Análisis de comorbilidades en pacientes diagnosticados con SARS-CoV-2 empleando técnicas de Machine Learning

RESUMEN: La Organización Mundial de la Salud ha catalogado a la enfermedad generada por el virus SARS-CoV-2 (COVID-19) como una emergencia sanitaria para la salud pública de gran impacto y relevancia a nivel internacional. Aunque alrededor del 80% de las personas contagiadas se recuperan de la enfermedad sin necesidad de tratamiento hospitalario, aproximadamente una de cada cinco personas, termina presentando un cuadro grave, siendo los más afectados, las personas que padecen afecciones médicas previas como hipertensión arterial, problemas cardiacos, enfermedades pulmonares, diabetes y cáncer. Por tanto, es fundamental comprender la relación que existe entre la muerte de pacientes a causa del COVID-19 y sus enfermedades de base, lo que permitirá identificar oportunamente la población de riesgo. Por tanto, con el objetivo de comprender mejor la relación entre la enfermedad y patologías de base, en el presente proyecto se implementaron cinco modelos mediante la aplicación de técnicas de Machine Learning para el análisis de comorbilidades en pacientes diagnosticados con COVID-19 en Colombia. Inicialmente se hizo la construcción de una base de datos, a partir de la información de personas fallecidas diagnosticadas con COVID-19 reportada por el Ministerio de Salud y Protección Social de Colombia y los informes diarios de fallecidos de la revista Semana. Posteriormente se definieron las características más significativas, con un nivel de confianza del 95%, para clasificar los datos entre dos clases (riesgo alto y riesgo bajo de fallecimiento): edad, anemia, artritis, cáncer, cardiopatía, diabetes, enfermedad pulmonar obstructiva crónica, enfermedad renal, hipertensión, tabaquismo y obesidad (comorbilidades). Luego se implementaron los modelos de aprendizaje supervisado de clasificación con las variables mencionadas anteriormente y se evaluaron los modelos con la precisión y la matriz de confusión. Se desarrollaron los modelos de k vecinos más cercanos, Bernoulli Naive Bayes, árbol de decisión, Gradient Boosting y máquina de soporte vectorial y las precisiones obtenidas fueron de 58.63%, 53.21%, 56.43%, 55.02% y 56.02% respectivamente. Debido a que la variación de las precisiones entre modelos es inferior al 5.5% se debe incluir nuevas variables relacionadas con la evolución del paciente antes del deceso para lograr definir los grupos creados a partir del etiquetado que se planteó en el presente proyecto. Finalmente se desarrolló una aplicación web interactiva en la que es posible observar diferentes gráficas relacionadas con la base de datos construida, tales como las distribuciones por sexo y por edad, los días entre inicio de síntomas y muerte, el top de las comorbilidades reportadas y la cantidad de fallecidos por cada enfermedad, entre otras.

• Autores: Giraldo González, Laura María
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2020
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/17058
• Acceso en línea: http://hdl.handle.net/10495/17058
• Palabra clave: Pandemia; Pandemics; Enfermedad; Diseases; Base de datos; Databases; Programa de ordenador; Computer software; Programación informática; Computer programming; COVID-19; Machine Learning; http://vocabularies.unesco.org/thesaurus/concept17114; http://vocabularies.unesco.org/thesaurus/concept8188; http://vocabularies.unesco.org/thesaurus/concept501; http://vocabularies.unesco.org/thesaurus/concept6081; http://vocabularies.unesco.org/thesaurus/concept521
• Rights: openAccess
• License: Atribución-NoComercial-SinDerivadas 2.5 Colombia