Diagnóstico automático del síndrome coronario agudo utilizando un sistema multiagente basado en redes neuronales
Introducción Por tratarse de una tarea altamente compleja y de importancia clínica, el diagnóstico del síndrome coronario agudo se presta para su exploración por medio de modelado mediante sistemas inteligentes. Objetivo desarrollar un sistema multiagente que ensamble las decisiones de varias redes...
- Autores:
-
Sprockel Díaz, John Jaime
Diaztagle Fernández, Juan José
González Guerrero, Enrique
- Tipo de recurso:
- Article of journal
- Fecha de publicación:
- 2017
- Institución:
- Fundación Universitaria de Ciencias de la Salud - FUCS
- Repositorio:
- Repositorio Digital Institucional ReDi
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.fucsalud.edu.co:001/1371
- Acceso en línea:
- https://repositorio.fucsalud.edu.co/handle/001/1371
- Palabra clave:
- Diagnóstico
Síndrome coronario agudo
Infarto agudo de miocardio
Angina inestable
Dolor torácico
Técnicas de diagnóstico cardiovascular
Infarto del miocardio
Dolor en el Pecho
- Rights
- openAccess
- License
- Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
Summary: | Introducción Por tratarse de una tarea altamente compleja y de importancia clínica, el diagnóstico del síndrome coronario agudo se presta para su exploración por medio de modelado mediante sistemas inteligentes. Objetivo desarrollar un sistema multiagente que ensamble las decisiones de varias redes neuronales para el diagnóstico del dolor torácico enfocado a los síndromes coronarios agudos. Metodología estudio de pruebas diagnósticas en el que se entrenan un conjunto de redes neuronales con una precisión cercana al 70%, que luego son ensambladas mediante tres sistemas de votación para luego adicionar el resultado de redes especiales en poblaciones particulares y seleccionar la mejor configuración que hará parte de un sistema multiagente para el diagnóstico del dolor torácico. Resultados Se generaron 84 redes con precisión promedio del 72% en pruebas; al ensamblarse aumentan dicha precisión hasta llegar a un máximo del 84% que tras la adición de los grupos especiales alcanza el 89%. Se escoge una conformación que brinda una sensibilidad del 96% con una especificidad del 77%, con valores predictivos positivo y negativo de 87 y 93% respectivamente para el diagnóstico de síndrome coronario agudo. Conclusiones Es posible desarrollar una herramienta para el diagnóstico automático del síndrome coronario agudo a partir de un sistema multiagente que ensamble la disposición tomada por un conjunto de redes neuronales artificiales, cuyo rendimiento permite su consideración para su implementación dentro de un sistema de soporte a las decisiones clínicas. |
---|