Contenido principal del artículo

Autores

El ámbito de la atención médica, impulsado por el crecimiento constante de datos relacionados con la salud humana y el curso en desarrollo de la transformación digital, está experimentando una notable evolución. En este estudio de carácter experimental, se llevó a cabo una comparativa de técnicas de Inteligencia Artificial, específicamente redes neuronales, Random Forest y árbol de decisión, con el propósito de evaluar su eficacia en el diagnóstico de enfermedades cardiovasculares. Esto se logró aprovechando datos clínicos disponibles en bases de datos de acceso abierto. La metodología se enfocó en la identificación de las variables más influyentes en el diagnóstico de enfermedades cardiovasculares mediante una revisión exhaustiva de la literatura. Luego, se determinaron las técnicas de Aprendizaje automático a emplear y se adquirió el conjunto de datos más apropiado para estas variables. Los resultados revelaron que las tres técnicas de Inteligencia Artificial demostraron un buen desempeño en el diagnóstico de enfermedades cardiovasculares. Es importante resaltar que el modelo basado en redes neuronales destacó con una precisión del 89%, consolidándose como una herramienta de gran relevancia para respaldar el diagnóstico oportuno de estas enfermedades. Estos hallazgos sugieren un posible impacto positivo en la práctica clínica y la atención médica futura al proporcionar a los profesionales de la salud un recurso valioso para tomar decisiones informadas en el diagnóstico y tratamiento de enfermedades cardiovasculares. En última instancia, esto podría mejorar la calidad de la atención y la vida de los pacientes. Este estudio refuerza la noción de que las técnicas de Aprendizaje automático desempeñan un rol fundamental en la transformación de la atención médica y la toma de decisiones clínicas en el ámbito de la salud, ofreciendo nuevas perspectivas para la prevención y el tratamiento de enfermedades cardiovasculares y otros trastornos médicos.

1.
Arrubla-Hoyos W, Carrascal-Porras F, Gómez JE. Predicción de riesgo cardiovascular mediante aprendizaje automático: un análisis comparativo entre técnicas. inycomp [Internet]. 26 de febrero de 2024 [citado 22 de junio de 2024];26(1):e-20113229. Disponible en: https://revistaingenieria.univalle.edu.co/index.php/ingenieria_y_competitividad/article/view/13229

MiniSalud [Internet] Mortalidad en Colombia periodo 2020-2021. Available from: https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/VS/ED/GCFI/mortalidad-colombia-periodo-2020-2021.pdf

Organización Panamericana de la Salud OPS[Internet]. Enfermedades cardiovasculares.2023. Available from: https://www.paho.org/es/temas/enfermedades-cardiovasculares

Departamento Nacional de Estadísticas (DANE) Defunciones no Fetales 2021 preliminar. 2021. Available from: https://www.dane.gov.co/index.php/estadisticas-por-tema/salud/nacimientos-y-defunciones/defunciones-no-fetales/defunciones-no-fetales-2021

MedlinePlus [Internet]. Que es la Enfermedad cardiovascular.2019. Available from: https://medlineplus.gov/spanish/ency/patientinstructions/000759.htm

Weng, S. F., Reps, J., Kai, J., Garibaldi, J. M., & Qureshi, N. Can machine-learning improve cardiovascular risk prediction using routine clinical data. PloS one, 2017, 12(4), e0174944. DOI: https://doi.org/10.1371/journal.pone.0174944

Mosquera, R., Castrillón, O. D., & Parra, L. Predicción de Riesgos Psicosociales en Docentes de Colegios Públicos Colombianos utilizando Técnicas de Inteligencia Artificial. Información Tecnológica, 2018, 29(4), 267–282. Available from: https://doi-org.bibliotecavirtual.unad.edu.co/10.4067/S0718-07642018000400267 DOI: https://doi.org/10.4067/S0718-07642018000400267

Agrawal, R. Predictive Analysis Of Breast Cancer Using Machine Learning Techniques. Ingeniería Solidaria, 2019, 15(29), 1–23. Available from: https://doi-org.bibliotecavirtual.unad.edu.co/10.16925/2357-6014.2019.03.01 DOI: https://doi.org/10.16925/2357-6014.2019.03.01

Chávez-Vivas, M., González-Casanova, J. E., Dávila, L. A., & Rojas-Gómez, D. M. Factores de riesgo de enfermedad cardiovascular en asistentes a un hospital de Cali, Colombia. Revista Latinoamericana de Hipertension, 2018, 13(5), 472-479.

