaciones han obtenido resultados
muy favorables. En este proyecto implementamos esos conocimientos mediante el
uso de técnicas de machine Learning a través de un modelo computacional
diseñaremos un sitio web dirigido al experto del área, el cual podrá ayudarse
mediante el uso de esta herramienta desarrollada en Python la cual podrá ser
utilizada en el pronóstico de la enfermedad. Baranwal, A., Bagwe, B. R., &
Vanitha, M. (2020).
Trabajos Relacionados
Ya hace algunos años se han venido
implementando el uso de sistemas expertos en el área de la salud, los cuales
han sido de gran ayuda y han aportado de manera favorable, como algunos
ejemplos que nos ayudaron en la realización de este proyecto tenemos:
Modelo estadístico predictivo para
el padecimiento de pie diabético en pacientes con diabetes mellitus tipo II. López
Fernández, R. et al, (2016).
Prevalencia de la Diabetes Mellitus
tipo 2 y factores asociados en la ciudad de Maracaibo, Venezuela. Cordero, L.
C. A, et al. (2017)
Prevalencia de Diabetes por
diagnostico Medico previo en México. Rivas-Acuña, V., et al, (2011).
Una aplicación del Modelo de
Regresión Logística en la predicción del rendimiento estudiantil. Domínguez
Alonso, E., & Aldana Padilla, D. (2001).
Materiales y métodos
El desarrollo de la investigación especifica el
uso de la siguiente metodología que
proporcionaron las herramientas necesarias para realizar una evaluación
adecuada a la información recopilada.
Inteligencia Artificial
La Inteligencia Artificial es una de
las ramas de las ciencias de la computación que más interés ha despertado en la
actualidad, debido a su enorme campo de aplicación. La búsqueda de mecanismos
que nos ayuden a comprender la inteligencia y realizar modelos y simulaciones
de estos, es algo que ha motivado a muchos científicos a elegir esta área de
investigación De Mitri, M. J. (2019).
Machine Learning
El aprendizaje automático como un
conjunto de métodos que pueden detectar automáticamente patrones en los datos,
y luego utiliza los patrones descubiertos para predecir futuros datos, o para
realizar otros tipos de toma de decisiones bajo incertidumbre Alonso
Castrillejo, S. (2020).
Aprendizaje Supervisado
El aprendizaje supervisado es el más
común utilizado entre los dos, incluye algoritmos tales como regresión
lineal y logístico, clasificación de clases múltiples y máquinas
de vectores de soporte. El aprendizaje supervisado se llama así porque el
desarrollador actúa como una guía para enseñar al algoritmo las conclusiones a
las que debe llegar, es decir la salida del algoritmo ya es conocida. Es
similar a la forma en que un niño podría aprender de un maestro Aguirre Ascona,
Y. D. (2019).
Modelo de Regresión
Es un problema de predecir una
etiqueta de valor real a menudo llamada objetivo dado un Ejemplo sin etiqueta.
Estimación de la valoración del precio de la vivienda según las características
de la casa, como el área, El número de habitaciones, la ubicación, etc. es un
famoso ejemplo de regresión Aguirre Ascona, Y. D. (2019).
Modelo de Regresión Logística
Cuando se quiere evaluar la relación
entre una variable que suscita especial interés (variable dependiente que suele
denominarse
Regresión Logística Binaria
Se usa cuando la
variable dependiente es una variable binaria, es decir, de solo dos
categorías, también conocidas como dummy o dicotómica. Por ejemplo:
Sobre la bondad del modelo:
1. Significación de chi-cuadrado del
modelo en la prueba ómnibus: Si la significación es menor de 0,05
indica que el modelo ayuda a explicar el evento, es decir, las variables
independientes explican la variable dependiente.
