Diagnóstico de chikungunya mediante inteligencia artificial y datos de registros
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1372Palabras clave:
Inteligencia artificial, Fiebre chikungunya, Diagnóstico clínicoResumen
Objetivo: El propósito de esta investigación es desarrollar y evaluar un modelo de aprendizaje automático para ayudar en el diagnóstico clínico de la fiebre chikungunya utilizando registros médicos de pacientes. Método: Los datos se obtuvieron del Portal de Datos Abiertos del Ayuntamiento de Recife, abarcando 18.881 registros de pacientes. Resultados: Después del preprocesamiento y la validación cruzada, el modelo Bosque Aleatorio con 100 árboles mostró el mejor rendimiento, con una precisión del 93,40% y un área bajo la curva característica receptor-operador de 0,990. La aplicación del modelo demostró una alta eficacia en la diferenciación entre chikungunya y otras condiciones. Conclusión: Concluimos que el uso de inteligência artificial puede mejorar significativamente el diagnóstico clínico de las arbovirosis. Los trabajos futuros incluyen la expansión de la base de datos, la integración del modelo en entornos clínicos y la exploración de técnicas avanzadas de aprendizaje automático.
Citas
Lopes N, Nozawa C, Linhares REC. Características gerais e epidemiologia dos arbovírus emergentes no Brasil. Rev Pan-Amaz Saude. 2014;5(3):10-10.
Donalisio MR, Freitas ARR, Zuben APBV. Arboviroses emergentes no Brasil: desafios para a clínica e implicações para a saúde pública. Rev Saude Publica. 2017;51:30.
Viana LRDC, Pimenta CJL, Araújo EMNFD, Teófilo TJL, Costa TFD, Costa KNDFM. Arboviroses reemergentes: perfil clínico-epidemiológico de idosos hospitalizados. Rev Esc Enferm USP. 2018;52:e03403.
Young PR. Arboviruses: a family on the move. Dengue and Zika: control and antiviral treatment strategies. 2018:1-10.
Thisyakorn U, Thisyakorn C. Diseases caused by arboviruses‐dengue haemorrhagic fever and Japanese B encephalitis. Med J Aust. 1994;160(1):22-26.
Bautista-Reyes E, Núñez-Avellaneda D, Alonso-Palomares L A, Salazar MI. Chikungunya: Molecular aspects, clinical outcomes and pathogenesis. Rev Investig Clin. 2018;69(6):299-307.
Ahmed M, Mahboob N, Manun KT, Iqbal H. Dilemma in laboratory diagnosis of Dengue, Chikungunya and Zika viruses. Bangladesh J. 2019;30:83-92.
Cunha RVD, Trinta KS. Chikungunya virus: clinical aspects and treatment-A Review. Mem Inst Oswaldo Cruz. 2017;112(8):523-531.
Santos MK, Webber CG. Comparing Deep e Transfer Learning na Classificação de Imagens da Membrana Timpânica. J Health Inform. 2022;14.
Santus E, Marino N, Cirillo D, Chersoni E, Montagud A, Santuccione Chadha A, et al. Artificial intelligence–aided precision medicine for COVID-19: strategic areas of research and development. J Med Internet Res. 2021;23(3):e22453.
Malik YS, Sircar S, Bhat S, Ansari MI, Pande T, Kumar P, et al. How artificial intelligence may help the Covid‐19 pandemic: Pitfalls and lessons for the future. Rev Med Virol. 2021;31(5):1-11.
da Silva Neto SR, Tabosa Oliveira T, Teixeira IV, Aguiar de Oliveira SB, Souza Sampaio V, Lynn T, et al. Machine learning and deep learning techniques to support clinical diagnosis of arboviral diseases: A systematic review. PLoS Negl Trop Dis. 2022;16(1):e0010061.
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.
