Diseño de un modelo predictivo de pesquisa cardiovascular utilizando Árboles de Decisión: propensión de pacientes a presentar diabetes tipo 2, hipertensión arterial o dislipidemia: Estudio piloto, comuna de Quellón, Chiloé
Resumen: Introducción : En la actualidad, la Minería de Datos es cada vez más popular en el campo de la salud porque existe una necesidad de eficiencia metodológica y analítica para detectar información desconocida y valiosa en datos de salud. Objetivo : Desarrollar un modelo predictivo utilizando...
Guardado en:
| Autores principales: | , , , , , |
|---|---|
| Lenguaje: | Spanish / Castilian |
| Publicado: |
Sociedad Chilena de Cardiología y Cirugía Cardiovascular
2018
|
| Materias: | |
| Acceso en línea: | http://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718-85602018000200126 |
| Etiquetas: |
Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| Sumario: | Resumen: Introducción : En la actualidad, la Minería de Datos es cada vez más popular en el campo de la salud porque existe una necesidad de eficiencia metodológica y analítica para detectar información desconocida y valiosa en datos de salud. Objetivo : Desarrollar un modelo predictivo utilizando técnicas de minería de datos, específicamente Arboles de Decisión, para pesquisar pacientes con propensión a desarrollar Diabetes Tipo II (DM II), Hipertensión Arterial (HTA) o Dislipidemia (DLP). Método : Se analizó el problema de los Factores de Riesgo Cardiovascular Mayores desde una perspectiva de procesos y se estudiaron las técnicas que permiten descubrir el conocimiento del fenómeno almacenado en las bases de datos de Examen de Medicina Preventiva del Adulto (EMPA) de la Población en Control Cardiovascular que presenta DM II, HTA o DLP Resultados : El Algoritmo C5, presenta un mayor poder predictivo, respecto de otros algoritmos de Árbol de Decisión. Se comprobó que las variables Edad y Circunferencia de Cintura fueron las de mayor poder de discriminación en el padecimiento de DM2, HTA o DLP. El algoritmo C5 alcanzó una precisión global de un 83,01% en la partición de prueba, luego en la misma partición el modelo logra discriminar un paciente con algunas de las patologías en el 85,25% de los casos, y uno que no presenta alguna de las patologías en un 80,27% de las oportunidades. Conclusión : La Minería de Datos y en este caso, específicamente los Modelos de Árboles de Decisión son una alternativa válida para la pesquisa cardiovascular temprana. |
|---|