2. R-cuadrado de Cox y Snell, y
R-cuadrado de Nagelkerke: Indica la parte de la varianza
dependiente explicada por el modelo. Hay dos R-cuadrados en la regresión
logística, y ambas son válidas. Se acostumbra a decir que la parte de la
variable dependiente explicada por el modelo oscila entre la R-cuadrado de
Cox y Snell y la R-cuadrado de Nagelkerke. Cuanto más alto es la
R-cuadrado más explicativo es el modelo, es decir, las variables
independientes explican la variable dependiente.
3. Porcentaje global correctamente
clasificado: Este porcentaje indica el número de casos que el modelo es
capaz de predecir correctamente. Me explico. En base a la ecuación de
regresión y los datos observados, se realiza una predicción del valor de
la variable dependiente (valor pronosticado). Esta predicción se compara
con el valor observado. Si acierta, el caso es correctamente clasificado.
Si no acierta, el caso no es correctamente clasificado. Cuantos más casos
clasifica correctamente (es decir coincide el valor pronosticado con el
valor observado) mejor es el modelo, más explicativo, por tanto, las
variable independientes son buenas predictoras del evento o variable
dependiente. Si es modelo clasifica correctamente más del 50% de los
casos, el modelo se acepta. Si no, punto final y a volver a empezar,
y seleccionaríamos nuevas variables independientes. Los siguientes pasos
son para evaluar la relación de cada variable independiente con la variable
dependiente
Sobre la relación de las variables
independientes con la variable dependiente:
4. Significación de b: si es menor
de 0,05 esa variable independiente explica la variable dependiente
5. Signo de b: indica la dirección
de la relación. Por ejemplo, a más nivel educativo mayor probabilidad que
suceda el evento.
6. Exp (b): indica la fortaleza de
la relación. Cuanto más alejada de 1 está más fuerte es la relación. Para
comparar los exponenciales de b entre sí, aquellos que son menores a 1 deben
transformarse en su inverso o recíproco, es decir, debemos dividir 1 entre el
exponencial de b (pero solo cuando sean menores a 1). Cevallos-Torres, L.,
& Botto-Tobar, M. (2019).
Caso de Uso
En el presente caso de estudio se va a determinar cómo
inciden los factores de riesgo en una persona para que esta sea propensa a
contraer la enfermedad de la diabetes. Este trabajo se centró en aquellas personas
que tienden a padecer la diabetes tipo 2, del cual se tomó una muestra en una
base de datos con 768 registros, los cuales fueron objetos de estudio.
Para conocer el comportamiento de la variable
dependiente que en nuestro caso es Clase, se procedió con la utilización del
modelo de regresión logística binaria para evaluar su comportamiento, mediante
las variables independientes se denotara el modelo logístico de la siguiente
manera:
En donde denotamos que p es la probabilidad de que
exista una situación de interés, para nuestro caso cual es la probabilidad de
que una persona adquiera la enfermedad de la diabetes tipo 2,
Clasificación y
predicción de los sujetos según los factores de incidencia
Para poder realizar el pronóstico a una persona que
puede llegar a padecer la diabetes tipo 2, se realizó el estudio mediante un
análisis de la variable dependiente Clase mediante los factores de incidencia
de la enfermedad que son nuestras variables independientes, se procedió a
realizar el método de regresión logística binaria con el fin de encontrar las
relaciones que tienen estas variables y conocer cuáles eran las más relevantes
en nuestro estudio, y a partir de ese estudio realizado conocer que tan alta o
que tan baja es la probabilidad de que una persona mediante esos factores de
riesgo pueda contraer la enfermedad.
Para este análisis se tomó en cuenta todas las
variables y se analizó el comportamiento de cada una de ellas en relación a la
variable dicotómica, de ese análisis se procedió a descartar algunas variables
que no eran significativas, analizando su relación y comportamiento con la
variable dependiente.
