Estrategia de prevención de principales enfermedades no transmisibles mediante redes neuronales artificiales

• Silvia-Soledad Moreno-Gutiérrez ^[1] ; Margarita García-López ^[1]
  1. [1] Universidad Autónoma del Estado de Hidalgo

     Universidad Autónoma del Estado de Hidalgo

     México

     
• Localización: DYNA new technologies, ISSN-e 2386-8406, Vol. 10, Nº. 1, 2023
• Idioma: español
• Títulos paralelos:
  • Prevention strategy of main non-communicable diseases using artificial neural networks
• Texto completo no disponible (Saber más ...)
• Resumen
  • español

    El objetivo del presente trabajo consistió en construir cuatro modelos de predicción de Enfermedades No Transmisibles (ENT) para apoyar el diagnóstico precoz mediante la aplicación de Redes Neuronales Artificiales (RNA) profundas y de agrupamiento; mediante análisis comparativo se eligió el mejor paradigma. Siguiendo la metodología para ciencia de datos se analizaron los objetivos, requisitos del proyecto y la calidad de los datos, se realizó limpieza y normalización, la identificación de número óptimo de grupos mediante método de silueta. Cada modelo se entrenó con 70% de registros y se validaron con el 30% restante mediante matriz de confusión y F1. El análisis comparativo exhibió el mejor desempeño del perceptron multicapa con aprendizaje profundo (sobre red con funciones de base radial de agrupamiento), su exactitud, precisión, sensibilidad, especificidad y F1 fue del 99%, 97%, 100%, 97% y 98% respectivamente para cáncer de pulmón, 99%, 98%, 100%, 100% y 98% para cáncer de mama, Alzheimer con 98.6%, 100%, 96%, 100% y 97%, y depresión con 91%, 87%, 93%, 88% y 88%, estos modelos constituyen una solución automatizada para fortalecimiento del diagnóstico médico, se consideran apoyo estratégico en la prevención de ENT que contribuirá a mejorar el pronóstico y calidad de vida de personas vulnerables.

  • English

    The aim of this work was to build four models for the prediction of Noncommunicable Diseases (NCD) to support early diagnosis by applying deep Artificial Neural Networks (ANN) and clustering; through comparative analysis, the best paradigm was chosen. Following the methodology for data science, the objectives, project requirements and the quality of the data were analyzed, cleaning and normalization was carried out, the identification of the optimal number of groups by means of the silhouette method. Each model was trained with 70% of records and validated with the remaining 30% using the confusion matrix and F1. The comparative analysis showed the best performance of the multilayer perceptron with deep learning (over a network with clustering radial basis functions), its accuracy, precision, sensitivity, specificity and F1 were 99%, 97%, 100%, 97% and 98% respectively for lung cancer, 99%, 98%, 100%, 100% and 98% for breast cancer, Alzheimer with 98.6%, 100%, 96%, 100% and 97%, and depression with 91% , 87%, 93%, 88% and 88%, these models constitute an automated solution to strengthen medical diagnosis, they are considered a strategic support in the prevention of NCD, will contribute to improving the prognosis and quality of life of vulnerable people.