Comparación de Algoritmos Machine Learning para la Predicción de Pacientes con Sospecha de COVID-19

Daniel Andrade-Girón; Edgardo Carreño-Cisneros; Cecilia Mejía-Dominguez; William Marín-Rodriguez; Henry Villarreal-Torres

doi:10.56294/saludcyt2023336

Autores/as

Daniel Andrade-Girón Universidad Nacional José Faustino Sánchez Carrión. Huacho, Perú https://orcid.org/0000-0002-9746-3583
Edgardo Carreño-Cisneros Universidad Nacional José Faustino Sánchez Carrión. Huacho, Perú https://orcid.org/0000-0001-7063-7072
Cecilia Mejía-Dominguez Universidad Nacional José Faustino Sánchez Carrión. Huacho, Perú https://orcid.org/0000-0003-1914-8825
William Marín-Rodriguez Universidad Nacional José Faustino Sánchez Carrión. Huacho, Perú https://orcid.org/0000-0002-0861-9663
Henry Villarreal-Torres Universidad San Pedro. Chimbote, Perú https://orcid.org/0000-0002-5989-4534

DOI:

https://doi.org/10.56294/saludcyt2023336

Palabras clave:

aprendizaje automático, clasificación, COVID-19, epidemia, morbilidad

Resumen

El brote de la enfermedad por coronavirus (COVID-19) ha infectado a millones de personas, ocasionando una elevada tasa de mortalidad en todo el mundo. Los pacientes con sospecha de COVID-19 se trasladan a diferentes establecimientos de salud, lo que ha originado una saturación en la atención, por lo cual es necesario contar con un modelo de predicción para clasificar a los pacientes con alto riesgo de deterioro clínico. El objetivo de la investigación fue comparar algoritmos de clasificación basados en máquinas de aprendizaje automático, para la predicción de diagnóstico clínico en pacientes con COVID-19. Se recolectaron 1000 registros de pacientes con sospecha de infección por SARS-CoV-2 que ingresaron por el servicio de emergencia en establecimientos de Salud en Perú. Después del pre-procesamiento de los datos e ingeniería de los atributos, se determinó una muestra de 700 registros. Se diseñaron los modelos y compararon los algoritmos: Regresión Logística, Máquina de Soporte Vectorial, Vecinos más Cercanos, Árbol de Decisión, Bosque Aleatorio y Navie Bayes. La evaluación de los resultados de cada algoritmo se realizó mediante la Accuracy, precisión, sensibilidad y la Kappa de Chohen para conocer el grado de concordancia entre la predicción por la máquina de aprendizaje y los resultados de la realidad, es decir, hasta qué punto ambos resultados coinciden en su medición. El algoritmo que presentó mejores resultados fue Máquina de Soporte Vectorial y Bosque Aleatorio, el cual predijo los pacientes con una exactitud del 97%, y Kappa de Cohen de 0.95, con cifras superiores a los demás modelos evaluados.

Métricas

Cargando métricas ...

Citas

Altuna MA. Contra el diagnóstico. A propósito de las enseñanzas de Paul Feyerabend. Revista de treball social. 2017; p. 66-76.

Mojica Crespo R, Morales Crespo MM. Pandemia COVID-19, la nueva emergencia sanitaria de preocupación internacional: una revisión. Medicina de Familia. 2020;46:65-77.

De León J, Cruz AP, Ramírez PA, Valencia YE, Carrillo CQ, Ayala EV. SARS-CoV-2 y sistema inmune: una batalla de titanes. Horizonte médico. 2020;20(2):5.

Martínez Chamorro E, Díez Tascón A, Ibañez Sanz L, Ossaba Vélez S, Borruel Nacenta S. Diagnóstico radiológico del paciente con COVID-19. Radiología (Madr., Ed. impr.). 2021.

Fuentes Marmolejo MD, Medina Parra WD. Diseño de un modelo predictivo-asistencial de pacientes infectados por Covid-19, mediante un modelo supervisado de Machine Learning basado en criterios de derivación hospitalaria o ambulatoria. 2021.

Algore M. Machine Learning With Python: The Definitive Tool to Improve Your Python Programming and Deep Learning to Take You to The Next Level of Coding and Algorithms Optimization.: Independently Published; 2021.

Rivera JR, del Pino Casado R. Manual práctico de enfermería comunitaria.: Elsevier.; 2020.

Lalueza A, Lora-Tamayo J, de la Calle C, Sayas-Catalán J, Arrieta E, Maestro G, et al. Utilidad de las escalas de sepsis para predecir el fallo respiratorio y la muerte en pacientes con COVID-19 fuera de Unidades de Cuidados Intensivos. Revista Clinica Española. 2015:s358-s363.

Sethi K, Gupta A, Gupta V, Jaiswal. Análisis comparativo de algoritmos de aprendizaje automático en diferentes conjuntos de datos. In Conferencia Internacional sobre Innovaciones en Computación. 2018; p. 87-91.

Gupta S, Saluja K, Goyal A, Vajpayee A, Tiwari V. Comparing the performance of machine learning algorithms using estimated accuracy. Measurement: Sensors. 2022;24(100432).

Osisanwo F, Akinsola J, Awodele O, Hinmikaipe J, Olakanmi J. Algoritmos de aprendizaje automático supervisados: Calsificación y comparación. Cómputo Tendencias Tecnol. 2017; 48(3):128-138.

Ahmad I, Basheri M, Iqbal M. : Performance Comparison of Support Vector Machine, Random Forest, and Extreme Learning Machine for Intrusion Detection. IEEE Acces. 2018; 6(1):33789–33795.

Géron A. Aprende machine learning con scikit-learn, keras y tensorflow. España: Anaya; 2020.

Zambrano J. ¿Aprendizaje supervisado o no supervisado?; 2018.

Witten IH, Frank E, Hall MA, Pal CJ, Data M. Practical Machine Learning Tools and Techniques, second edition San Francisco, CA, EEUU: Morgan Kaufmann; 2005.

Padilla-Ospina AM, Medina-Vásquez JE, Ospina-Holgin JH. Métodos de aprendizaje automático en los estudios prospectivos desde un ejemplo de la financiación de la innovación en Colombia. Rev.investig.desarro.innov. 2020;11(1):9-21.

Wiyono S, Abidin T. Estudio comparativo del aprendizaje automático KNN, SVM y algoritmo de árbol de decisión para predecir el rendimiento del estudiante. Revista Internacional de Investigación-Granthaalayah. 2019; 7(190-196).

Véliz Capuñay C. Aprendizaje Automático: Introducción al Aprendizaje Automático. Fondo Editorial PUCP. Lima-Perú: Fondo Editorial PUCP.; 2020.

Jeng JH, Hsieh JG, Nayvé Villavicencio C. Apoyo Vector MáquinaModelado para la predicción de COVID-19 basado en síntomas utilizando el lenguaje de programación R. ACM International Conference Proceeding Series. 2021;65 - 70.

Elguera Chavarria P, Prado Bush O, Barradas Ambriz J. Implementación de una escala de gravedad para la activación del equipo de respuesta rápida: NEWS 2. Med. 2019; 33(2):98–103.