.

Curso: Tópicos Especiales en Ingeniería de Sistemas - Inteligencia Artificial.
Docente: Dr. Wester Zela Moraya.
Alumno: Br. Eric José Jara Palacios.

Descripción:
Se busca con este articulo describir como los Pacientes de Dengue en el Hospital de Apoyo II 1 Nuestra Señora de Las Mercedes de Paita en el año 2023, puedan tener una propuesta de solución de esta problemática con el apoyo de las tecnologías de información, más específicamente con Machine Learning que permite encontrar los diagnósticos con el modelo más eficiente.

Objetivos

• 1. La definición de la dataset, visualización de los metadatos, el diccionario de datos y el listado de los datos.
  2. Limpieza del dataset de datos atípicos o que no sean comprendidas en el análisis.
  3. Resolver el problema del dataset de los pacientes de dengue con los algoritmos de clasificaciones (o regresión).
  • 3.1. Probar los siguientes algoritmos: Árbol de Decisión, Random Forest y Redes Neuronales.
    3.2. Deducir, ¿Cuál es el modelo más eficiente?
  4. Resolver el problema del dataset de los pacientes de dengue con el algoritmo de Clustering.
  • 4.1. Usar el algoritmo KMeans.
    4.2. Seleccionar la cantidad de Clusters para el modelo de agrupamiento.

Metodología y Experimentación:
Este trabajo de investigación justifica el comportamiento de la variable del diagnóstico de los pacientes con dengue. El estudio se basó en dato de pacientes que han sido diagnosticado por dengue en el Hospital de Apoyo II 1 Nuestra Señora de Las Mercedes de Paita – Piura 2023. Los datos se utilizar de la siguiente manera, 95% de entrenamiento y 5% para pruebas (por motivo que el dataset es un poco limitado).
Los algoritmos de clasificación aplicados a este trabajo de investigación va ser J48, REPTree, Random Forest y Redes Neuronales, además del algoritmo de agrupación K-means. Para el análisis de estos modelos de clasificación y agrupación se va usar el software de código abierto Weka.

Marco Conceptual:
1. La definición de la dataset (visualización de los metadatos, el diccionario de datos y el listado de los datos).







2. Limpieza del dataset de datos atípicos o que no sean comprendidas en el análisis.








3. Resolver el problema del dataset con algoritmos de clasificaciones (o regresión).

• 3.1.Probar los siguientes algoritmos:

• 3.2. Deducir, ¿Cuál es el modelo más eficiente?

En este caso del dataset los Pacientes con Dengue del Hospital de Apoyo II 1 Nuestra Señora de Las Mercedes de Paita, tiene la variable objetivo de los diagnósticos para predecir con fundamentos cual es la mejor manera para luchar con el virus del dengue. El detalle de este trabajo de investigación al tener un dataset limitado, los márgenes de error son escasos por lo consiguiente se tenía el mismo resultado en todos los modelos con un nivel de pruebas de 70%, por lo que se opto a cambiar a 95% de entrenamiento y 5% de pruebas, para observar que modelo se desenvuelve más eficientemente. En este caso los modelos J48, Random Forest y MultilayerPerceptron (Redes neuronales) son que tiene un buen balance con el dataset, pero el que no es muy eficiente es el modelo REPTree, esta conclusión es por el porcentaje de aciertos y margen de error. Pero de acuerdo a la matriz de confusión el modelo más eficiente es el “Random Forest” por motivo que solo tiene 8 elementos fuera de su grupo correspondiente, mientras que los demás tiene 10 elementos fuera de su grupo de clasificación, es decir, el modelo “Random Forest” es el que está más adecuado para solucionar esta problemática.

4.Resolver el problema del dataset con el algoritmo de Clustering.

• 4.1. Usar el algoritmo KMeans.

Conclusión:
La conclusión de este trabajo se puede apreciar de acuerdo a las métricas analizadas que el virus del dengue es más propenso en jóvenes mayores de edad y que el origen de los diagnósticos denomina que el dengue clásico y el no especificado, surgen porque los pacientes llegan directamente al tópico de emergencia del Hospital de Apoyo II 1 Nuestra Señora de Las Mercedes de Paita. Gracias a esta información podemos dar recomendaciones, que sugerirán mecanismo de prevención que deberán ser incluidos en las entidades públicas correspondientes (DIRESA, MINSA, Hospitales Pública y Privadas, o Instituciones que ejercen el cuidado de la salud) para erradicar el mosquito del Dengue.


Bibliografías (referencias):

• Estado Peruano. (23 de mayo de 2023). Plataforma Nacional de Datos Abierto del Estado Peruano. Obtenido el Dataset Pacientes con Dengue del Hospital de Apoyo II 1 Nuestra Señora de Las Mercedes de Paita [HNSLMP]: https://www.datosabiertos.gob.pe/datase ... s-de-paita

• Valero, J; Navarro, Á.; Larios, A.; Julca, J. (21 de diciembre de 2022). Troomes. Obtenido de Resumen de Trabajos de Machine Learning Aplicados en la Educación (Latinoamericana) por Jeannette Monroy García: https://www.troomes.com/viewtopic.php?f ... weka#p8169

• Miembro ‘Daño de la Tormenta’ (24 de septiembre de 2016). StackOverflow. Obtenido la Solución a un Problema de Cadena a valor nominal en Weka: https://stackoverflow.com/questions/396 ... ue-in-weka

DE: Eric José Jara Palacios.
Alumno del Curso de Tópicos Especiales en Ingeniería de Sistemas - Inteligencia Artificial.

