Tema: Aplicación para monitoreo de pacientes con depresión
Integrantes:
- Alvarado Díaz, Julio José
- Castillo Alarcón, Sandro Sebastián
- Santos Pareja, Daniel Alejandro
Resumen:
El presente trabajo, describe la investigación, metodología y experimentación de una aplicación que permita el monitoreo de potenciales pacientes con depresión. Para el desarrollo del aplicativo, se revisaron papers sobre el uso de algoritmos de Machine Learning en la salud mental, así como el problema de la depresión para determinar los mecanismo de acción, de dicho recorrido en conjunto con la supervisión de un experto se determinó el diseño de un aplicativo web, elaborado en Python con HTML 5, que se base en el Inventario de Depresión de Beck y un conjunto de datos de pacientes, proporcionados como dataset por parte del experto. Se determinaron los algoritmos y/o modelos a usar en la metodología como Random Forest, Árboles de Decisión y SVM. Se fomento la experimentación, a través de una encuesta realizada en estudiantes de la UNI, como parte de las pruebas de validez del aplicativo desarrollado y por último se determinó y evaluó el mejor modelo y los resultados de la aplicación de la encuesta.
Paper:
Pasos para el desarrollo del trabajo:
Vídeo de presentación del trabajo:
PPT:
Código Fuente: https://github.com/SandroCastillo2101/DepresionAITest
Se encontraron 4 coincidencias
- 31 Jul 2021, 10:53
- Foros: Proyectos en Inteligencia Artificial
- Tema: Aplicación para monitoreo de pacientes con depresión
- Respuestas: 0
- Vistas: 434
- 28 Jun 2021, 18:31
- Foros: Inteligencia Artificial
- Tema: Aprendizaje por reforzamiento en el campo de la medicina
- Respuestas: 0
- Vistas: 385
Aprendizaje por reforzamiento en el campo de la medicina
Aprendizaje por reforzamiento en el campo de la medicina
[1] Optimization of anemia treatment in hemodialysis patients via reinforcement learning
El problema que presenta esta investigación es que los métodos clínicos utilizados actualmente para la hemodiálisis tienen un alto riesgo de regular la hemoglobina en valores por debajo o por encima del óptimo lo que puede traer consecuencias. El objetivo de esta investigación es optimizar el tratamiento con agentes estimulantes de la eritropoyesis para pacientes de hemodiálisis.
Los autores utilizan el algoritmo de iteración Q ajustada para su metodología de aprendizaje por reforzamiento. Los autores utilizaron datos de 128 pacientes. Entre estos datos se incluyó: Edad, sexo, peso, talla, hemoglobina, ferritina, albúmina sérica, fosfato, leucocitos, darbepoetina alfa y hierro iv.
Los resultados para los pacientes muestran tratamientos con mucho menores variabilidad que con el tratamiento clásico, es decir, sus niveles de hemoglobina varían en menor cantidad. De esta forma se logra reducir el riesgos de efectos secundarios al tratamiento a causa del exceso o defecto de las dosis dadas al paciente.
Al comparar el tratamiento hecho por el modelo y el tratamiento del protocolo, la política obtenida con el primero aumentó en un 27,6% la proporción de pacientes con un nivel adecuado de hemoglobina y, al mismo tiempo, redujo la cantidad de fármaco consumido en un 5,13%.
[2] Transatlantic transferability of a new reinforcement learning model for optimizing haemodynamic treatment for critically ill patients with sepsis
El problema que presenta esta investigación es que existen centros médicos donde no se tienen recursos de información para elaborar modelos para tratamientos basados en aprendizaje por reforzamiento y por ende no se pueden elaborar estos para beneficio de sus pacientes. El objetivo de esta investigación es comparar los resultados de un modelo entrenado en un ambiente distinto al de su aplicación con el tratamiento que realiza un médico local.
Los autores utilizan una red de doble Q profunda en duelo para su metodología de aprendizaje por reforzamiento. Los autores utilizaron dos conjuntos de datos. El primero de 4047 pacientes y el segundo de 7335 pacientes. Entre estos datos se incluyó: Edad, sexo, peso, índice de masa corporal, índice de shock, bilirrubina y albumina.
Los resultados revelaron que la política óptima hecha por el modelo superó la política del médico en ambos conjuntos de datos a pesar de las marcadas diferencias entre las dos poblaciones de pacientes y las políticas de los médicos.
