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...

Full description

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)
Description
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.