PARA: Wester Zela Moraya.
Docente del Curso de Tópicos Especiales en Ingeniería de Sistemas - Inteligencia Artificial.

Descripción: Para este ensayo se analizó una investigación de Inteligencia Artificial en el sector de desastres naturales, en cual se detalla de manera concisa como estas soluciones han apoyado a desarrollar objetivos sostenibles para la identificación de pistas que da la naturaleza antes de un desastre natural.

Título de Investigación: Sistema de Alerta Sísmica Peruano (SASPe).

Problemática en la Investigación:
Los desastres naturales son a menudo, algo inesperado, entonces tenemos que ver los casos anteriores para analizar como un desastre natural afecta a la población para dar un diagnóstico y prevención de cómo actuar ante un desastre natural, en este caso un sismo o terremoto.
Algoritmos y resultados de las pruebas en la Investigación:
El sistema de Gestión de Desastres (DMS) un sistema de información que apoya a la toma de decisiones para gestionar y utilizar información de desastres para dar una conjetura apegada a la realidad. Ahora este sistema tiene un apoyo recién del Sistema de Alerta Sísmica Peruano, que se implementa por parte del Gobierno Peruano para dar una alerta de la población de un sismo o terremoto, esto con respaldo de operación monitorizadas en centros de control en puntos claves del territorio peruano. Esta aplicación de software es la unión entre del monitoreo de las estaciones sísmicos (centros de control) con la población para dar una alerta temprana de un desastre para ponerse en buen recaudo. Este sistema se fundamentó en preguntas de viabilidad para ver si es dable dar una medida de calidad a las soluciones tecnológicas.

Herramientas en la Investigación:
El Sistema de Alerta Sísmica Peruano (SASPe) fue desarrollado para solucionar la problemática antes explicado de acuerdo a la compresión de datos en tiempo real, es decir, el sistema monitorea data proporcionados por lo centro de control, que luego son validados en bases de reglas diseñados por expertos geotécnicos que son proporcionados por el Instituto Geofísico del Perú (IGP). El sistema inteligente debe en el menor tiempo posible estimar la magnitud y la ubicación hipocentral de un sismo, para generar alertas oportunas con el tiempo necesario para resguardarse en un lugar seguro.
Si hablamos de especificaciones técnicas es la aplicación de un sistema experto con la data de entrada de las fuentes de los centros de control. Pero el análisis para toma de decisión, es como, Trigger en la base de datos, es una Inteligencia artificial que aprendió los parámetros regulares que están en un promedio de 6 megavatios (Mw). Pero si detecta una anomalía emite los datos correspondientes y lo pasa a un formato estándar para luego ser validados en base a reglas diseñadas por expertos, con el fin de identificar si se activan los procedimientos de alarmas, si fuera el caso, manda una orden de activación estándar, que activan las alarmas y comunican a todos los canales disponibles (señal satelital BGAN, Radio VHF, EWBS y GRPS [3G, 4G y próximamente 5G]) para que la población reciba una alerta temprana.
Dataset en la Investigación:
• Imágenes topográficas e imágenes espeleológicas.
• Medidas de las estaciones sísmicas (centro de control).
• Ocupación del suelo y censo del terreno.
• Información actual e histórica de los movimientos de las fallas geográficas.
• Ingreso de data externa o de investigaciones (universidad, instituciones nacionales, privadas o extranjeras).

Conclusión:
El Sistema de Alerta Sísmica Peruano (SASPe), un ejemplo muy claro y favorable de como la Inteligencia Artificial detecta de manera viable e integra un desastre natural (sismo o terremotos en este caso), detectando de manera oportuna las anomalías de los datos de entrada, que luego son válidas para tener la seguridad que es una alerta tangible que puede afectar a la población, entonces la esencia de esta aplicación es avisar a la población que se ponga en buen recaudo en un tiempo considerable para evitar daños por el desastre natural.

Bibliografías (referencias):
• Estado Peruano. (09 de febrero de 2022). Plataforma digital única del Estado Peruano. Obtenido de Sistema de Alerta Sísmico Peruano - SASPe: https://www.gob.pe/institucion/indeci/c ... uano-saspe
• Huaman Chavez, J. (20 de diciembre de 2022). Troomes. Obtenido de Resumen de trabajos de machine learning aplicados a la medicina: https://www.troomes.com/viewtopic.php?f=3&t=7434
• Perez, E. D., Olivares, A., & Barrientos, A. (2022). Soluciones tecnologícas para la alerta y difusión de terremotos y tsunamis en la ciudad de Lima Metropolitana y Callao. Lima, Perú: Facultad de Ingeniería, Universidad Peruana de Ciencias Aplicadas.