Utilidad de los modelos de machine learning en el diagnóstico de enfermedad renal crónica
La enfermedad renal crónica (ERC) es un problema de salud pública que afecta a más de 850 millones de personas en el mundo, con importantes complicaciones y mayor mortalidad, comparado con la población general. Por lo tanto, es imprescindible su diagnóstico temprano para su tratamiento oportuno. Est...
| Autor: | |
|---|---|
| Formato: | tesis de maestría |
| Fecha de publicación: | 2024 |
| País: | España |
| Recursos: | Universitat Autònoma de Barcelona |
| Repositorio: | Dipòsit Digital de Documents de la UAB |
| Idioma: | español |
| OAI Identifier: | oai:ddd.uab.cat:304356 |
| Acesso em linha: | https://ddd.uab.cat/record/304356 |
| Access Level: | acceso abierto |
| Palavra-chave: | Enfermedad renal crónica Machine learning Aprendizaje supervisado Aprendizaje no supervisado |
| Resumo: | La enfermedad renal crónica (ERC) es un problema de salud pública que afecta a más de 850 millones de personas en el mundo, con importantes complicaciones y mayor mortalidad, comparado con la población general. Por lo tanto, es imprescindible su diagnóstico temprano para su tratamiento oportuno. Este estudio aplica técnicas de machine learning, con el fin de identificar patrons y construir un modelo predictivo de ERC, utilizando una base de datos de acceso público. Tras una rigurosa preselección y preprocesamiento de variables, se emplearon algoritmos de clasificación y análisis de clústeres en la plataforma BigML, evaluando su efectividad para agrupar y clasificar a pacientes basado en sus características clínicas y demográficas. Los resultados destacan la eficacia de los modelos supervisados, especialmente el modelo de deepnet, que mostró alta precisión en la clasificación de pacientes en riesgo. Pese a que los hallazgos destacan el potencial de ML para mejorar el diagnóstico de ERC, el estudio enfrenta limitaciones inherentes a los datos de acceso público, incluyendo la falta de la variable sexo, mitigada mediante predicción algorítmica. Este trabajo sugiere que ML puede despeñar un rol importante en la detección temprana de ERC, promoviendo estudios colaborativos que mejoren la representación y precisión de los datos. |
|---|