Desarrollo de un sistema para la predicción de ocurrencia del síndrome metabólico empleando técnicas de inteligencia artificial

El Síndrome Metabólico es un conjunto de afecciones de origen metabólico el cual tiene una estrecha relación con el aumento del riesgo de desarrollar enfermedades crónicas no transmisibles como la diabetes y enfermedades cardiovasculares. Este síndrome ha llegado a niveles pandémicos, por lo que existe la necesidad de desarrollar herramientas tecnológicas que permitan su predicción. Sin embargo, en Colombia existen carencias en el desarrollo y diseño de modelos de predicción del Síndrome Metabólico usando técnicas de inteligencia artificial, por lo tanto, en el presente proyecto se desarrolló un sistema para la predicción de ocurrencia del síndrome metabólico en los datos obtenidos del estudio transversal y descriptivo FUPRECOL empleando técnicas de inteligencia artificial de alto rendimiento como lo son Máquinas de Vectores de Soporte y Redes Neuronales, además de clasificadores básicos como Reconocedor Euclideo. Para esto se realizó un procesamiento de los datos con creación de patrones aleatorios por medio de la técnica ADASYN y se emplearon técnicas de reducción de dimensionalidad como FSCNCA y Sequential Forward Selection. Se escogieron los mejores modelos de cada técnica y se evaluaron con patrones de prueba con el fin de validar el porcentaje real de la clasificación del sistema. Se obtuvieron porcentajes de clasificación con Redes Neuronales y Máquinas de Vectores de Soporte del 91,8 % y el 93 % respectivamente, siendo este último la técnica con la mejor predicción. Los resultados obtenidos demuestran que es posible desarrollar sistemas con técnicas de inteligencia artificial para predecir el síndrome metabólico con altos porcentajes de clasificación, los cuales podrían tener gran potencial para predecir desde la juventud la probabilidad que tiene una persona de padecer este síndrome y de esta forma prevenir en edades adultas la aparición de enfermedades relacionadas a este.

• Autores: Pinilla Galvis, Angélica Yelitza; Martínez Arguello, Luisa Gabriela
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2021
• Institución: Universidad Autónoma de Bucaramanga - UNAB
• Repositorio: Repositorio UNAB
• Idioma: spa
• OAI Identifier: oai:repository.unab.edu.co:20.500.12749/13792
• Acceso en línea: http://hdl.handle.net/20.500.12749/13792
• Palabra clave: Biomedical engineering; Engineering; Medical electronics; Biological physics; Bioengineering; Medical instruments and apparatus; Medicine; Artificial intelligence; Metabolic syndrome; Clinical engineering; Dimensionality reduction; Neural networks; Chronic diseases; Machine theory; Electronic data processing; Simulation methods; Support vector machines; Euclidean recognizer; Ingeniería biomédica; Ingeniería; Biofísica; Bioingeniería; Medicina; Enfermedades crónicas; Teoría de las máquinas; Procesamiento electrónico de datos; Métodos de simulación; Ingeniería clínica; Electrónica médica; Instrumentos y aparatos médicos; Inteligencia artificial; Síndrome Metabólico; Reducción de dimensionalidad; Redes neuronales; Reconocedor euclideo; Máquinas de vectores de soporte
• Rights: openAccess
• License: http://creativecommons.org/licenses/by-nc-nd/2.5/co/