Mejorando la predicción del síndrome de Down mediante un modelo de clasificación de datos médicos inteligente- Caso de Estudio

##plugins.themes.bootstrap3.article.main##

Juan Jose Saldana-Barrios
Tomas Concepción
Miguel Vargas-Lombardo
Enviado: Dec 14, 2016
Publicado: Dec 13, 2016

Resumen

En el área de la salud la aplicación de medicamentos, realización de cirugías, proyecciones sobre la dispersión de enfermedades infecciosas, estudios del cáncer y otras, características como la precisión y la exactitud son fundamentales. En los últimos años, los métodos de inteligencia artificial conocidos como métodos de aprendizaje de máquinas son cada vez más usados para lograr obtener la mayor precisión y certeza en la predicción y clasificación de datos sensibles para la comunidad médica. Actualmente el método de predicción utilizado para estimar la probabilidad de poseer la Aneuploidía conocida como síndrome de Down utiliza límites inferiores y superiores para indicar si los múltiplos de las medianas conocida como MoMs, son calculados mediante pruebas químicas y se encuentran dentro del rango de una población saludable o anormal. Utilizando estos métodos de aprendizaje de máquinas podemos calcular estos límites dinámicamente. El algoritmo determina los parámetros ajustándose a lo indicado por la misma población mejorando así precisión de la estimación. En este trabajo primero se propone un modelo para calcular dinámicamente los valores superiores e inferiores que actúan como límite para pronosticar si un paciente presenta o no esta alteración cromosómica. Segundo, el modelo es explicado e implementado y tercero, los resultados obtenidos mediante el método de máquinas de vectores de soporte y clasificadores bayesianos ingenuos son comparados para determinar cuál de los dos proporciona mejores resultados al momento de predecir el riesgo de padecer esta aneuploidía.

Palabras clave

Clasificador Bayesiano Ingenuo, Máquina de Aprendizaje Automático, Máquina de Vectores de Soporte, Síndrome de Down, Salud Electrónica.

Descargas

La descarga de datos todavía no está disponible.

##plugins.themes.bootstrap3.article.details##

Cómo citar
Saldana-Barrios, J., Concepción, T., & Vargas-Lombardo, M. (2016). Mejorando la predicción del síndrome de Down mediante un modelo de clasificación de datos médicos inteligente- Caso de Estudio. I+D Tecnológico, 12(2), 36-45. Recuperado a partir de http://revistas.utp.ac.pa/index.php/id-tecnologico/article/view/1234

Citas

(1) J. Saldaña and M. Vargas-Lombardo, “eHealth Management Platform for Screening and Prediction of Down’s Syndrome in the Republic of Panama,” E-Health Telecommun. Syst. Networks, vol. 03, no. 03, pp. 33–42, Sep. 2014.

(2) D. Patterson, “Molecular genetic analysis of Down syndrome,” Hum. Genet., vol. 126, no. 1, pp. 195–214, Jul. 2009.

(3) C. Cortes and V. Vapnik, “Support-vector networks,” Mach. Learn., vol. 20, no. 3, pp. 273–297, 1995.

(4) A. Neocleous, K. Nicolaides, and C. Schizas, “First Trimester Non-invasive Prenatal Diagnosis: A Computational Intelligence Approach,” IEEE J. Biomed. Heal. Informatics, pp. 1–1, 2015.

(5) M. Parajuli, D. Sharma, D. Tran, and W. Ma, “Senior health monitoring using Kinect,” Commun. Electron. (ICCE), 2012 Fourth Int. Conf., pp. 309–312, 2012.

(6) L. G. Ahmad, A. T. Eshlaghy, A. Poorebrahimi, M. Ebrahimi, and A. R. Razavi, “Using Three Machine Learning Techniques for Predicting Breast Cancer Recurrence,” J. Heal. Med. Informatics, vol. 04, no. 02, pp. 1–3, 2013.

(7) C.-K. Chen, M. Bruce, L. Tyler, C. Brown, A. Garrett, S. Goggins, B. Lewis-Polite, M. L. Weriwoh, P. D. Juarez, D. B. Hood, T. Skelton, and D. B. Hood, “Analysis of an Environmental Exposure Health Questionnaire in a Metropolitan Minority Population Utilizing Logistic Regression and Support Vector Machines,” J. Health Care Poor Underserved, vol. 24, no. 1A, pp. 153–171, 2013.

(8) S. Kumar, M. L. Rana, K. Verma, N. Singh, A. K. Sharma, A. K. Maria, G. S. Dhaliwal, H. K. Khaira, and S. Saini, “PrediQt-Cx: post treatment health related quality of life prediction model for cervical cancer patients.,” PLoS One, vol. 9, no. 2, p. e89851, 2014.

(9) R. J. Martis, U. R. Acharya, L. C. Min, K. M. Mandana, a K. Ray, and C. Chakraborty, “Application of higher order cumulant features for cardiac health diagnosis using ECG signals,” Int. J. Neural Syst., vol. 23, no. 4, p. 1350014, 2013.

(10) P. Pouladzadeh, S. Shirmohammadi, and T. Arici, “Intelligent SVM based food intake measurement system,” 2013 IEEE Int. Conf. Comput. Intell. Virtual Environ. Meas. Syst. Appl. CIVEMSA 2013 - Proc., pp. 87–92, 2013.

(11) O. P. Zacarias and H. Bostr, “Comparing Support Vector Regression and Random Forests for Predicting Malaria Incidence in Mozambique,” no. January 2016, pp. 217–221, 2013.

(12) S.-K. Lee, Y.-J. Son, J. Kim, H.-G. Kim, J.-I. Lee, B.-Y. Kang, H.-S. Cho, and S. Lee, “Prediction Model for Health-Related Quality of Life of Elderly with Chronic Diseases using Machine Learning Techniques.,” Healthc. Inform. Res., vol. 20, no. 2, pp. 125–34, 2014.

(13) J. Jonnagaddala, H. Dai, and P. Ray, “A preliminary study on automatic identification of patient smoking status in unstructured electronic health records,” no. BioNLP, pp. 147–151, 2015.

(14) C. M. Rochefort, A. D. Verma, T. Eguale, T. C. Lee, and D. L. Buckeridge, “A novel method of adverse event detection can accurately identify venous thromboembolisms (VTEs) from narrative electronic health record data.,” J. Am. Med. Inform. Assoc., vol. 22, no. 1, pp. 155–65, 2015.

(15) Y. Wu, J. Xu, Y. Zhang, and H. Xu, “Clinical Abbreviation Disambiguation Using Neural Word Embeddings,” no. BioNLP, pp. 171–176, 2015.

(16) T. Santhanam and M. S. Padmavathi, “Application of K-Means and Genetic Algorithms for Dimension Reduction by Integrating SVM for Diabetes Diagnosis,” Procedia Comput. Sci., vol. 47, pp. 76–83, 2015.

(17) L. Auria and R. A. Moro, “Support vector machines (SVM) as a technique for solvency analysis,” 2008.

(18) D. Meyer and F. H. T. Wien, “Support vector machines,” Interface to libsvm Packag. e1071, 2015.

(19) B. W. Matthews, “Comparison of the predicted and observed secondary structure of {T4} phage lysozyme,” Biochim. Biophys. Acta - Protein Struct., vol. 405, no. 2, pp. 442–451, 1975.