Evaluación del clasificador Naïve Bayes como herramienta de diagnóstico en Unidades de Cuidado Intensivo

En el proceso de diagnóstico médico se busca identificar el estado de salud de un paciente. Sin embargo, la complejidad fisiológica del ser humano genera una amplia gama de condiciones difíciles de establecer por el personal médico en pacientes patológicos. En las unidades de cuidado intensivo, dond...

Full description

Autores:
Chaparro, Javier A.
Giraldo, Beatriz F.
Rondón, Susana
Tipo de recurso:
Article of investigation
Fecha de publicación:
2013
Institución:
Escuela Colombiana de Ingeniería Julio Garavito
Repositorio:
Repositorio Institucional ECI
Idioma:
spa
OAI Identifier:
oai:repositorio.escuelaing.edu.co:001/2312
Acceso en línea:
https://repositorio.escuelaing.edu.co/handle/001/2312
https://revistas.unbosque.edu.co/index.php/RevTec/issue/view/131
Palabra clave:
Unidades de cuidados intensivos
Diagnóstico
Teoría bayesiana de decisiones estadísticas
Cuidados intensivos respiratorios
Intensive care units
Diagnosis
Bayesian statistical decision theory
Respiratory intensive care
Flujo respiratorio
Diagnóstico clínico
Extubación de pacientes
Clasificador bayesiano
Airflow
Clinical diagnosis
Patient extubation
Bayesian classifier
Rights
openAccess
License
https://creativecommons.org/licenses/by-nc-nd/4.0/
Description
Summary:En el proceso de diagnóstico médico se busca identificar el estado de salud de un paciente. Sin embargo, la complejidad fisiológica del ser humano genera una amplia gama de condiciones difíciles de establecer por el personal médico en pacientes patológicos. En las unidades de cuidado intensivo, donde habitualmente se utiliza la ventilación asistida, se presenta un alto grado de incertidumbre a la hora de identificar el momento adecuado de retirar el ventilador mecánico. Teniendo en cuenta esta problemática, presentamos el diseño y evaluación de una herramienta basada en inferencia bayesiana que brinda información al médico sobre la viabilidad de tener una extubación exitosa. Para su diseño y validación se utilizó una base de datos con señales de flujo respiratorio compuesta por 98 pacientes exitosamente extubados, y 38 que fracasaron. Las señales fueron caracterizadas inicialmente con un grupo de series temporales, y posteriormente, el patrón respiratorio en los dos grupos de estudio fue analizado con técnicas estadísticas y de modelado autorregresivo. De este último proceso se derivo un grupo de variables con las cuales se diseñó un clasificador tipo Naive Bayes. Los resultados fueron medidos en función de la exactitud, sensibilidad y especificidad del clasificador, logrando un 78% en la primera medida y un 75% y 74% en las dos segundas.