Mejorando la predicción del síndrome de Down mediante un modelo de clasificación de datos médicos inteligente- Caso de Estudio

En el área de la salud la aplicación de medicamentos, realización de cirugías, proyecciones sobre la dispersión de enfermedades infecciosas, estudios del cáncer y otras, características como la precisión y la exactitud son fundamentales. En los últimos años, los métodos de inteligencia artificial co...

Descripción completa

Detalles Bibliográficos
Autores principales:	Saldana-Barrios, Juan Jose, Concepción, Tomas, Vargas-Lombardo, Miguel
Formato:	Online
Idioma:	spa
Publicado:	Universidad Tecnológica de Panamá, Panamá 2016
Acceso en línea:	https://revistas.utp.ac.pa/index.php/id-tecnologico/article/view/1234

id	IDTEC1234
record_format	ojs
spelling	IDTEC12342022-07-26T16:05:22Z Improving Downs Syndrome Prediction with a Smart Medical Data Classification Model- Case of Study Mejorando la predicción del síndrome de Down mediante un modelo de clasificación de datos médicos inteligente- Caso de Estudio Saldana-Barrios, Juan Jose Concepción, Tomas Vargas-Lombardo, Miguel In health areas like drugs application, surgeries, projection of the spreading of contagious diseases, study of cancer and others, estimation, accuracy and precision are crucial. In the last few years, machine-learning methods have been used to obtain the best precision in prediction and classification of sensitive data for the medical community. Currently the Down’s syndrome risk estimation process uses established inferior and superior limits to determine if a chemical test is normal or abnormal. Using machine-learning methods we can calculate these limits dynamically. It would adapt the process to the parameters of the population improving it´s results. In this paper we first propose a model to dynamically calculate the values of the upper and lower limits of a healthy population, second the model is implemented and the process is explained and third we compare the results of applying Support Vector Machine and Naive Bayes machine learning methods to predict the risk of having Downs syndrome. En el área de la salud la aplicación de medicamentos, realización de cirugías, proyecciones sobre la dispersión de enfermedades infecciosas, estudios del cáncer y otras, características como la precisión y la exactitud son fundamentales. En los últimos años, los métodos de inteligencia artificial conocidos como métodos de aprendizaje de máquinas son cada vez más usados para lograr obtener la mayor precisión y certeza en la predicción y clasificación de datos sensibles para la comunidad médica. Actualmente el método de predicción utilizado para estimar la probabilidad de poseer la Aneuploidía conocida como síndrome de Down utiliza límites inferiores y superiores para indicar si los múltiplos de las medianas conocida como MoMs, son calculados mediante pruebas químicas y se encuentran dentro del rango de una población saludable o anormal. Utilizando estos métodos de aprendizaje de máquinas podemos calcular estos límites dinámicamente. El algoritmo determina los parámetros ajustándose a lo indicado por la misma población mejorando así precisión de la estimación. En este trabajo primero se propone un modelo para calcular dinámicamente los valores superiores e inferiores que actúan como límite para pronosticar si un paciente presenta o no esta alteración cromosómica. Segundo, el modelo es explicado e implementado y tercero, los resultados obtenidos mediante el método de máquinas de vectores de soporte y clasificadores bayesianos ingenuos son comparados para determinar cuál de los dos proporciona mejores resultados al momento de predecir el riesgo de padecer esta aneuploidía. Universidad Tecnológica de Panamá, Panamá 2016-12-13 info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion text/html https://revistas.utp.ac.pa/index.php/id-tecnologico/article/view/1234 I+D Tecnológico; Vol. 12 Núm. 2 (2016): Revista I+D Tecnológico; 36-45 2219-6714 1680-8894 spa https://revistas.utp.ac.pa/index.php/id-tecnologico/article/view/1234/1267 https://revistas.utp.ac.pa/index.php/id-tecnologico/article/view/1234/html_2 Derechos de autor 2016 I+D Tecnológico http://creativecommons.org/licenses/by-nc-nd/4.0