Finalmente, los autores mencionan que dado que las políticas óptimas difieren claramente del tratamiento clínico actual, estos modelos podrían tener un impacto importante en la morbilidad y la mortalidad.
Conclusiones:
De estos dos trabajos se concluye que el aprendizaje por reforzamiento tiene aplicaciones en la medicina en las que se busca crear el mejor tratamiento para el paciente, evitando excesos o defectos que puedan empeorar su situación.
Referencias:
1. Escandell, P., Chermisi, M., Martínez, J., Gómez, J., Barbieri, C., Soria, E., Mari, F., Vila, J., Stopper, A., Gatti, E. & Martín, J. (2014). Optimization of anemia treatment in hemodialysis patients via reinforcement learning. Artificial Intelligence in Medicine. Vol. 62, 47-60.
2. Roggeveen, L., el Hassouni, A., Ahrendt, J., Guo, T., Fleuren, L., Thoral, P., Girbes, A., Hoogerdoorn, M. & Elbers, P. (2021). Transatlantic transferability of a new reinforcement learning model for optimizing haemodynamic treatment for critically ill patients with sepsis. Artificial Intelligence in Medicine. Vol. 112, pp. 1-17.
[1] Optimization of anemia treatment in hemodialysis patients via reinforcement learning
El problema que presenta esta investigación es que los métodos clínicos utilizados actualmente para la hemodiálisis tienen un alto riesgo de regular la hemoglobina en valores por debajo o por encima del óptimo lo que puede traer consecuencias. El objetivo de esta investigación es optimizar el tratamiento con agentes estimulantes de la eritropoyesis para pacientes de hemodiálisis.
Los autores utilizan el algoritmo de iteración Q ajustada para su metodología de aprendizaje por reforzamiento. Los autores utilizaron datos de 128 pacientes. Entre estos datos se incluyó: Edad, sexo, peso, talla, hemoglobina, ferritina, albúmina sérica, fosfato, leucocitos, darbepoetina alfa y hierro iv.
Los resultados para los pacientes muestran tratamientos con mucho menores variabilidad que con el tratamiento clásico, es decir, sus niveles de hemoglobina varían en menor cantidad. De esta forma se logra reducir el riesgos de efectos secundarios al tratamiento a causa del exceso o defecto de las dosis dadas al paciente.
Al comparar el tratamiento hecho por el modelo y el tratamiento del protocolo, la política obtenida con el primero aumentó en un 27,6% la proporción de pacientes con un nivel adecuado de hemoglobina y, al mismo tiempo, redujo la cantidad de fármaco consumido en un 5,13%.
[2] Transatlantic transferability of a new reinforcement learning model for optimizing haemodynamic treatment for critically ill patients with sepsis
El problema que presenta esta investigación es que existen centros médicos donde no se tienen recursos de información para elaborar modelos para tratamientos basados en aprendizaje por reforzamiento y por ende no se pueden elaborar estos para beneficio de sus pacientes. El objetivo de esta investigación es comparar los resultados de un modelo entrenado en un ambiente distinto al de su aplicación con el tratamiento que realiza un médico local.
Los autores utilizan una red de doble Q profunda en duelo para su metodología de aprendizaje por reforzamiento. Los autores utilizaron dos conjuntos de datos. El primero de 4047 pacientes y el segundo de 7335 pacientes. Entre estos datos se incluyó: Edad, sexo, peso, índice de masa corporal, índice de shock, bilirrubina y albumina.
Los resultados revelaron que la política óptima hecha por el modelo superó la política del médico en ambos conjuntos de datos a pesar de las marcadas diferencias entre las dos poblaciones de pacientes y las políticas de los médicos.
Finalmente, los autores mencionan que dado que las políticas óptimas difieren claramente del tratamiento clínico actual, estos modelos podrían tener un impacto importante en la morbilidad y la mortalidad.
Conclusiones:
De estos dos trabajos se concluye que el aprendizaje por reforzamiento tiene aplicaciones en la medicina en las que se busca crear el mejor tratamiento para el paciente, evitando excesos o defectos que puedan empeorar su situación.
Referencias:
1. Escandell, P., Chermisi, M., Martínez, J., Gómez, J., Barbieri, C., Soria, E., Mari, F., Vila, J., Stopper, A., Gatti, E. & Martín, J. (2014). Optimization of anemia treatment in hemodialysis patients via reinforcement learning. Artificial Intelligence in Medicine. Vol. 62, 47-60.
