Modelo computacional de clasificación de aprendizaje de máquina supervisado, para el análisis de datos cardiovas-culares y pronóstico médico
DOI:
https://doi.org/10.46480/esj.4.2.83Palabras clave:
Enfermedades Cardiovasculares, Machine Learning, Redes Bayesianas, diagnostico, Naive BayesResumen
Las enfermedades cardiovasculares son un problema de salud pública en Ecuador y todo el mundo, por lo que este trabajo investigativo propone el diseño de un modelo computacional de clasificación a través del uso de técnicas de machine Lear-ning, con el apoyo de modelos probabilísticos que permitan modelar los factores de riesgo de enfermedades cardiovasculares. Este modelo está basado en Redes Bayesianas, que, en base a los factores de riesgo de la enfermedad, mostrará como resul-tado el porcentaje que tiene el paciente de contraer la misma. Se aplicó la metodología de investigación documental 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 para los expertos.
Descargas
Referencias
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.
Descargas
Publicado
Número
Sección
Licencia
Los autores mantienen los derechos sobre los artículos y por tanto son libres de compartir, copiar, distribuir, ejecutar y comunicar públicamente la obra sus sitios web personales o en depósitos institucionales, después de su publicación en esta revista, siempre y cuando proporcionen información bibliográfica que acredite su publicación en esta revista.
Las obras están bajo una https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
Cómo citar