Análisis de Correlación de Pearson
Utilizaremos esta herramienta de análisis estadístico
para analizar el comportamiento de nuestra variable dependiente con respecto a
cada una de nuestras variables independientes:
Tabla 1: Correlación de Pearson
|
Embarazo |
Glucosa |
Presión |
Piel |
Insulina |
Imc |
Genealogía |
Edad |
Embarazo |
1 |
,129** |
,141** |
-,082* |
-,074* |
0,02 |
-0,034 |
,544** |
Glucosa |
,129** |
1 |
,153** |
0,057 |
,331** |
,221** |
,137** |
,264** |
Presión |
,141** |
,153** |
1 |
,207** |
,089* |
,282** |
0,041 |
,240** |
Piel |
-,082* |
0,057 |
,207** |
1 |
,437** |
,393** |
,184** |
-,114** |
Insulina |
-,074* |
,331** |
,089* |
,437** |
1 |
,198** |
,185** |
-0,042 |
Imc |
0,018 |
,221** |
,282** |
,393** |
,198** |
1 |
,141** |
0,036 |
Genealogía |
-0,034 |
,137** |
0,041 |
,184** |
,185** |
,141** |
1 |
0,034 |
Edad |
,544** |
,264** |
,240** |
-,114** |
-0,042 |
0,04 |
0,034 |
1 |
En el cuadro 1 es la medida de la
asociación lineal entre dos variables. Los valores del coeficiente de
correlación van de -1 a 1. El signo del coeficiente indica la dirección de la
relación y su valor absoluto indica la fuerza. Los valores mayores indican que
la relación es más estrecha.
Curva ROC
La línea de puntos del gráfico 1,
cuanto más se acerque la curva al extremo superior izquierdo de la cuadrícula
la prueba tendrá más capacidad de probabilidad de tener la enfermedad. Si nos
damos cuenta en el gráfico 32, podemos observar que existe un área que se forma
bajo la curva ROC, a lo que entiende como la probabilidad de clasificar
correctamente si una persona tiene o no la diabetes, seleccionados al azar, los
valores AUC bajo la curva ROC van entre 0.5 hasta un máximo que es 1.
Figura 1. Curva ROC
de las variables de estudio
Mediante el análisis de la Curva de Roc en la figura 1
podemos observar que la variable Glucosa, es la variable más significativa ya
que se encuentra sobre el ajuste y es la variable que mayor probabilidad tiene
a llegar a 1, seguida de la
variable Edad que se encuentra en
segunda posición y también cuenta con un
grado de relevancia menor sobre la variable dependiente, de acuerdo a este
análisis la variable IMC también juega un factor muy importante ya que está en
el tercer lugar de las variables que tienen a tener mayor influencia, luego ya
viene las demás variables las cuales van
perdiendo relevancia porque se alejan del área donde tienen a llegar a 1, en
este grupo se encuentra la variable piel, presión, insulina, genealogía,
embarazo , presión y piel tienen, como mínimo, un empate entre el grupo de las
variable que más alejadas se encuentran para ser relevantes. El estado real
positivo es 1.
Área bajo la curva
Tabla 2: Áreas bajo la curva ROC
Variables |
Área |
EMBARAZO |
0,62 |
GLUCOSA |
0,788 |
PRESION |
0,586 |
PIEL |
0,554 |
INSULINA |
0,538 |
IMC |
0,688 |
GENEALOGIA |
0,606 |
EDAD |
0,687 |
En Tabla 2 Las variables de resultado
de prueba: EMBARAZO, GLUCOSA, PRESIÓN, PIEL, INSULINA, IMC, GENEALOGÍA, EDAD
tienen, como mínimo, un empate entre el grupo de estado real positivo y el
grupo de estado real negativo. Las estadísticas podrían estar sesgadas
Análisis
multivariado de los datos
Para realizar nuestro estudio en
las variables se optó por el modelo de regresión logística para desarrollar el
modelo predictivo basado en los factores de riesgo de la enfermedad de la
diabetes tipo 2. En este caso su precisión fue evaluada a través de la curva
del ROC y la calibración mediante el método de Hosmer y Lemeshow, esta prueba
parte de la idea de que si el ajuste es bueno, un valor alto de la probabilidad
predicha (p) se asociará con el resultado 1 de la variable binomial dependiente,
mientras que un valor bajo de p (próximo a cero) corresponderá con el resultado
Y=0.
