Regresar

Análisis de evaluación en el proceso de recuperación de pacientes con Covid-19 mediante el uso de modelos de clasificación de aprendizaje automático tal como regresión logística y árboles de clasificación.

Abstract:

El conocer la efectividad de tratamientos y síntomas presenta una útil solución a problemas derivados de la recuperación de pacientes por COVID-19. El proyecto a continuación pretende realizar un modelo pbkp_redictivo asistencial para personas confirmadas con COVID-19, utilizando herramientas de Aprendizaje Automático mediante algoritmos supervisados como son Árboles de decisión y Regresión Logística para el análisis y evaluación del proceso de recuperación de pacientes. Uno de los objetivos específicos data en la recopilación de datos relacionados a las historias clínicas para los pacientes a quienes se le ha detectado la enfermedad para la elaboración de un dataset de las variables más relevantes, evaluándolas dentro del modelo de algoritmo de aprendizaje supervisado para dar soporte a los expertos médicos en la toma de decisiones. La metodología empleada es "Knowledge Discovery in Databases-KDD", que se constituye de 6 fases: importación y muestreo de datos, calidad de datos, transformación, modelización, evaluación e implementación; esta última quedando descartada ya que el desarrollo será de un prototipo en Python. Para la parte estadística, se hizo uso de STAT:FIT, una herramienta con la cual se puede visualizar las distribuciones estadísticas. Los algoritmos empleados se basaron en los tratamientos y síntomas, arrojando un porcentaje de precisión (95% Árboles de clasificación y 97% Regresión Logística), concluyendo que el mejor pbkp_redictor para la problemática es Regresión Logística, también se demostró una relación entre las variables empleadas para el trabajo mediante el análisis de correlación de Pearson, por lo cual se cumplen las hipótesis planteadas. Los beneficiarios directos, son los doctores y personal médico, teniendo un apoyo tecnológico que les ayude a evaluar el estado de los pacientes y decidir qué tratamientos serían los más acordes para una mayor recuperación