Aplicación de Modelos de Clasificación de Machine Learning para la Predicción de Apendicitis Utilizando Datos Clínicos
Publicado: 19 Jul 2024, 21:55
Tema: Aplicación de Modelos de Clasificación de Machine Learning para la Predicción de Apendicitis Utilizando Datos Clínicos
Maestría en Inteligencia Artificial - Machine Learning
Integrantes:
- Alvarez Cadillo, Michell Adrian
- Flores Quiliche, Fernando
- Henostroza Villacorta, Victor Arturo
- Mejía Cuba, Richard Luis
- Rodriguez Mallma, Josef Renato
- Cornejo Puma, Katterine de Astrid
Resumen:
El presente trabajo aborda la problemática del diagnóstico preciso de la apendicitis aguda, una condición médica que puede presentar una amplia variabilidad en su manifestación clínica y hallazgos radiológicos. El estudio propone el uso de modelos de machine learning como una solución potencial para mejorar la precisión diagnóstica, acelerando el proceso y minimizando complicaciones asociadas a diagnósticos erróneos o tardíos. Utilizando el conjunto de datos "Regensburg Pediatric Appendicitis" del repositorio de UCI Machine Learning, que incluye variables demográficas, medidas antropométricas, síntomas clínicos y resultados de pruebas de laboratorio, se desarrollaron y compararon varios modelos de clasificación. Entre los algoritmos evaluados se encuentran la Regresión Logística, K Nearest Neighbors (KNN), Árbol de Decisión, Bosques Aleatorios, Máquinas de Soporte Vectorial (SVM), XGBoost, AdaBoost, LightGBM, CatBoost y Naive Bayes.
Maestría en Inteligencia Artificial - Machine Learning
Integrantes:
- Alvarez Cadillo, Michell Adrian
- Flores Quiliche, Fernando
- Henostroza Villacorta, Victor Arturo
- Mejía Cuba, Richard Luis
- Rodriguez Mallma, Josef Renato
- Cornejo Puma, Katterine de Astrid
Resumen:
El presente trabajo aborda la problemática del diagnóstico preciso de la apendicitis aguda, una condición médica que puede presentar una amplia variabilidad en su manifestación clínica y hallazgos radiológicos. El estudio propone el uso de modelos de machine learning como una solución potencial para mejorar la precisión diagnóstica, acelerando el proceso y minimizando complicaciones asociadas a diagnósticos erróneos o tardíos. Utilizando el conjunto de datos "Regensburg Pediatric Appendicitis" del repositorio de UCI Machine Learning, que incluye variables demográficas, medidas antropométricas, síntomas clínicos y resultados de pruebas de laboratorio, se desarrollaron y compararon varios modelos de clasificación. Entre los algoritmos evaluados se encuentran la Regresión Logística, K Nearest Neighbors (KNN), Árbol de Decisión, Bosques Aleatorios, Máquinas de Soporte Vectorial (SVM), XGBoost, AdaBoost, LightGBM, CatBoost y Naive Bayes.