Tabla de Clasificación
También llamada matriz de confusión nos ayuda a
evaluar el ajuste de la RL, se lo usa como indicador de bondad de ajuste.
Tabla 3. Matriz
de confusión
Tabla
de clasificación Paso 3 CLASE 0 439 61 87,8 1 113 155 57,8 Porcentaje
global 77,3 a. El
valor de corte es ,500
En la tabla 3 la estimación global es de 77,3 % del ajuste del
modelo de regresión logística, y se dio en el paso tres.
Etapa de validación
Para la etapa de validación se utilizará el método
hacia atrás WALD, donde se introducen en el modelo todas las variables y se van
suprimiendo si cumplen una serie de condiciones definidas a priori hasta que no
se pueden eliminar más, es decir ninguna variable cumpla la condición impuesta.
Evaluación del Modelo REGRESIÓN LOGÍSTICA
Para la validación estadística se realizaron varias pruebas
al modelo:
Prueba Ómnibus
Esta prueba es útil para analizar la significancia
conjunta de las componentes del modelo, donde:
𝐻0: 𝛽0 = 𝛽1 = 𝛽2 = 𝛽𝑗 = ⋯
= 𝛽𝑘 = 0
𝐻1: ∃
𝑗 ∈
{0, 1,2… 𝑘} 𝑡𝑎𝑙 𝑞𝑢𝑒 𝛽𝑗 ≠ 0
Tabla 4. Pruebas
ómnibus de coeficientes de modelo: resultados
|
Chi-cuadrado |
G.L |
Sig. |
|
Paso 1 |
Paso |
270,039 |
8 |
0,000 |
Bloque |
270,039 |
8 |
0,000 |
|
Modelo |
270,039 |
8 |
0,000 |
|
Paso 2a |
Paso |
-0,008 |
1 |
0,929 |
Bloque |
270,03 |
7 |
0,000 |
|
Modelo |
270,03 |
7 |
0,000 |
|
Paso 3a |
Paso |
-2,008 |
1 |
0,156 |
Bloque |
268,022 |
6 |
0,000 |
|
Modelo |
268,022 |
6 |
0,000 |
|
a. Un valor negativo de chi-cuadrados
indica que el valor de chi-cuadrados ha disminuido del paso anterior. |
En Tabla 4. para la prueba ómnibus el estadístico de
Chi-cuadrado, evalúa la hipótesis nula de que los coeficientes 𝛽𝑗 de todos los términos (menos la constante) incluidos en el modelo son
cero. Puesto que el p-value en todos los casos es menor a 0.05, podemos afirmar
que existe la suficiente evidencia estadística para rechazar la hipótesis nula,
es decir la tabla de Chi-cuadrado que evalúa la hipótesis nula nos indica que
existe algún 𝛽𝑗 diferente de cero.
Presentación de los Resultados.
El estadístico de prueba es. Donde
Recordemos que el presente trabajo sobre el uso de
machine Learning y razonamiento probabilístico para determinar los factores que
inciden en la diabetes se ha planteado como hipótesis alternativa.
Ha. La probabilidad de tener la enfermedad de la
Diabetes se puede predecir mediante los factores de riesgo como son embarazo,
glucosa, presión, piel, insulina, IMC, genealogía y edad.
Esta prueba selecciona 𝛽𝑗 como el parámetro de interés para contrastar la siguiente hipótesis:
Desarrollo de la
prueba de hipótesis
En el análisis de la prueba de hipótesis, lo haremos
mediante el desarrollo de supuesto, en la regresión múltiple nos permite probar
un modelo de predicción sobre la variable dependiente la cual se enfoca principalmente
en la validez interna.