institution	Universidad Tecnológica de Panamá
collection	I+D Tecnológico
language	spa
format	Online
author	Saldana-Barrios, Juan Jose Concepción, Tomas Vargas-Lombardo, Miguel
spellingShingle	Saldana-Barrios, Juan Jose Concepción, Tomas Vargas-Lombardo, Miguel Mejorando la predicción del síndrome de Down mediante un modelo de clasificación de datos médicos inteligente- Caso de Estudio
author_facet	Saldana-Barrios, Juan Jose Concepción, Tomas Vargas-Lombardo, Miguel
author_sort	Saldana-Barrios, Juan Jose
description	En el área de la salud la aplicación de medicamentos, realización de cirugías, proyecciones sobre la dispersión de enfermedades infecciosas, estudios del cáncer y otras, características como la precisión y la exactitud son fundamentales. En los últimos años, los métodos de inteligencia artificial conocidos como métodos de aprendizaje de máquinas son cada vez más usados para lograr obtener la mayor precisión y certeza en la predicción y clasificación de datos sensibles para la comunidad médica. Actualmente el método de predicción utilizado para estimar la probabilidad de poseer la Aneuploidía conocida como síndrome de Down utiliza límites inferiores y superiores para indicar si los múltiplos de las medianas conocida como MoMs, son calculados mediante pruebas químicas y se encuentran dentro del rango de una población saludable o anormal. Utilizando estos métodos de aprendizaje de máquinas podemos calcular estos límites dinámicamente. El algoritmo determina los parámetros ajustándose a lo indicado por la misma población mejorando así precisión de la estimación. En este trabajo primero se propone un modelo para calcular dinámicamente los valores superiores e inferiores que actúan como límite para pronosticar si un paciente presenta o no esta alteración cromosómica. Segundo, el modelo es explicado e implementado y tercero, los resultados obtenidos mediante el método de máquinas de vectores de soporte y clasificadores bayesianos ingenuos son comparados para determinar cuál de los dos proporciona mejores resultados al momento de predecir el riesgo de padecer esta aneuploidía.
title	Mejorando la predicción del síndrome de Down mediante un modelo de clasificación de datos médicos inteligente- Caso de Estudio
title_short	Mejorando la predicción del síndrome de Down mediante un modelo de clasificación de datos médicos inteligente- Caso de Estudio
title_full	Mejorando la predicción del síndrome de Down mediante un modelo de clasificación de datos médicos inteligente- Caso de Estudio
title_fullStr	Mejorando la predicción del síndrome de Down mediante un modelo de clasificación de datos médicos inteligente- Caso de Estudio
title_full_unstemmed	Mejorando la predicción del síndrome de Down mediante un modelo de clasificación de datos médicos inteligente- Caso de Estudio
title_sort	mejorando la predicción del síndrome de down mediante un modelo de clasificación de datos médicos inteligente- caso de estudio
title_alt	Improving Downs Syndrome Prediction with a Smart Medical Data Classification Model- Case of Study
publisher	Universidad Tecnológica de Panamá, Panamá
publishDate	2016
url	https://revistas.utp.ac.pa/index.php/id-tecnologico/article/view/1234
work_keys_str_mv	AT saldanabarriosjuanjose improvingdownssyndromepredictionwithasmartmedicaldataclassificationmodelcaseofstudy AT concepciontomas improvingdownssyndromepredictionwithasmartmedicaldataclassificationmodelcaseofstudy AT vargaslombardomiguel improvingdownssyndromepredictionwithasmartmedicaldataclassificationmodelcaseofstudy AT saldanabarriosjuanjose mejorandolapredicciondelsindromededownmedianteunmodelodeclasificaciondedatosmedicosinteligentecasodeestudio AT concepciontomas mejorandolapredicciondelsindromededownmedianteunmodelodeclasificaciondedatosmedicosinteligentecasodeestudio AT vargaslombardomiguel mejorandolapredicciondelsindromededownmedianteunmodelodeclasificaciondedatosmedicosinteligentecasodeestudio
_version_	1811817958276595712

Mejorando la predicción del síndrome de Down mediante un modelo de clasificación de datos médicos inteligente- Caso de Estudio

Ejemplares similares