Modelos de predicción aplicados en el diagnóstico de ictus: una revisión del alcance
DOI:
https://doi.org/10.59681/2175-4411.v15.i2.2023.980Palabras clave:
ACV, modelos de predicción, revisión del alcanceResumen
Objetivo: En este artículo se presenta una revisión de alcance con el objetivo de identificar modelos de predicción aplicados en el diagnóstico del Accidente Vascular Cerebral (ACV). Método: RE se realizó en cinco fuentes de búsqueda, utilizando una cadena de búsqueda y criterios de inclusión y exclusión. Resultados: Después de realizar los pasos definidos en el protocolo, en el primer paso se devolvieron 615 artículos, de los cuales solo 9 fueron seleccionados para ser analizados y extraer su información. Conclusión: A través de los resultados presentados, fue posible identificar que la mayoría de los trabajos desarrollaron modelos de aprendizaje, seguidos por la comparación de algoritmos y la creación de algoritmos. En cuanto a los recursos utilizados, los más utilizados fueron: lenguaje de programación Python y biblioteca scikit-learn. Los modelos y algoritmos más utilizados son: Árbol de decisión, Naive Bayes, Random Forest y KNN (K-Nearest Neighbors). La mayoría de los trabajos analizados utilizaron las métricas Recall, Precision, F1-Score y Accuracy para validar las soluciones. Entre las limitaciones identificadas destacan las relacionadas con la evaluación del desempeño de las soluciones propuestas y la ausencia de aspectos relevantes para los estudios analizados.
Citas
Campbell BCV, Khatri P. Stroke. The Lancet; 2020 [Citado 2023 out 3]. Disponível em: http://dx.doi.org/10.1016/S0140-6736(20)31179-X. DOI: https://doi.org/10.1016/S0140-6736(20)31179-X
Brasil MSD. Diretrizes de Atenção à Reabilitação da Pessoa com Acidente Vascular Cerebral / Ministério da Saúde, Secretaria de Atenção à Saúde, Departamento de Ações Programáticas Estratégicas. Brasília: Ministério da Saúde; 2013 [Citado 2023 out 3]. Disponível em: https://bvsms.saude.gov.br/bvs/publicacoes/diretrizes_atencao_reabilitacao_acidente_vascular_cerebral.pdf.
Meschia JF, Bushnell C, Boden-Albala B, Braun LT, Bravata DM, Chaturvedi S, et al. Guidelines for the Primary Prevention of Stroke: A Statement for Healthcare Professionals from the American Heart Association/American Stroke Association. 2014; 45(12), 3754-3832. [Citado 2023 out 3]. Disponível em: https://www.ahajournals.org/doi/full/10.1161/STR.0000000000000046. DOI: https://doi.org/10.1161/STR.0000000000000046
Tursynova A, Omarov B, Shuketayeva K, Smagul M. 2021, Artificial Intelligence in Stroke Imaging. International Conference on Cloud Computing, Data Science & Engineering (Confluence). 2021 [Citado 2023 out 3]. Disponível em: https://doi.org/10.1109/Confluence51648.2021.9377102. DOI: https://doi.org/10.1109/Confluence51648.2021.9377102
Yu J, Park S, Kwon S-H, Ho CMB, Pyo C-S, Lee H. AI-Based Stroke Disease Prediction System Using Real-Time Electromyography Signals. Applied Sciences. 2020 [Citado 2023 out 3]. Disponível em: https://doi.org/10.3390/app10196791. DOI: https://doi.org/10.3390/app10196791
Oliveira WCGD, Lira AASA, Silva MPS, Leite CRM, Silva JEG. Sistema multi-agente fuzzy para monitoramento e avaliação. In: Novas Tecnologias Aplicadas à Saúde: Desenvolvimento de Sistemas Dinâmicos: conceitos, aplicações e utilização de técnicas inteligentes e regulação. Mossoró: EDUERN; 2019. p.497-523. [Citado 2023 out 3] Disponível em: https://repositorio.unb.br/handle/10482/37883.
