Optimización de los Diagnósticos Médicos Mediante Técnicas de Minería de Datos

Contenido principal del artículo

Marcela Baukloh Coronil
Carina Yoshimura Kumano

Resumen

El presente trabajo tuvo como objetivo definir patrones respecto a los pacientes bajo condiciones similares, para la optimización de los diagnósticos médicos mediante técnicas de minería de datos, específicamente técnicas de clasificación aplicadas a los registros la base de datos del Centro Latinoamericano de Perinatología (CLAP), que posee el historial de embarazadas que asisten a sus controles prenatales en el Hospital Regional de Encarnación (HRE), comprendidas entre los años 2009 y 2014.Durante la investigación se analizaron las posibles causas de hipertensión arterial, parto prematuro y rotura prematura de membrana en las embarazadas. Los clasificadores indicaron un alto porcentaje de precisión en los resultados obtenidos, por ejemplo, un clasificador indicó 95% de exactitud al determinar como principal causa de la hipertensión arterial (HTA) inducida en el embarazo al antecedente de HTA de la paciente. Considerando el alto porcentaje de exactitud de los clasificadores se concluye que los patrones definidos por los algoritmos de clasificación son válidos para el diagnóstico médico de control prenatal, y por medio de estos patrones se confirman varias teorías médicas como la importancia de las consultas prenatales, la incidencia de los antecedentes personales o familiares, entre otros.

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Cómo citar
Baukloh Coronil, M., & Yoshimura Kumano, C. (2016). Optimización de los Diagnósticos Médicos Mediante Técnicas de Minería de Datos. Revista Sobre Estudios E Investigaciones Del Saber académico, (10), 19–22. Recuperado a partir de http://publicaciones.uni.edu.py/index.php/rseisa/article/view/153
Sección
Artículos de investigación
Biografía del autor/a

Marcela Baukloh Coronil, Universidad Nacional de Itapúa. Encarnación, Paraguay.

Profesora Investigadora de la UNI

Citas

Franco-Arcega. A.. Carrasco-Ochoa. J. A. Sanchez-Diaz, G., & Martinez-Trinidad. J. F. (2013). Decision Tree based Classifiers for Large Datasets.Computación y Sistemas, 17(1), 95-102.

Britos, P., Hossian, A., García Martínez, R., & Sierra, E. (2005). Minería de Datos Basada en Sistemas Inteligentes. 876 páginas. Editorial Nueva Librería. ISBN 987-1104-30-8.

Chaurasia, V., & Pal, S. (2014). Data Mining Approach to Detect Heart Diseases. International Journal of Advanced Computer Science and Information Technology (IJACSIT) Vol. 2, 56-66.

Dávila, F., & Sánchez, Y. (2012). Técnicas de minería de datos aplicadas al diagnóstico de entidades clínicas. Revista Cubana de Informática Médica.

Dávila Hernández, F., & Sánchez Corales. Y. (2012). Técnicas de minería de datos acadas al diagnóstico de entidades clínicas. Revista Cubana de Informática Médica, 4(2), 174-183.

Jiawei Han: Jian Pet; Yiwen Yin; Runying Mao. (2004). Mining Frequent Patterns without Candidate Generation: A Frequent Pattern Tree Approach. 8(1).

Pinho Lucas, J. (2010). Métodos de clasificación basados en asociación aplicados a sistemas de recomendación.

Lugo-Reyes, S. O. (2014). Inteligencia artificial para asistir el diagnóstico clínico en medicina. Órgano oficial del Colegio Mexicano de Inmunologia Clinica y Alergia, AC y de la Sociedad Latinoamericana de Alergia, Asma e Inmunología, 61, 110-120.

Quesada, Y, A., Pérez, D. W., & Suárez, A. R. (2012, June). Minería de Datos aplicada a la Gestión Hospitalaria. In V Simposio de Ingenieria Industrial y Afines.

Hofmann, M., & Klinkenberg, R. (Eds.). (2013). RapidMiner: Data mining use cases and business analytics applications. CRC Press.