Naciones Unidas. [Internet]. Tecnologías Digitales para el nuevo futuro. Available from: https://repositorio.cepal.org/server/api/core/bitstreams/879779be-c0a0-4e11-8e08-cf80b41a4fd9/content

Arboleda Carvajal, M. S., & García Yánez, A. R. Riesgo cardiovascular: Análisis basado en las tablas de framingham en pacientes asistidos en la unidad ambulatoria 309, IESS – sucúa. Revista Med, 2017, 25(1), 20-30. Available from: https://doi.org/10.18359/rmed.1949 DOI: https://doi.org/10.18359/rmed.1949

Sánchez Lezama, F., Domínguez Carrillo, L. G., Rivas León, S. C., & Flores Peña, D. Correlación del strain longitudinal global con el grado de disfunción diastólica, factores de riesgo cardiovascular y variables del ecocardiograma 2D. Acta Médica Grupo Ángeles, 2021,19(4), 485-490. Available from: https://doi.org/10.35366/102532 DOI: https://doi.org/10.35366/102532

Tasmeem S. Heart Disease Classification Dataset. 2021. Available from: https://www.kaggle.com/datasets/sumaiyatasmeem/heart-disease-classification-dataset/

Monroy Alfaro, C. R. El Lenguaje Python Y Su Potencial en El Desarrollo De Software De Inteligencia Artificial. Masferrer Investiga: Revista Científica de La Universidad Salvadoreña Alberto Masferrer, 2022, 12(1), 18–41.

Arana, C. Modelos de Aprendizaje Automático Mediante Árboles de Decisión. Documentos de Trabajo, 2021, 778, 1–20.

Dimitriadis, S., Liparas, D., for the Alzheimer’s Disease Neuroimaging Initiative, & Alzheimer’s Disease Neuroimaging Initiative. How random is the random forest? random forest algorithm on the service of structural imaging biomarkers for alzheimer’s disease: From alzheimer’s disease neuroimaging initiative (ADNI) database. Neural Regeneration Research, 2018, 13(6), 962-970. Available from:https://doi.org/10.4103/1673-5374.233433 DOI: https://doi.org/10.4103/1673-5374.233433

Couronné, R., Probst, P., & Boulesteix, A. Random forest versus logistic regression: A large-scale benchmark experiment. BMC Bioinformatics, 2018, 19(1), 270-270. Available from:https://doi.org/10.1186/s12859-018-2264-5 DOI: https://doi.org/10.1186/s12859-018-2264-5

Calvo, D[Internet]. Clasificación de redes neuronales artificiales. Diego Calvo. 2017. Available from: https://www.diegocalvo.es/clasificacion-de-redes-neuronales-artificiales/

Chai, S. S., Cheah, W. L., Goh, K. L., Chang, Y. H. R., Sim, K. Y., & Chin, K. O. A Multilayer Perceptron Neural Network Model to Classify Hypertension in Adolescents Using Anthropometric Measurements: A Cross-Sectional Study in Sarawak, Malaysia. Computational & Mathematical Methods in Medicine, 2021, 1–11. Available from: https://doi.org/10.1155/2021/2794888 DOI: https://doi.org/10.1155/2021/2794888

Madhiarasan, M., Louzazni, M., & Roy, P. P. Novel Cooperative Multi-Input Multilayer Perceptron Neural Network Performance Analysis with Application of Solar Irradiance

Silva-González, S. M., Rodríguez-Chávez, M. H., & Polanco-Martagón, S. Implementación de una red neuronal artificial como módulo de dominio de un sistema de tutoría inteligente. Dilemas contemporáneos: educación, política y valores, 9(SPE1).Forecasting. International Journal of Photoenergy, 2021, 1–24. Available from: https://doi.org/10.1155/2021/7238293 DOI: https://doi.org/10.46377/dilemas.v9i.2930

Graupe, D. Principles Of Artificial Neural Networks: Basic Designs To Deep Learning (4th Edition). World Scientific Publishing Company, 2019, Available from: https://books.google.co.uk/books?id=77uSDwAAQBAJ DOI: https://doi.org/10.1142/11306

Hossein Abadi, L., Aghighi, H., Matkan, A., & Shakiba, A. Downscaling and evaluation of evapotranspiration using remotely sensed data and machine learning algorithms (study area: Moghan Plain, Iran). ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2023, 10, 295-300 DOI: https://doi.org/10.5194/isprs-annals-X-4-W1-2022-295-2023

Zheng, A., & Casari, A. Feature engineering for machine learning: principles and techniques for data scientists. “ O’Reilly Media, Inc. 2018

Wang, J., Jing, X., Yan, Z., Fu, Y., Pedrycz, W., & Yang, L. T. A. survey on trust evaluation based on machine learning. ACM Computing Surveys (CSUR), 2020 53(5), 1-36. DOI: https://doi.org/10.1145/3408292

Japkowicz, N. Why question machine learning evaluation methods. In AAAI workshop on evaluation methods for machine learning (pp. 6-11). University of Ottawa. 2006

Arce, J. I. B. La matriz de confusión y sus métricas. Juan Barrios. 2019https://www.juanbarrios.com/la-matriz-de-confusion-y-sus-metricas/

Talbot, J., Lee, B., Kapoor, A., & Tan, D. S. EnsembleMatrix: interactive visualization to support machine learning with multiple classifiers. In Proceedings of the SIGCHI conference on human factors in computing systems (pp. 1283-1292). 2009. DOI: https://doi.org/10.1145/1518701.1518895

Recibido 2023-09-14
Aceptado 2023-11-15
Publicado 2024-02-26