Computational model of supervised machine learning classification, for the analysis of cardiovascular data and medical prognosis

  • Glenda Blanc-Pihuave Universidad Ecotec
  • Lorenzo Cevallos-Torres Universidad de Guayaquil
  • José Arteaga-Vera Universidad Laica Eloy Alfaro de Manabí
Keywords: Cardiovascular Diseases, Machine Learning, Bayesian Networks, diagnosis, Naive Bayes

Abstract

Cardiovascular diseases are a public health problem in Ecuador and around the world, so this research work proposes the design of a computational model of classification using techniques of machine Learning, with the support of probabilistic models that allow modeling of cardiovascular disease risk factors. This model is based on Bayesian Networks, which, based on the risk factors of the disease, will show the percentage that the patient has of contracting it. The documentary 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. and in a short period of time, thus being a support tool in decision-making for experts.

Downloads

Download data is not yet available.

Metrics

Metrics Loading ...

References

Moreno, G. A. (2008). La definición de salud de la Organiza-ción Mundial de la Salud y la interdisciplinarie-dad. Sapiens. Revista Universitaria de Investigación, 9(1), 93-107.

Vega Romero, R. (2009). Informe comision Determinantes sociales de la salud de la organizacion mundial de la sa-lud. Revista Gerencia y Políticas de Salud, 8(16), 7-11.

Fernández, E., Sabán, J., Fabregate, M., & Fabregate, R. (2009). Epidemiología de la enfermedad cardiovascu-lar. Control total del riesgo cardiometabólico. Madrid: Díaz de Santos, 31-77.

Chávez Domínguez, R., Ramírez Hernández, J. A., & Casano-va Garcés, J. M. (2003). La cardiopatía coronaria en Méxi-co y su importancia clínica, epidemiológica y preventi-va. Archivos de cardiología de México, 73(2), 105-114.

Volschan, A., Caramelli, B., Gottschall, C. A. M., Blacher, C., Casagrande, E. L., & Manente, E. R. (2004). Diretriz de embo-lia pulmonar. Arq Bras Cardiol, 83(Suppl 1), 1-8.

Salazar ÁLvarez, Y. (2011). Uso de la metformina en la diabe-tes mellitus tipo II. Revista Cubana de Farmacia, 45(1), 157-166.

Murillo, A. Z., & Esteban, B. M. (2005). Obesidad como factor de riesgo cardiovascular. Hipertensión y riesgo vascu-lar, 22(1), 32-36.

Guarnaluses, L. J. B., & Ramos, A. P. (2016). Factores de riesgo de los accidentes cerebrovasculares durante un bie-nio. Medisan, 20(5), 666-674.

Encinas, C., Sacristán, J., Cenamor, D., & Morell, L. (2019). SOFIA: Soporte Fármaco Terapéutico Inteligencia Artifi-cial. I+ S: Revista de la Sociedad Española de Informática y Salud, (137), 7-14.

Quesada, Y., Wong, D., & Rosete, A. (2012). Minería de Datos aplicada a la Gestión Hospitalaria. 14 Convención Cientí-fica de Ingeniería y Arquitectura, 2-5.

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).

Aranda Núñez, A. P. (2019). Estudio de la relación del esfuerzo de corte con la presión en aneurismas cerebrales y la pre-dicción del riesgo de ruptura usando herramientas de inte-ligencia artificial basado en datos morfológicos, fluidodi-námicos y estructurales.

Moncayo, K. C., Sanchez, A. G., Anton, P. R., & Cevallos-Torres, L. (2019). Modelo de simulación para la optimización del inventario de una distribuidora, basado en Simulación Monte Carlo y Algoritmo Metaheurístico Genéti-co. Ecuadorian Journal of Science, Research and Innova-tion, 3(2), 33-38.

Portugal, R., & Carrasco, M. (2007, January). Ensamble de Algoritmos Bayesianos con Árboles de decisión: una alter-nativa de clasificación. In XVII Congreso Chileno de Con-trol Automático ACCA, Universidad de la Frontera, Chile.

Pereira-Toledo, A., López-Cabrera, J. D., & Quintero-Domínguez, L. A. (2017). Estudio experimental para la com-paración del desempeño de Naïve Bayes con otros clasifi-cadores bayesianos. Revista Cubana de Ciencias Informá-ticas, 11(4), 67-84.

O’Donnell, C. J., & Elosua, R. (2008). Factores de riesgo cardio-vascular. Perspectivas derivadas del Framingham Heart Study. Revista española de Cardiología, 61(3), 299-310.

Medrano, M. J., Cerrato, E., Boix, R., & Delgado-Rodríguez, M. (2005). Factores de riesgo cardiovascular en la población española: metaanálisis de estudios transversa-les. Medicina clínica, 124(16), 606-612.

Álvarez Cosmea, A. (2001). Las tablas de riesgo cardiovascu-lar: Una revisión crítica. Medifam, 11(3), 20-51.

Molina Espinoza, C. I. (2014). Detección temprana de riesgo cardiovascular usando text mining en los campos de texto no estructurado del registro clínico electrónico.

González, F. A. (2015). Machine learning models in rheumato-logy. Revista Colombiana de Reumatología, 22(2), 77-78.

Rodriguez, C. A., et al. "Clasificación de latidos de contrac-ción ventricular prematura basados en métodos de aprendizaje no supervisado." Revista Ingeniería Biomédi-ca 8.15 (2014): 51-58.

Pedregal, P. (2006). Introduction to optimization (Vol. 46). Springer Science & Business Media.
Published
2020-09-30
Stats
Abstract 18
PDF (Español (España)) 11
How to Cite
Blanc-Pihuave, G., Cevallos-Torres, L., & Arteaga-Vera, J. (2020). Computational model of supervised machine learning classification, for the analysis of cardiovascular data and medical prognosis. Ecuadorian Science Journal, 4(2), 71-79. https://doi.org/10.46480/esj.4.2.83
Section
Research Paper
Share |

Most read articles by the same author(s)