Representación y análisis del conocimiento causal en la medicina.
Resumen
En medicina se busca descubrir y representar las relaciones causales entre variables de interés. Con el fin de representar computacionalmente el conocimiento causal se debe recurrir a grafos dirigidos. Existen dos técnicas fundamentales: las redes bayesianas y los mapas cognitivos difusos. En el presente trabajo se comparan ambas técnicas y se muestran la ventaja que presentan los mapas cognitivos difusos en el diagnóstico mediante el cálculo de scoring de cada alternativa utilizando métodos multicriterio.
Citas
Garcia, A. M, Fuster, P, P., Ponseti, F. J., Palou, P. S., Olmedilla, A. Z. & Cruz, J. F. (2015). Análisis de las relaciones entre la motivación, el clima motivacional y la ansiedad competitiva en jóvenes jugadores de equipo mediante una red Bayesiana. Anales de Psicología/Annals of Psychology, 31 (1), pp.355-366. Recuperado de: http://revistas.um.es/analesps/article/view/analesps.31.1.167531/169901
González, R., Oviedo, M. D., Leyva, M., Estupiñán, J., Sganderla, J. A. & Smarandache, F. (2019). Pestel analysis based on neutrosophic cognitive maps and neutrosophic numbers for the sinos river basin management. Neutrosophic Sets & Systems, Vol. 26, pp.105-113. Recuperado de: http://fs.unm.edu/NSS/SinosRiverBasin.pdf
Kosko, B. (1986). Fuzzy cognitive maps. International Journal of Man-Machine Studies, 24(1), pp.65-75.
Leyva, M. V., Pérez, K. T., Febles, A. E. & Gulín, J. G. (2013b). Técnicas para la representación del conocimiento causal: un estudio de caso en Informática Médica. Revista Cubana de Información en Ciencias de la Salud. 24(1), pp.73-83. Recuperado de: http://scielo.sld.cu/pdf/ics/v24n1/ics06113.pdf
Leyva, M. V., Smarandache, F. & Ricardo, J. E. (2018). Artificial intelligence: challenges, perspectives and neutrosophy role.(Master Conference). Revista Dilemas Contemporáneos: Educación, Política y Valore, Edicion especial, Núm. 1, Recuperado de: https://search.proquest.com/openview/1387cc4b70b7977662f675f7c12a90ed/1?pq-origsite=gscholar&cbl=4400984
Leyva, V. M.., Pérez, K. T., Fables, A. E. & Gulín, J. G. (2013a). Mapas cognitivos difusos para la selección de proyectos de tecnologías de la información. Contaduría y administración, 58(4), pp.95-117.
Moreno, J. M. & Vargas, L. G. (2018). Cognitive Multiple Criteria Decision Making and the Legacy of the Analytic Hierarchy Process. Estudios de Economía Aplicada. 36 (1), pp.67-80.
Pérez, K. T., Leyva, M. V., Espinilla, M. & Estrada, V. S. (2014). Computación con palabras en la toma de decisiones mediante mapas cognitivos difusos. Revista Cubana de Ciencias Informáticas. 8 (2), pp.19-34. Recuperado de: http://scielo.sld.cu/pdf/rcci/v8n2/rcci02214.pdf
Puente A. (2011). Causality in Sciencie. Revisa de Investigacion Pensamiento Matemático. 1 (12).
Uusitalo, L. (2007). Advantages and challenges of Bayesian networks in environmental modelling. Ecological modelling, 203 (3-4), pp.312-318.
Wu, B., Yan, X., Wang, Y. & Soares, C. G. (2017). An evidential reasoning‐based CREAM to human reliability analysis in maritime accident process. Risk analysis, 37 (10), pp.1936-1957.
Zadeh, L. A. (1965). Fuzzy sets. Information and control, 8 (3), pp.338-353. doi: 10.1016/s0019-9958(65)90241-x
Zadeh, L. A. (1996). Fuzzy Sets, Fuzzy Logic, and Fuzzy Systems: Selected Papers by Lotfi a Zadeh. World Scientific. pp.796-804.