Para validar nuestra hipótesis alternativa lo haremos
con los supuestos analizando sus pruebas de independencia de errores y no
multicolinealidad.
Tabla 5. Prueba de independencia de errores
R |
R
cuadrado |
R cuadrado
ajustado |
Error
estándar de la estimación |
Durbin-Watson |
.551a |
.303 |
.296 |
.400 |
1.982 |
En tabla 5 el puntaje de la prueba de Durbin-Watson
indica que hay independencia de errores de 1.982, lo cual indica que las
fuentes que producen los errores no son las mismas es decir que los errores son
de condiciones diferentes.
Si el valor esta entre 1 y 3 aceptamos el supuesto.
Tabla 6. Coeficientes
|
B |
D. error |
Beta |
t |
sig. |
Tolerancia
|
VIF |
(Constante) |
-.854 |
.085 |
|
-9.989 |
.000 |
|
|
Embarazo |
.021 |
.005 |
.145 |
4.014 |
.000 |
.699 |
1.431 |
Glucosa |
.006 |
.001 |
.397 |
11.493 |
.000 |
.770 |
1.299 |
Presión |
-.002 |
.001 |
-.095 |
-2.873 |
.004 |
.846 |
1.182 |
Piel |
.000 |
.001 |
.005 |
.139 |
.890 |
.663 |
1.507 |
Insulina |
.000 |
.000 |
-.044 |
-1.205 |
.229 |
.701 |
1.428 |
IMC |
.013 |
.002 |
.219 |
6.344 |
.000 |
.771 |
1.297 |
Genealogía |
.147 |
.045 |
.102 |
3.268 |
.001 |
.937 |
1.067 |
Edad |
.003 |
.002 |
.065 |
1.693 |
.091 |
.630 |
1.588 |
en Tabla 6. el factor de varianza inflada VIF. nos
indica que se cumple el supuesto de no multicolinealidad donde sus valores
están entre 1.067 y 1.588. Se cumple con el supuesto cuando ningún valor está
por encima de 10 y en conjunto sus valores están cercanos a 1
Resultado del contraste de hipótesis
En ambos casos de independencia de errores y no
multicolinealidad se cumple con los supuesto por lo tanto la hipótesis de
nuestra investigación es válida.
Figura 2. Probabilidades
pronosticadas.
En el gráfico 11 podemos notar que si la probabilidad
es menor a 0.5 el me lo asigna a la categoría 0 y los 1 que sale en la tabla de
especificación están mal asignadas en el modelo, y cuando es más de 0.5 nos
asigna a la categoría 1 igual que lo anterior los 0 aquí están mal asignados
pero son pocos en el modelo por lo tanto está bien la probabilidad que existe.
Conclusiones
El actual articulo presenta un Modelo probabilístico
que permite analizar los factores de incidencia en el desarrollo de la
enfermedad de la diabetes tipo 2, el mismo que se implementó usando
conocimientos basados con el uso de
técnicas de machine Learning, mediante
información que fue almacenada en
una base de datos, se pudo obtener el conocimiento sobre la existencia de la
enfermedad, aplicando el método de Regresión logística para determinar su peso
porcentual, que fue usado en el modelo creado en SPSS mostrando el resultado
del análisis de los factores de incidencia, finalmente se aplicó el modelo
Agradecimientos
Con mucha emoción agradezco a Dios
primeramente, ya que sin la venia de él no se pudiera avanzan en los proyectos
que me propongo en la vida y a mis padres que siempre han estado ahí con su
apoyo incondicional hacia mi desarrollo profesional
Referencias Bibliográficas
Mellitus,
D. (2005). Diagnosis and classification of diabetes mellitus. Diabetes
care, 28(S37), S5-S10.
Baranwal,
A., Bagwe, B. R., & Vanitha, M. (2020). Machine
Learning in Python: Diabetes Prediction Using Machine Learning.
In Handbook of Research on Applications and Implementations of Machine
Learning Techniques (pp. 128-154). IGI Global.
