Diagnóstico de Enfermedades Endémicas con redes neuronales artificiales a través WEKA

  • Sánchez, Lourdez Universidad Nacional de Pilar
  • Núñez, Gilda Universidad Nacional de Pilar
Palabras clave: Inteligencia Artificial, Enfermedades endémicas, Clasificación. Artificial intelligence

Resumen

El Hospital Regional de Pilar registra unas 7000 consultas mensuales en promedio (Bioestadísticas, 2018), de las cuales se necesita clasificar los diagnósticos de enfermedades endémicas. Para ello se utiliza Inteligencia Artificial aplicando la metodología de redes neuronales artificiales que permita realizar la clasificación en base a síntomas principales, a través del entrenamiento de datos en la herramienta WEKA (Waikato Environment for Knowledge Analysis (Weka, s.f.)). Se pudo observar que los modelos resultantes han dado el valor de Kappa 1, en todas las instancias del entrenamiento realizado, lo que denota la modelización perfecta. Se ha propuesto una alternativa tecnológica computacional para la clasificación de las enfermedades endémicas que incluyen Dengue, Influenza y Gastroenteritis. La propuesta tecnológica consiste en un sistema basado en redes neuronales artificiales. El modelo de redes neuronales artificiales contempla 4 síntomas o neuronas para la capa de entrada, 4 capas ocultas con 4 neuronas respectivamente, y  4 capas de salida que corresponde a las enfermedades endémicas. La utilización de redes neuronales artificiales puede ofrecer clasificación de enfermedades endémicas óptimas a los profesionales médicos que realizan consultas en los hospitales públicos. Además podría utilizarse para la clasificación de otros tipos de patologías clínicas.

Descargas

La descarga de datos todavía no está disponible.

Citas

Alcalde, C., Gómez, L., Carrascal, M., Blanco del Val, A. M., Bedate, P., González, A., & Jiménez, E. (2002). Gastroenteritis aguda en pacientes hospitalizados. Estudio evolutivo de 14 años. Science Direct, 56, 104-110. doi:https://doi.org/10.1016/S1695-4033(02)78939-X
Alegre, A. (2009). Simulación de redes neuronales artificiales. Informática: Sistemas operativos y Simunación RNA. Corrientes.
Ballesta, J., Vigil, M., González, M., Solana, M., Ruíz, E., González, L., Monteagudo, L. (26 de octubre de 2016). No sólo un síndrome gripal. Semergen Elsevier, 42-65.
Bioestadísticas. (2018). Informe mensual de Control de Gestión. Pilar: HRP - MSPBS.
McCulloch, W.S.and Pitts,W,(1973) A logical calculus of the ideas immanet in nervous activity, Bulletin of Mathematical Biophysics 1973;5,115-137.
Delsol, K., Isaia, M., & Minetti, G. (2015). Aplicación de algoritmos aproximados al diagnóstico/clasificación de enfermedades. 16° Simposio Argentino de Inteligencia Artificial (págs. 49-56). La Pampa: Universidad Nacional de La Pampa. Obtenido de http://44jaiio.sadio.org.ar/sites/default/files/asai49-56.pdf
DGVS-Paraguay. (2015). Plan para Mejorar la Vigilancia del Síndrome Febril en la Red de Servicios de Salud de Paraguay. Asunción: MSPBS.
Hertz, J., Palmer, R., & Krogh, A. (1991). Introduction to the Theory of Neural Computation. Perseus Publishing.
Hilera, J., & Martínez, V. (2000). Redes Neuronales Artificiales. México DF: Alfaomega-Rama.
Martínez, E. (2008). Dengue. scielo, 22(64). doi:http://dx.doi.org/10.1590/S0103-40142008000300004
Monsalve Torra, A. E. (2017). Sistemas de Ayuda a la Decisión Clínica en Enfermedades de Diagnóstico Computacional. Alicante: El Taller Digital.
Morales, A. (2014). Algoritmos Genéticos con medidas de diversidad para el diagnóstico del riesgo de HTA en escolares. Las Villas: Universidad Central "Marta Abreu".
Oladokun, V., Adbanjo, A., & Owaba, C. (2007). Predicting Students' Academic Perfomance using Artificial Neural Network: A case study of an Engineering course*. Elsevier(2).
Rosas, M. (2008). Educación Sanitaria: Gripe y resfriado. 27(2), 46-51.
Rosenblatt, F.(1958), The perceptrón: a probabilistic model for information storage and organization in the brain, Psychological Review; 64, 386-408.
Schulz, G. (2009). Un ambiente integrado de Clasificación, Selección y Ponderación de Reglas basado en Sistemas Inteligentes. Buenos Aires: Universidad de Buenos Aires.
Suman, S. (2016). Perfomance Evaluation By Artificial Neural Network Using WEKA. Internacional Research Journal of Engineering and Technology (IRJET), 3(56), 03-16. doi:2395/0056
Torrado, E., Castañeda, E., & Fernado de la Hoz, A. (2000). Paracoccidioidomicocis: definición de las áreas endémicas de Colombia. Biomédica, 20(4), 327-334. doi:https://doi.org/10.7705/biomedica.v20i4.1076
Weka. (s.f.). Weka. (The University of Waikato) Recuperado el 20 de 07 de 2018, de http://www.cs.wailato.ac.nz/ml/weka/ Universidad de Waikato, Nueva Zelanda. CC Creative Commons Attribution 4.0 International License.
Publicado
2019-12-23
Cómo citar
Sánchez , L., & Núñez , G. (2019). Diagnóstico de Enfermedades Endémicas con redes neuronales artificiales a través WEKA. Ciencia Latina Revista Científica Multidisciplinar, 3(1), 97-111. https://doi.org/10.37811/cl_rcm.v3i1.11
Sección
Artículos