2. Roggeveen, L., el Hassouni, A., Ahrendt, J., Guo, T., Fleuren, L., Thoral, P., Girbes, A., Hoogerdoorn, M. & Elbers, P. (2021). Transatlantic transferability of a new reinforcement learning model for optimizing haemodynamic treatment for critically ill patients with sepsis. Artificial Intelligence in Medicine. Vol. 112, pp. 1-17.
- 10 May 2021, 11:26
- Foros: Inteligencia Artificial
- Tema: Aplicaciones de Inteligencia Artificial basadas en algoritmos de búsqueda
- Respuestas: 0
- Vistas: 421
Aplicaciones de Inteligencia Artificial basadas en algoritmos de búsqueda
En el presente tema se abordará aplicaciones de Inteligencia Artificial que utilicen algoritmos de búsqueda. En este caso se comentará dos investigaciones que utilizan estos. La primera utiliza el algoritmo de busqueda de ruta más corta, mientras que la segunda utiliza el algoritmo de búsqueda de árboles binarios.
[1] Study of the Application of A* Shortest Path Search Algorithm in Dynamic
El problema presentado en este paper es encontrar la ruta más rápida para llegar de un punto a otro bajo las condiciones de tráfico urbano.
El algoritmo utilizado es el algoritmo de busqueda de ruta más corta A*. Este algoritmo utiliza una función de costo en cada estado el cual se representa como la suma del costo actual, g, y el costo estimado de la ruta más corta en el nodo n, h. En resumen, se entiende como f(n) = g(n) + h(n).
En el caso presentado, el cual refiere a la ruta más corta en tráfico urbano, la variable g(n) representará el tiempo de viaje realizado desde un nodo inicial y la variable h(n) representará el tiempo estimado desde el nodo n hasta el nodo destino.
Cabe resaltar que dado el dinamismo del tráfico se requerirá recalcular la ruta más corta cada cierto número de minutos. En el trabajo comentado se menciona que se realiza cada 5 minutos. Así mismo para la estimación de h(n) se utilizará data histórica de los recorridos en el lugar, considerando el tiempo en ruta libre, la demora por intersecciones y la demora por tráfico.
En los resultados se muestra una simulación en que el algoritmo utilizado encuentra la ruta más rápida en una red de 2500 nodos y así mismo, marca los límites con los datos obtenidos. Cabe considerar que en la investigación no se detalla qué herramientas se utilizaron para realizar esta simulación.
[2] Implementing binary search tree concept for image criptography
El problema presentado en este paper es reducir el consumo de recursos y de tiempo en la realización de encriptación de imágenes modificando los algoritmos más usados como AES y DES.
El algoritmo utilizado es de árbol de búsqueda binaria. Este algoritmo clasifica y ordena datos en un árbol en base a reglas como puede ser las de comparación.
En el caso presentado lo que se busca es crear llaves públicas y privadas generadas por un árbol de búsqueda binaria para encriptación de imágenes. A partir de una llave pública o privada se genera un árbol binario que reordenara está clave de manera secuencial de tal forma que se genere una nueva clave. Luego, realizando operaciones de sustitución y transposición se obtienen las imágenes encriptadas.
El algoritmo se probó con 3 imágenes y los resultados se compararon con los de otros algoritmos como AES y DES. Los resultados indicaron que el algoritmo de árbol de búsqueda binaria tuvo resultados similares a AES y DES en error absoluto y en valores pico de ruido; sin embargo, se encontró una gran mejora en el tiempo de encriptación del algoritmo propuesto, pudiendo reducir este a menos del 50%. Cabe considerar que en la investigación no se detalla qué herramientas se utilizaron para realizar estas pruebas.
Conclusiones:
De estos dos trabajos se concluye que los algoritmos de búsqueda pueden ser aplicados tanto a problemas reales como encontrar la ruta más rápida en tráfico urbano como en problemas de rendimiento de algoritmos como encontrar uno que mejore el tiempo de encriptación.
Referencias:
1. Yue, H. & Shao, C. (2007). Study of the Application of A* Shortest Path Search Algorithm in Dynamic. Thrid International Conference on Natural Computation.
2. Al-Husainy, M. & Al-Sewadi, H. (2019). Implementing binary search tree concept for image criptography. International Journal of Advanced Science and Technology. Vol. 130, pp. 21-32.
[1] Study of the Application of A* Shortest Path Search Algorithm in Dynamic
El problema presentado en este paper es encontrar la ruta más rápida para llegar de un punto a otro bajo las condiciones de tráfico urbano.
