Diagnóstico de enfermedad hepática mediante técnicas de aprendizaje automático y su implementación en una aplicación web
Las enfermedades hepáticas se han incrementado notablemente en los últimos años debido a los cambios en los hábitos de vida, siendo una de las principales causas de mortalidad a nivel mundial. Sin embargo, el diagnóstico de las enfermedades hepáticas sigue siendo complejo, costoso y la mayoría de la...
| Autor: | |
|---|---|
| Tipo de documento: | dissertação |
| Data de publicação: | 2021 |
| País: | España |
| Recursos: | Universitat Oberta de Catalunya (UOC) |
| Repositório: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/138549 |
| Acesso em linha: | http://hdl.handle.net/10609/138549 |
| Access Level: | Acceso aberto |
| Palavra-chave: | aprendizaje automático redes neuronales artificiales enfermedad hepática machine learning artificial neural networks liver disease aprenentatge automàtic xarxes neuronals artificials malaltia hepàtica Neural networks (Computer science) -- TFM Xarxes neuronals (Informàtica) -- TFM Redes neuronales (Informática) -- TFM |
| Resumo: | Las enfermedades hepáticas se han incrementado notablemente en los últimos años debido a los cambios en los hábitos de vida, siendo una de las principales causas de mortalidad a nivel mundial. Sin embargo, el diagnóstico de las enfermedades hepáticas sigue siendo complejo, costoso y la mayoría de las veces tardío. Este trabajo busca un modelo de clasificación automático que permita realizar un diagnóstico precoz y sencillo de pacientes hepáticos. Para ello, se generan modelos a partir del conjunto de datos de pacientes hepáticos ILPD y los algoritmos de aprendizaje automático K-nearest neighbor (KNN), Naive Bayes (NB), Decision tree (DT), Random Forest (RF), Support Vector Machines (SVM), Artificial Neural Network (ANN) y Logistic Regression (LR). Para determinar el mejor modelo se emplearon las métricas tasa de éxito, falsos negativos, falsos positivos, tasa de error, estadístico kappa, sensibilidad, especificidad, precisión, recall y F1-score. En base a esto, los modelos ANN y RF muestran mejores resultados que el resto de modelos para la predicción de pacientes hepáticos, con una tasa de éxito del 75,1% y 74,6% y una precisión del 76,8% y 75,3%. Por lo tanto, este trabajo demuestra que es posible diagnosticar pacientes hepáticos empleando modelos de clasificación automáticos entrenados con variables clínicas sencillas de obtener, sin tener que recurrir a métodos invasivos para el paciente. Además, se ha implementado el modelo ANN en una aplicación web, generando una herramienta única y con gran potencial para apoyar a profesionales sanitarios durante el diagnóstico de enfermedades hepáticas, permitiendo un diagnóstico precoz sin necesidad de técnicas intrusivas. |
|---|