Arksey H, O’Malley L. Scoping studies: towards a methodological framework. International Journal of Social Research Methodology. 2005; 8(1), 19–32. [Citado 2023 out 3] Disponível em: https://doi.org/10.1080/1364557032000119616. DOI: https://doi.org/10.1080/1364557032000119616
Peters MDJ, Godfrey C, McInerney P, Munn Z, Tricco AC, Khalil H. Capítulo 11. Scoping Reviews. In: Aromataris E, Munn Z. JBI Manual for Evidence Synthesis. 2020 [Citado 2023 out 3]. Disponível em: https://doi.org/10.46658/JBIMES-20-12. DOI: https://doi.org/10.46658/JBIRM-20-01
Levac D, Colquhoun H, O'Brien KK. Scoping studies: advancing the methodology. Implement. sci. 2010; 5(1):5-69. DOI: https://doi.org/10.1186/1748-5908-5-69
García-Temza L, Risco-Martín JL, Ayala JL, Roselló GR, Camarasaltas JM Comparison of Different Machine Learning Approaches to Model Stroke Subtype Classification and Risk Prediction. Spring Simulation Conference (SpringSim). 2019 [Citado 2023 out 3]. Disponível em: https://doi.org/10.23919/SpringSim.2019.8732846. DOI: https://doi.org/10.23919/SpringSim.2019.8732846
Hakim MA, Hasan MZ, Alam MM, Hasan MM, Huda MM. An Efficient Modified Bagging Method for Early Prediction of Brain Stroke. International Conference on Computer, Communication, Chemical, Materials and Electronic Engineering (IC4ME2). 2019 [Citado 2023 out 3]. Disponível em: https://doi.org/10.1109/IC4ME247184.2019.9036700. DOI: https://doi.org/10.1109/IC4ME247184.2019.9036700
Shoily TI, Islam T, Jannat, Tanna SA, Alif TM, Ema RR. Detection of Stroke Disease Using Machine Learning Algorithms. International Conference on Computing, Communication and Networking Technologies (ICCCNT). 2019 [Citado 2023 out 3]. Disponível em: https://doi.org/10.1109/ICCCNT45670.2019.8944689. DOI: https://doi.org/10.1109/ICCCNT45670.2019.8944689
Yu J, Kim D, Park H, Chon S, Cho KH, Kim S, et al. Semantic Analysis of NIH Stroke Scale Using Machine Learning Techniques. International Conference on Platform Technology and Service (PlatCon). 2019 [Citado 2023 out 3]. Disponível em: https://doi.org/10.1109/PlatCon.2019.8668961. DOI: https://doi.org/10.1109/PlatCon.2019.8668961
Emon MU, Keya MS, Meghla TI, Rahman MM, Mamun MAS, Kaiser MS. Performance Analysis of Machine Learning Approaches in Stroke Prediction. International Conference on Electronics, Communication and Aerospace Technology (ICECA). 2020 [Citado 2023 out 3]. Disponível em: https://doi.org/10.1109/ICECA49313.2020.9297525. DOI: https://doi.org/10.1109/ICECA49313.2020.9297525
Induja SN, Raji CG. Computational Methods for Predicting Chronic Disease in Healthcare Communities. International Conference on Data Science and Communication (IconDSC). 2019 [Citado 2023 out 3]. Disponível em: https://doi.org/10.1109/IconDSC.2019.8817044. DOI: https://doi.org/10.1109/IconDSC.2019.8817044
Fang G, Xu P, Liu W. Automated Ischemic Stroke Subtyping Based on Machine Learning Approach. IEEE Access. 2020 [Citado 2023 out 3]. Disponível em: https://doi.org/10.1109/ACCESS.2020.3004977. DOI: https://doi.org/10.1109/ACCESS.2020.3004977
Hayashi Y, Shimada T, Hattori N, Shimazu T, Yoshida Y, Miura RE. A prehospital diagnostic algorithm for strokes using machine learning: a prospective observational study. Sci Rep. 2021 [Citado 2023 out 3]. Disponível em: https://doi.org/10.1038/s41598-021-99828-2. DOI: https://doi.org/10.1038/s41598-021-99828-2
Singh MS, Choudhary P. Stroke prediction using artificial intelligence. Annual Industrial Automation and Electromechanical Engineering Conference (IEMECON). 2017 [Citado 2023 out 3]. Disponível em: https://doi.org/10.1109/IEMECON.2017.8079581. DOI: https://doi.org/10.1109/IEMECON.2017.8079581
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Maria Adriana Ferreira da Silva, Angélica Félix de Castro, Isaac de Lima Oliveira Filho
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.
