Minería de datos en el diagnóstico de hipertensión con base en la Encuesta Nacional de Salud 2019
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1250Palabras clave:
Descubrimiento de Conocimiento, Mineria de datos, HipertensiónResumen
La hipertensión es una enfermedad que afecta a gran parte de la población brasileña. Al tratarse de una enfermedad muy común, se conocen algunos de sus factores de riesgo, pero conocer el orden de importancia puede indicar nuevos conocimientos, sobre todo cuando el objetivo es diagnosticar la enfermedad. Recientemente se puso a disposición la Encuesta Nacional de Salud de 2019, que proporciona nuevas informaciones sobre la salud de la población brasileña. El objetivo es ayudar en el diagnóstico de personas que sufren Hipertensión Arterial Sistémica a través de un método de descubrimiento de conocimiento y clasificación por Random Forest. Los resultados alcanzaron una puntuación media F1 del 75%. Las conclusiones indican que el consumo de sal, mantenerse fuera del peso ideal, no practicar actividades físicas moderadas y fumar, en ese orden, son factores muy importantes para el diagnóstico de la enfermedad.
Citas
Malta, D. C., Bernal, R. T. I., Ribeiro, E. G., Moreira, A. D., Felisbino-Mendes, M. S., & Velásquez-Meléndez, J. G. (2022). Arterial hypertension and associated factors: National Health Survey, 2019. Revista De Saúde Pública, 56, 122. DOI: https://doi.org/10.11606/s1518-8787.2022056004177
Elshawi, R., Al-Mallah, M. H., Sakr, S. On the interpretability of machine learning-based model for predicting hypertension. BMC medical informatics and decision making 19 (1): 1–32, 2019. DOI: https://doi.org/10.1186/s12911-019-0874-0
Kublanov, V. S., Dolganov, A. Y., Belo, D., and Gamboa, H. Comparison of machine learning methods for the arterial hypertension diagnostics. Applied bionics and biomechanics vol. 2017. DOI: https://doi.org/10.1155/2017/5985479
LaFreniere, D., Zulkernine, F., Barber, D., and Martin, K. Using machine learning to predict hypertension from a clinical dataset. In 2016 IEEE symposium series on computational intelligence (SSCI). IEEE, pp. 1–7, 2016. DOI: https://doi.org/10.1109/SSCI.2016.7849886
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
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.
