Estudio comparado de las técnicas de Inteligencia Artificial para el diagnóstico de enfermedades.

Lázaro Francisco Ramos Fuentes; Amilkar Suarez Pupo; Alicia Filadelfia Escobar Torres; Víctor Manuel Sellán Icaza; Ligia Elizabeth Vargas Angulo.

doi:10.46377/dilemas.v30i1.1264

Lázaro Francisco Ramos Fuentes
Amilkar Suarez Pupo
Alicia Filadelfia Escobar Torres
Víctor Manuel Sellán Icaza
Ligia Elizabeth Vargas Angulo.

DOI: https://doi.org/10.46377/dilemas.v30i1.1264

Palabras clave: Técnicas de Inteligencia Artificial, diagnóstico de enfermedades, clasificación, predicción, toma de decisiones

Resumen

El diagnóstico de enfermedades es un proceso cognitivo complejo que implica capacitación, experiencia, reconocimiento de patrones y cálculo de probabilidad condicional, entre otros componentes menos comprendidos. En las últimas décadas se han realizado varios esfuerzos por aplicar el análisis predictivo en sistemas de salud y lanzar sistemas de aprendizaje automático para facilitar el diagnóstico de enfermedades. En la actualidad se utilizan considerables adelantos, especialmente la aplicación de técnicas de Inteligencia Artificial (IA); factibles cuando aprovechan datos disponibles y la experiencia clínica. El presente trabajo tiene como objetivo, comparar técnicas de IA para seleccionar la que mejor se ajusta al diagnóstico de enfermedades, cuando se tienen datos almacenados sobre el comportamiento de las enfermedades que con frecuencia afectan la población.

Citas

Arshadi, N., & Jurisica, I. (2005). Data mining for case-based reasoning in high-dimensional biological domains. IEEE Transactions on Knowledge and Data Engineering, 17(8).

Blanco, I., Contreras, A., Valiente, C., Espinosa, R., Nieto, I., & Vázquez, C. (2019). El análisis de redes en psicopatología: conceptos y metodología. Psicología Conductual, 27(1), pp.87-106.

Deo, R. C. (2015). Machine learning in medicine. Circulation, 132(20), pp.1920-1930.

Georgopoulos, V. C., Malandraki, G. A., & Stylios, C. D. (2003). A fuzzy cognitive map approach to differential diagnosis of specific language impairment. Artificial intelligence in Medicine, 29(3), pp.261-278.

Kosko, B. (1986). Fuzzy cognitive maps. International Journal of Man-Machine Studies, 24(1), pp.65-75.

LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature. Intenational journal of science, 521(7553), pp.436-444.

Leyva-Vázquez, M., Pérez-Teruel, K., Febles-Estrada, A. & Gulín-González, J. (2013). Técnicas para la representación del conocimiento causal: un estudio de caso en Informática Médica. Revista Cubana de Información en Ciencias de la Salud (ACIMED), 24(1), pp.73-83.

Moreno-Jiménez, J. M., & Vargas, L. G. (2018). Cognitive Multiple Criteria Decision Making and the Legacy of the Analytic Hierarchy Process/Decisión Multicriterio Cognitiva y el Legado del Proceso Analítico Jerárquico. Estudios de Economía Aplicada, Vol.36, pp.67-80.

Nápoles, G., Grau, I., Bello, R., & Grau, R. (2014). Two-steps learning of Fuzzy Cognitive Maps for prediction and knowledge discovery on the HIV-1 drug resistance. Expert Systems with Applications, 41(3), pp.821-830.

Ozyilmaz, L., & Yildirim, T. (2002). Diagnosis of thyroid disease using artificial neural network methods. Paper presented at the Proceedings of the 9th International Conference on Neural Information Processing, 2002. ICONIP'02.

Torres Fernández, J. P., Gallo Mendoza, J. G., Hallo Alvear, R. F., Abcarius, J. J., Muriel Páez, M., H. & Fernández Lorenzo, A. (2017). Gestión de la información como herramienta para la toma de decisiones en salud: escenarios más probables. Revista Cubana de Investigaciones Biomédicas, 36(3).