Aprendizaje automático para ayudar en el diagnóstico de la enfermedad pulmonar obstructiva crónica
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1249Palabras clave:
Enfermedad pulmonar obstructiva crónica, Minería de datos, Descubrimiento del conocimientoResumen
Objetivo: identificar factores de riesgo para la enfermedad pulmonar obstructiva crónica en la población brasileña. Método: a través de un proceso de descubrimiento de conocimiento y modelos de aprendizaje automático, identificar factores de riesgo para la enfermedad en la población brasileña, con base en la Encuesta Nacional de Salud de 2019. Resultados: el mejor modelo de aprendizaje se logró con el algoritmo Random Forest presentando una medida F1 del 75% para el conjunto de prueba. Conclusiones: por médio del análisis del nivel de importancia de los principales factores como asma, edad de riesgo, tabaquismo previo, índice de masa corporal, riesgo del hogar, entre otros, se destacaron los cuatro primeros como principales factores de riesgo.
Citas
WHO, W. H. O. Chronic obstructive pulmonary disease (copd). https://www.who.int/news-room/fact-sheets/detail/chronic-obstructive-pulmonary-disease-(copd)
GOLD-COPD. Global strategy for prevention, diagnosis and management of copd: 2023 report. https://goldcopd.org/ 2023-gold-report-2/, 2023.
Smith LA, Oakden-Rayner L, Bird A, Zeng M, To MS, Mukherjee S, Palmer LJ. Machine learning and deep learning predictive models for long-term prognosis in patients with chronic obstructive pulmonary disease: a systematic review and meta-analysis. Lancet Digit Health. 2023 Dec;5(12):e872-e881. doi: 10.1016/S2589-7500(23)00177-2. PMID: 38000872. DOI: https://doi.org/10.1016/S2589-7500(23)00177-2
Wang X, Ren H, Ren J, Song W, Qiao Y, Ren Z, Zhao Y, Linghu L, Cui Y, Zhao Z, Chen L, Qiu L. Machine learning-enabled risk prediction of chronic obstructive pulmonary disease with unbalanced data. Comput Methods Programs Biomed. 2023 Mar;230:107340. doi: 10.1016/j.cmpb.2023.107340. Epub 2023 Jan 6. PMID: 36640604. DOI: https://doi.org/10.1016/j.cmpb.2023.107340
Ma X, Wu Y, Zhang L, Yuan W, Yan L, Fan S, Lian Y, Zhu X, Gao J, Zhao J, Zhang P, Tang H, Jia W. Comparison and development of machine learning tools for the prediction of chronic obstructive pulmonary disease in the Chinese population. J Transl Med. 2020 Mar 31;18(1):146. doi: 10.1186/s12967-020-02312-0. PMID: 32234053; PMCID: PMC7110698. DOI: https://doi.org/10.1186/s12967-020-02312-0
Zarate, L., Petrocchi, B., Maia, C., Felix, C., and Gomes, M. P. CAPTO - A method for understanding problem domains for data science projects. Concilium 23:922–941, 2023. DOI: https://doi.org/10.53660/CLM-1815-23M33
Loyola-González, O. Black-Box vs. White-Box: Understanding Their Advantages and Weaknesses From a Practical Point of View, in IEEE Access, vol. 7, pp. 154096-154113, 2019. DOI: https://doi.org/10.1109/ACCESS.2019.2949286
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
La sumisión de un artículo a el Journal of Health Informatics es entendida como exclusiva y que no esta siendo considerado para publicación en otro periódico. La permisión de los autores para la publicación de su artículo en lo JHI implica en la exclusiva autorización concedida a los editores para su inclusión en la revista. Al someter un artículo, a lo autor será solicitada la permisión electrónica de una Nota de Copyright. Una mensaje electrónica será enviada a lo autor correspondiente confirmando el recibo del manuscrito y lo aceite de la Nota de Copyright.
