Please use this identifier to cite or link to this item: https://dspace.uniandes.edu.ec/handle/123456789/10325
Title: Machine Learning para la extracción de información biomédica en el laboratorio clínico
Authors: Romero Fernández, Ariel José
Fernández Villacres, Gustavo Eduardo
Álvarez Bonilla, Iván Mauricio
Keywords: MACHINE LEARNING
INFORMACIÓN BIOMÉDICA
LABORATORIO CLÍNICO
Issue Date: Aug-2019
Abstract: La evolución de la capacidad de cómputo hoy en día ha mejorado y ha permitido qué ramas de la Inteligencia artificial como lo es el Machine learning pueden ser implementadas en diferentes áreas del conocimiento. Por lo cual el objetivo de la presente investigación fue aplicar técnica supervisada y no supervisadas de Machine learning para extraer información biomédica que permita mejorar los resultados de laboratorio clínico y así poder tomar mejores decisiones. Se realizó una investigación de campo a través de una encuesta en donde se determinó que el 100% de investigadores en el área de laboratorio clínico aplican solo técnicas estadísticas para presentar resultados de sus datos y un 50% conoce acerca de Machíne learning pero no lo sabe aplicar. Por tal motivo se propuso aplicar técnicas supervisadas con sus respectivos algoritmos en 272 registros de resultado de laboratorio para predecir la función renal y la función tiroidea, dando como resultado que en la función renal el algoritmo AdaBoost obtuvo una precisión del 97,1 % en mujeres, mientras que en el algoritmo de Tree obtuvo una precisión del 98,7 % en hombres. Para la predicción de la función tiroidea el algoritmo AdaBoost obtuvo una precisión del 98,9%. En cuanto a las técnicas no supervisadas fueron representadas por las reglas de asociación, las cuales obtuvieron una confianza del 100% con lift mayor a 1 permitiendo crear reglas para la función metabólica de carbohidratos. Con los resultados obtenidos se puede afirmar que Machine learning es una herramienta qué puede ayudar en el diagnóstico médico y mejorar los resultados que se presentan en el área de laboratorio clínico.
Description: En el diagnóstico médico, la información disponible se complementa con la recopilación de datos adicionales, que se pueden obtener a partir de la historia clínica de un paciente, un examen físico y de varias pruebas de diagnóstico, incluidas las pruebas de laboratorio clínico. Las pruebas de laboratorio se utilizan para confirmar, excluir, clasificar o monitorear enfermedades y para guiar él tratamiento (Badrick, 2013) El Machine learning aplicado a los resultados de las pruebas laboratorio de ferritina de pacientes ambulatorios ofrece un nuevo tipo de apoyo a la decisión clínica, destinado a mejorar el valor diagnóstico de múltiples analitos. Los datos demográficos de los pacientes y los resultados de otras pruebas de laboratorio diferencian los resultados normales de los resultados anormales de ferritina con un alto grado de precisión. Solo los resultados bajos de ferritina se clasificaron como anormales, ya que el objetivo era identificar la deficiencia de hierro, lo que se indica con una ferritina baja, la clasificación se realizó utilizando la regresión logística implementada en el paquete Python Scikit-learn. Las técnicas de regresión utilizadas fueron la regresión lineal, la regresión lineal bayesiana, la regresión aleatoria de bosques (Luo, Szolovits, Baron, & Dighe, 2016).
URI: http://dspace.uniandes.edu.ec/handle/123456789/10325
Appears in Collections:Artículo Científico de Maestría en Sistemas de Información Gerencial

Files in This Item:
File Description SizeFormat 
ACTFMFG007-2019.pdf692,08 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.