Pbkp_redicción de la Efectividad de las Pruebas Rápidas Realizadas a Pacientes con COVID-19 mediante Regresión Lineal y Random Forest

Abstract:

La rapidez de propagación del SARS-CoV2 (COVID-19), ha ocasionado un colapso de los sistemas de salud a nivel mundial, por lo que una estrategia para controlar la propagación es la detección oportuna del virus por medio de pruebas rápidas, que permitan tomar acciones y así dar un tratamiento oportuno que reduzca su propagación. Con la ayuda de las técnicas de inteligencia artificial, dentro del subcampo del aprendizaje automático o machine learning, se han dado avances significativos que permiten agilizar el análisis de grandes volúmenes de datos. Este estudio tiene como objetivo, determinar la efectividad de las pruebas rápidas en la detección del covid-19, mediante el uso de machine learning aplicando una metodología que implica la creación de los modelos de regresión lineal y Random Forest con el lenguaje de programación Python. En la metodología usada se crearon los modelos, que luego fueron definidos y entrenados y después de realizar las pruebas y pbkp_redicciones, las métricas de validación determinaron la precisión y efectividad de estos modelos. De los resultados obtenidos se concluye que el modelo random forest es bueno dado que proporcionó una precisión del 61% sin embargo con el modelo de regresión lineal se determinó que este tiene un nivel de precisión de aproximadamente el 90%, por lo que finalmente con estos modelos los profesionales de la salud podrán realizar pbkp_redicciones confiables en cuanto a la efectividad de las pruebas rápidas como un mecanismo que ayudarán a detectar rápidamente la presencia del virus y así reducir la propagación del virus.

Año de publicación:

2021

Keywords:

Fuente:

google