López
Fernández, R., Yanes Seijo, R., Suárez Surí, P., Avello Martínez, R., Gutiérrez
Escobar, M., & Alvarado Flores, R. (2016). Modelo estadístico predictivo
para el padecimiento de pie diabético en pacientes con diabetes mellitus tipo
II. Medisur, 14(1), 42-52.
Cordero,
L. C. A., Vásquez, M. A., Cordero, G., Álvarez, R., Añez, R. J., Rojas, J.,
& Bermúdez, V. (2017). Prevalencia de la diabetes mellitus tipo 2 y sus factores
de riesgo en individuos adultos de la ciudad de Cuenca-Ecuador. Avances en
biomedicina, 6(1), 10-21.
Rivas-Acuña,
V., García-Barjau, H., Cruz-León, A., Morales-Ramón, F., Enríquez-Martínez, R.
M., & Román-Alvarez, J. (2011). Prevalencia de ansiedad y depresión en las
personas con diabetes mellitus tipo 2. Salud en Tabasco, 17(1-2),
30-35.
Domínguez
Alonso, E., & Aldana Padilla, D. (2001). Regresión logística: Un ejemplo de
su uso en Endocrinología. Revista Cubana de Endocrinología, 12(1),
0-0.
De Mitri,
M. J. (2019). Predicción de marcadores cardíacos en pacientes diabéticos e
hipertensos medicados por medio de inteligencia artificial (Doctoral
dissertation, Universidad Católica de Córdoba).
Alonso
Castrillejo, S. (2020). Aplicación de algoritmos de machine learning en la
prediccion de la diabetes mellitus tipo II.
Aguirre
Ascona, Y. D. (2019). Métodos de aprendizaje supervisado para la predicción de
diabetes: una revisión sistemática de la literatura.
Granados,
R. M. (2016). Modelos de regresión lineal múltiple. Granada, España:
Departamento de Economía Aplicada, Universidad de Granada.
Abreu, M.
N. S., Siqueira, A. L., & Caiaffa, W. T. (2009). Regresión logística
ordinal en estudios epidemiológicos. Revista de Saúde Pública, 43(1),
183-194.
Cevallos-Torres, L., & Botto-Tobar, M. (2019). Case study: Project-based learning to evaluate probability distributions
in medical area. In Problem-Based Learning: A Didactic Strategy in the
Teaching of System Simulation (pp. 111-122). Springer, Cham.
[1] Ingeniero en Sistemas e Informática,
Máster en Gerencia de Sistemas y Tecnologías de la Información, Docente
Investigador de la Facultad de Ingenierías en la Universidad
Técnica “Luis Vargas Torres” de Esmeraldas, Ecuador. E-mail: [email protected].
[2] Ingeniero Comercial Mención Administración de
la Productividad, Magister en Administración de Empresas con Mención en Gerencia
de la Calidad y Productividad, Desarrollo Organizacional, Administración de
Procesos y Sistemas de Gestión de la Calidad. 8 años de experiencia en Gestión
de Calidad Hospitalaria y Seguridad del Paciente en Hospitales Públicos y
Privados, Consultoría y Capacitación en Planificación Estratégica y Desarrollo
de Proyectos de Factibilidad para la creación de Empresas e Institutos de
Educación Superior y Escuelas Profesionales de Conducción. E-mail: [email protected].
3 Tnlgo. En Sistemas, Lic. En
Informática Educativa, Ing. En Sistemas Informáticos, Magister en
Ciberseguridad, Docente Investigador de la Facultad de Ingenierías en la
Universidad Técnica “Luis Vargas Torres” de Esmeraldas, Ecuador. E-mail: [email protected].
Como citar: Cárdenas-Ruperti J, Durán-Pérez, F. & Padilla-Álvarez L. (2020). Ecuadorian Science Journal. 4(1), 62-67.
DOI: https://doi.org/10.46480/esj.4.1.95