Estudio comparativo de metodologías de detección de enfermedades cardiovasculares implementando técnicas de inteligencia artificial

Las enfermedades cardiovasculares-ECV son la principal causa de muerta a nivel mundial. La detección temprana de las ECV es fundamental para tomar medidas de prevención o retrasar complicaciones graves y la muerte. Dado su alto impacto, es fundamental emplear métodos eficaces para su predicción y diagnóstico, con el objetivo de mejorar la calidad de vida y reducir el riesgo en los pacientes. De acuerdo con lo anteriormente mencionado, el análisis predictivo de las enfermedades cardiovasculares ha surgido como un área clave de investigación. La integración de sistemas inteligentes en el ámbito de la salud permite identificar de manera anticipada a pacientes con alto riesgo de desarrollar ECV. La principal motivación de este proyecto de investigación ha sido la implementación del método de envoltorio aplicado a los sistemas de detección de enfermedades cardiovasculares con el propósito de mejorar las tasas de detección de tendencia a desenlace cardiovascular, utilizando un procedimiento de selección de características y métodos de algoritmos no supervisados. Para evaluar la calidad del modelo propuesto de detección de ECV, se utilizaron diversas métricas a través de simulaciones realizadas con el "Cleveland Heart Disease Data Set", disponible en el repositorio de Machine Learning de la UCI KDD. Ello implica la aplicación previa de las técnicas de selección de características Information Gain y Chi Square, con el propósito de identificar las características relevantes y que mejor inciden en el proceso de clasificación. Como parte de la metodología, se entrenó una red neuronal con algoritmos no supervisados, incluyendo C4.5, Random Forest, Redes Neuronales SOM, Redes Neuronales GHSOM y Naive Bayes Tree, con el propósito de clasificar la tendencia hacia una condición de riesgo de forma automática. Los resultados indican que el clasificador Random Forest, combinado con validación cruzada de 10 pliegues y la técnica de selección Information Gain, ofrece los mejores resultados de precisión de 85.70% y 87.10% de exactitud en la clasificación

• Autores: Jiménez Roa, Luz Elena
• Fecha de publicación: 2024
• Institución: Corporación Universidad de la Costa
• Repositorio: REDICUC - Repositorio CUC
• Idioma: spa
• OAI Identifier: oai:repositorio.cuc.edu.co:11323/14026
• Acceso en línea: https://hdl.handle.net/11323/14026; https://repositorio.cuc.edu.co/
• Palabra clave: Dataset cleveland heart disease; Cleveland heart disease datase; Cardiovascular detection system,; Feature selection techniques; Training and classification techniques; Sistema de detección cardiovascular; Técnicas de selección de características; Técnicas de entrenamiento y clasificación
• Rights: openAccess
• License: Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)