El algoritmo utilizado es el algoritmo de busqueda de ruta más corta A*. Este algoritmo utiliza una función de costo en cada estado el cual se representa como la suma del costo actual, g, y el costo estimado de la ruta más corta en el nodo n, h. En resumen, se entiende como f(n) = g(n) + h(n).
En el caso presentado, el cual refiere a la ruta más corta en tráfico urbano, la variable g(n) representará el tiempo de viaje realizado desde un nodo inicial y la variable h(n) representará el tiempo estimado desde el nodo n hasta el nodo destino.
Cabe resaltar que dado el dinamismo del tráfico se requerirá recalcular la ruta más corta cada cierto número de minutos. En el trabajo comentado se menciona que se realiza cada 5 minutos. Así mismo para la estimación de h(n) se utilizará data histórica de los recorridos en el lugar, considerando el tiempo en ruta libre, la demora por intersecciones y la demora por tráfico.
En los resultados se muestra una simulación en que el algoritmo utilizado encuentra la ruta más rápida en una red de 2500 nodos y así mismo, marca los límites con los datos obtenidos. Cabe considerar que en la investigación no se detalla qué herramientas se utilizaron para realizar esta simulación.
[2] Implementing binary search tree concept for image criptography
El problema presentado en este paper es reducir el consumo de recursos y de tiempo en la realización de encriptación de imágenes modificando los algoritmos más usados como AES y DES.
El algoritmo utilizado es de árbol de búsqueda binaria. Este algoritmo clasifica y ordena datos en un árbol en base a reglas como puede ser las de comparación.
En el caso presentado lo que se busca es crear llaves públicas y privadas generadas por un árbol de búsqueda binaria para encriptación de imágenes. A partir de una llave pública o privada se genera un árbol binario que reordenara está clave de manera secuencial de tal forma que se genere una nueva clave. Luego, realizando operaciones de sustitución y transposición se obtienen las imágenes encriptadas.
El algoritmo se probó con 3 imágenes y los resultados se compararon con los de otros algoritmos como AES y DES. Los resultados indicaron que el algoritmo de árbol de búsqueda binaria tuvo resultados similares a AES y DES en error absoluto y en valores pico de ruido; sin embargo, se encontró una gran mejora en el tiempo de encriptación del algoritmo propuesto, pudiendo reducir este a menos del 50%. Cabe considerar que en la investigación no se detalla qué herramientas se utilizaron para realizar estas pruebas.
Conclusiones:
De estos dos trabajos se concluye que los algoritmos de búsqueda pueden ser aplicados tanto a problemas reales como encontrar la ruta más rápida en tráfico urbano como en problemas de rendimiento de algoritmos como encontrar uno que mejore el tiempo de encriptación.
Referencias:
1. Yue, H. & Shao, C. (2007). Study of the Application of A* Shortest Path Search Algorithm in Dynamic. Thrid International Conference on Natural Computation.
2. Al-Husainy, M. & Al-Sewadi, H. (2019). Implementing binary search tree concept for image criptography. International Journal of Advanced Science and Technology. Vol. 130, pp. 21-32.
- 16 Abr 2021, 22:04
- Foros: Inteligencia Artificial
- Tema: Impacto de la inteligencia artificial en la ética en el sector salud
- Respuestas: 0
- Vistas: 293
Impacto de la inteligencia artificial en la ética en el sector salud
La inteligencia artificial es uno de los temas de los que más se habla en el ámbito de la tecnología puesto que ha aportado mucho al avance del desarrollo de nuevas herramientas que permitan entre otras cosas predecir resultados en función de datos históricos. Dentro del campo de la salud existen proyectos de inteligencia artificial que permiten la predicción temprana de enfermedades como algunos tipos de cáncer. En el paper "Applications of Machine Learning in Cancer Prediction and Prognosis" (Cruz, 2006) encontramos un resumen de avances del machine learning para predicción de cáncer utilizando algoritmos como árboles de decisión, Naive Bayes, k-vecino más cercano, redes neuronales, algoritmos genéticos, entre otros. Actualmente, ya se tienen modelos que otorgan resultados muy favorables acercándose al 90% y en algunos casos superándolo.
