Prediagnóstico de enfermedades crónicas mediante algoritmos de cómputo inteligente

Abstract

RESUMEN: Las técnicas de computación inteligente aplicadas a la medicina se han convertido en un área creciente de investigación en todo el mundo. Entre ellos, la aplicación y desarrollo de nuevos modelos y algoritmos para el diagnóstico y predicción de enfermedades han sido un tema de investigación activo. En el presente trabajo de tesis se realiza un estudio del desempeño de los algoritmos de clasificación de patrones más utilizados de acuerdo a la literatura y su aplicación en el prediagnóstico de enfermedades crónicas. La contribución a la investigación del presente trabajo es la propuesta de un nuevo modelo de clasificación y su aplicación al prediagnóstico de enfermedades crónicas. El nuevo modelo disminuye los efectos indeseados de la maldición de la dimensionalidad; trata la presencia de pequeños disjuntos detectando subclases en las clases; trata con datos desbalanceados y maneja datos mezclados y perdidos; además, de que trata con el solapamiento de clases. El modelo propuesto es interpretable y transparente, debido a que se sabe exactamente por qué una instancia pertenece a una determinada clase. Los resultados experimentales obtenidos fueron validados para identificar diferencias significativas en el rendimiento por medio de pruebas estadísticas y post-hoc.

ABSTRACT: Classification models applied to medicine have become an increasing area of research worldwide. Such as, the application and development of known models and algorithms for disease diagnosis and prediction have been an active research topic. The present work is a performance study of pattern classification algorithms most used in the literature, and its application to the pre-diagnosis of chronic diseases. The contribution to the research of the present work is the proposal of a new classification model and its application to the diagnosis of chronic diseases. The new model dismisses the undesired effects of the curse of dimensionality; it deals with the presence of small disjoints detecting subclasses in classes; it deals with imbalanced data, and handles mixed as well as incomplete data; besides, it deals with class overlapping. In addition, the proposed model is interpretable and transparent it is so because we know exactly why an instance belong to a certain class. The experimental results obtained were validated to identify significant differences in performance through statistical and post-hoc tests.