Análisis de síntomas de la infección por el virus SARS-CoV-2
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1339Palabras clave:
Aprendizaje Automático, COVID-19, SARS-CoV-2Resumen
Objetivo: Desarrollar una metodología de Minería de Datos y Aprendizaje Automático para el diagnóstico de COVID-19. Método: Crear modelos de diagnóstico, evaluar diferencias en síntomas entre olas pandémica. Resultados: Diagnosticar infección sintomática por SARS-CoV-2. Conclusión: Destacar la eficacia de la metodología en la gestión pandémica.
Citas
Andersen KG, Rambaut A, Lipkin WI. The proximal origin of SARS-CoV-2. Nature Medicine. 2020; 26:450-452. DOI: https://doi.org/10.1038/s41591-020-0820-9
Yin C. Genotyping coronavirus SARS-CoV-2: methods and implications. ZGenomics. 2020; 112(5):3588–3596. DOI: https://doi.org/10.1016/j.ygeno.2020.04.016
Ming-Syan C, Jiawei H, Yu PS. Data mining: an overview from a database perspective. IEEE Transactions on Knowledge and Data Engineering. 1996; 8(6):866-883. DOI: https://doi.org/10.1109/69.553155
Addis TR. Towards an ”expert” diagnostic system. ICL Technical Journal. 1956; 1:79-105.
Fayyoumi E, Idwan S, AboShindi H. Machine Learning and Statistical Modelling for Prediction of Novel COVID-19 Patients Case Study: Jordan. (IJACSA) International Journal of Advanced Computer Science and Applications. 2020; 11:122–126. DOI: https://doi.org/10.14569/IJACSA.2020.0110518
Elliott J, Whitaker M, Bodinier B, et al. Predictive symptoms for COVID-19 in the community: REACT-1 study of over 1 million people. PLoS Med. 2021; 18(9). DOI: https://doi.org/10.1371/journal.pmed.1003777
Canas LS, Sudre CH, Pujol JC, et al. Early detection of COVID-19 in the UK using self-reported symptoms: a large-scale, prospective, epidemiological surveillance study. Lancet Digit Health. 2021; DOI: https://doi.org/10.1016/S2589-7500(21)00131-X
Menni C, Valdes AM, Freidin MB, et al. Real-time tracking of self-reported symptoms to predict potential COVID-19. Nature Medicine. 2020; 26:1037–1040. DOI: https://doi.org/10.1038/s41591-020-0916-2
Breiman L. Random Forests. Machine Learning. 2001; 45(1):5-32. DOI: https://doi.org/10.1023/A:1010933404324
Breiman L. Bagging predictors. Machine Learning. 1996; 24:123-140. DOI: https://doi.org/10.1007/BF00058655
Haykin, S. Neural Networks and Learning Machines. Third Edition, Pearson Education, Inc., McMaster University, Hamilton, 2009
Brant R. Digesting logistic regression results. The American Statistician. 1996; 50(2):117-119. DOI: https://doi.org/10.1080/00031305.1996.10474358
Lundberg SM, Lee SI. A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems. 2017.
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.