Como se mostró el párrafo anterior se señala que la IA sigue avanzando en el campo de la salud. Sin embargo, como todo desarrollo pueden existir buenas y malas aplicaciones. Como se sabe la inteligencia artificial utiliza una gran cantidad de datos que pueden ser mal utilizados. Por ejemplo, podría darse el caso que un trabajador encargado del equipo de desarrollo venda información de algún o algunos pacientes. La ética se hace presente aquí en la conducta del trabajador que prioriza generar ingresos a tener una conducta profesional. También cabe precisar cuáles serían los usos que se le podría dar a esta información. Un caso sería el de las aseguradoras las cuales generarían mayores ingresos si saben con antelación que sus asegurados no tienen indicios de tener alguna enfermedad en el futuro. Otro caso sería el de los empleadores que buscarían personas que tengan una salud impecable y libre de futuras enfermedades. Estos malos usos pueden generar discriminación a personas que tarde o temprano podrían tener una enfermedad terminal que sea costosa para empleos o seguros. Para este caso una solución sería regular las leyes relacionadas a la protección laboral con el fin no se utilice información de este tipo como criterio para que una persona sea despedida de su trabajo o se le excluya en algún proceso para conseguir uno.
Imagen 01: Detección de cáncer de mama
Por otro lado, los resultados otorgados por un modelo no son concluyentes puesto que siempre se tiene el riesgo que este se equivoque. Un error que podría cometer un centro médico es no informar esto a un paciente. Poniendo un ejemplo podríamos hacer daño emocional a un paciente si no le indicamos que su análisis que indica que tiene cáncer bajo el modelo de Inteligencia Artifical podría terminar siendo un falso positivo bajo tras la realización de una segunda prueba. Además, con la noticia de que en un futuro uno podría sufrir una enfermedad, podría generarle preocupaciones, estrés u otro tipo de daño psicológico que incluso lo podría ser vulnerable a otras enfermedades. Una parte fundamental en la que interviene la ética aquí es cómo transmitir de manera correcta a un paciente sus resultados médicos en especial cuando son desfavorables.
Imagen 02: Despido discriminatorio por enfermedad
Finalmente, así como la inteligencia artifical puede brindar muchos beneficios, también puede traer graves consecuencias si no se utiliza correctamente. El progreso de la tecnología debe ir acompañado por regulaciones y medidas que permitan que esta sea segura.
Como se mostró el párrafo anterior se señala que la IA sigue avanzando en el campo de la salud. Sin embargo, como todo desarrollo pueden existir buenas y malas aplicaciones. Como se sabe la inteligencia artificial utiliza una gran cantidad de datos que pueden ser mal utilizados. Por ejemplo, podría darse el caso que un trabajador encargado del equipo de desarrollo venda información de algún o algunos pacientes. La ética se hace presente aquí en la conducta del trabajador que prioriza generar ingresos a tener una conducta profesional. También cabe precisar cuáles serían los usos que se le podría dar a esta información. Un caso sería el de las aseguradoras las cuales generarían mayores ingresos si saben con antelación que sus asegurados no tienen indicios de tener alguna enfermedad en el futuro. Otro caso sería el de los empleadores que buscarían personas que tengan una salud impecable y libre de futuras enfermedades. Estos malos usos pueden generar discriminación a personas que tarde o temprano podrían tener una enfermedad terminal que sea costosa para empleos o seguros. Para este caso una solución sería regular las leyes relacionadas a la protección laboral con el fin no se utilice información de este tipo como criterio para que una persona sea despedida de su trabajo o se le excluya en algún proceso para conseguir uno.
Imagen 01: Detección de cáncer de mama
Por otro lado, los resultados otorgados por un modelo no son concluyentes puesto que siempre se tiene el riesgo que este se equivoque. Un error que podría cometer un centro médico es no informar esto a un paciente. Poniendo un ejemplo podríamos hacer daño emocional a un paciente si no le indicamos que su análisis que indica que tiene cáncer bajo el modelo de Inteligencia Artifical podría terminar siendo un falso positivo bajo tras la realización de una segunda prueba. Además, con la noticia de que en un futuro uno podría sufrir una enfermedad, podría generarle preocupaciones, estrés u otro tipo de daño psicológico que incluso lo podría ser vulnerable a otras enfermedades. Una parte fundamental en la que interviene la ética aquí es cómo transmitir de manera correcta a un paciente sus resultados médicos en especial cuando son desfavorables.
Imagen 02: Despido discriminatorio por enfermedad
Finalmente, así como la inteligencia artifical puede brindar muchos beneficios, también puede traer graves consecuencias si no se utiliza correctamente. El progreso de la tecnología debe ir acompañado por regulaciones y medidas que permitan que esta sea segura.