Modelamiento de casos de malaria en la región de Ashanti-Ghana usando regresión logística, Machine Learning y discriminante lineal de Fisher
ilustraciones, gráficos
- Autores:
-
Mosquera Renteria, Javier
- Tipo de recurso:
- Fecha de publicación:
- 2024
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/85962
- Palabra clave:
- 610 - Medicina y salud::616 - Enfermedades
510 - Matemáticas::519 - Probabilidades y matemáticas aplicadas
Malaria
Análisis de regresión logística
Aprendizaje automático (Inteligencia emocional)
Enfermedades parasitarias
Análisis discriminante
Estadística matemática
Malaria - Diagnóstico
Regresión logística
discriminante de Fisher
malaria
Aprendizaje automático
Machine Learning
Logistic regression
Fisher discriminant
- Rights
- openAccess
- License
- Atribución-NoComercial-SinDerivadas 4.0 Internacional
| id |
UNACIONAL2_f11dc84253eb77020f88c7fa80f9e4c5 |
|---|---|
| oai_identifier_str |
oai:repositorio.unal.edu.co:unal/85962 |
| network_acronym_str |
UNACIONAL2 |
| network_name_str |
Universidad Nacional de Colombia |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Modelamiento de casos de malaria en la región de Ashanti-Ghana usando regresión logística, Machine Learning y discriminante lineal de Fisher |
| dc.title.translated.eng.fl_str_mv |
Modeling of malaria cases in the Ashanti-Ghana region using logistic regression, Machine Learning, and Fisher’s linear discriminant |
| title |
Modelamiento de casos de malaria en la región de Ashanti-Ghana usando regresión logística, Machine Learning y discriminante lineal de Fisher |
| spellingShingle |
Modelamiento de casos de malaria en la región de Ashanti-Ghana usando regresión logística, Machine Learning y discriminante lineal de Fisher 610 - Medicina y salud::616 - Enfermedades 510 - Matemáticas::519 - Probabilidades y matemáticas aplicadas Malaria Análisis de regresión logística Aprendizaje automático (Inteligencia emocional) Enfermedades parasitarias Análisis discriminante Estadística matemática Malaria - Diagnóstico Regresión logística discriminante de Fisher malaria Aprendizaje automático Machine Learning Logistic regression Fisher discriminant |
| title_short |
Modelamiento de casos de malaria en la región de Ashanti-Ghana usando regresión logística, Machine Learning y discriminante lineal de Fisher |
| title_full |
Modelamiento de casos de malaria en la región de Ashanti-Ghana usando regresión logística, Machine Learning y discriminante lineal de Fisher |
| title_fullStr |
Modelamiento de casos de malaria en la región de Ashanti-Ghana usando regresión logística, Machine Learning y discriminante lineal de Fisher |
| title_full_unstemmed |
Modelamiento de casos de malaria en la región de Ashanti-Ghana usando regresión logística, Machine Learning y discriminante lineal de Fisher |
| title_sort |
Modelamiento de casos de malaria en la región de Ashanti-Ghana usando regresión logística, Machine Learning y discriminante lineal de Fisher |
| dc.creator.fl_str_mv |
Mosquera Renteria, Javier |
| dc.contributor.advisor.none.fl_str_mv |
Salazar Uribe, Juan Carlos |
| dc.contributor.author.none.fl_str_mv |
Mosquera Renteria, Javier |
| dc.contributor.cvlac.spa.fl_str_mv |
https://orcid.org/0009-0004-7105-461X |
| dc.subject.ddc.spa.fl_str_mv |
610 - Medicina y salud::616 - Enfermedades 510 - Matemáticas::519 - Probabilidades y matemáticas aplicadas |
| topic |
610 - Medicina y salud::616 - Enfermedades 510 - Matemáticas::519 - Probabilidades y matemáticas aplicadas Malaria Análisis de regresión logística Aprendizaje automático (Inteligencia emocional) Enfermedades parasitarias Análisis discriminante Estadística matemática Malaria - Diagnóstico Regresión logística discriminante de Fisher malaria Aprendizaje automático Machine Learning Logistic regression Fisher discriminant |
| dc.subject.lemb.none.fl_str_mv |
Malaria Análisis de regresión logística Aprendizaje automático (Inteligencia emocional) Enfermedades parasitarias Análisis discriminante Estadística matemática Malaria - Diagnóstico |
| dc.subject.proposal.spa.fl_str_mv |
Regresión logística discriminante de Fisher malaria Aprendizaje automático |
| dc.subject.proposal.eng.fl_str_mv |
Machine Learning Logistic regression Fisher discriminant |
| description |
ilustraciones, gráficos |
| publishDate |
2024 |
| dc.date.accessioned.none.fl_str_mv |
2024-04-24T11:54:40Z |
| dc.date.available.none.fl_str_mv |
2024-04-24T11:54:40Z |
| dc.date.issued.none.fl_str_mv |
2024-04-19 |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unal.edu.co/handle/unal/85962 |
| dc.identifier.instname.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.identifier.reponame.spa.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| dc.identifier.repourl.spa.fl_str_mv |
https://repositorio.unal.edu.co/ |
| url |
https://repositorio.unal.edu.co/handle/unal/85962 https://repositorio.unal.edu.co/ |
| identifier_str_mv |
Universidad Nacional de Colombia Repositorio Institucional Universidad Nacional de Colombia |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.indexed.spa.fl_str_mv |
LaReferencia |
| dc.relation.references.spa.fl_str_mv |
Adera, T. D. (2003). Beliefs and traditional treatment of malaria in Kishe settlement area, Southwest Etiopía. 41(1):25–34. Adusei, K. A. and Owusu-Ofori, A. (2018). Prevalence of plasmodium parasitaemia in blood donors and a survey of the knowledge, attitude and practices of transfusion malaria among health workers in a hospital in Kumasi, Ghana. Plos one, 13(11):1–13. Aliyu, A. and Bada, A. B. (2023). Improved Malaria Outbreak Predictive Model Using Naive Baye and Artificial Neural Network. United International Journal for Research & Technology, 4(9):1–14. Aliyu, A., Yau, S., and Aliyu, F. M. (2021). Predicting Malaria Using Logistic Regression Model. Ilorin Journal of Computer Science and Information Technology, 4(2):1–6. Anabire, N. G., Aculley, B., Pobee, A., Kyei-Baafour, E., Awandare, G. A., del Pilar Quintana, M., Hviid, L., and Ofori, M. F. (2023). High burden of asymptomatic malaria and anaemia despite high adherence to malaria control measures: a cross-sectional study among pregnant women across two seasons in a malaria-endemic setting in Ghana. National Library of Medicine, 51(1):1717–1729. Ankamah, S., Nokoe, K. S., and Iddrisu, W. A. (2018). Modelling Trends of climatic Variability and Malaria in Ghana Using Vector Autoregression. Malaria Research and Treatment, 2018(1):1–12. Bowerman, B. L., Connell, R. T., and Koehler, A. B. (2009). Pronósticos, series de tiempo y regresión. Cengage Learning. Devi, S. S., Samantha, E., Priyadharshini, B., and Jetlin, C. P. (2021). Malaria Detection Using Machine Learning with k Nearest Neighbor Algorithm. International Journal of Scientific Development and Research, 6(3):1–4. Díaz, L. G., Morales, M. A., and León, L. R. (2018). Análisis estadístico de datos categóricos. Universidad Nacional de Colombia, Unibiblos. Hume, J. C., Barnish, G., Mangal, T., Armázio, L., Streat, E., and Bates, I. (2008). Household cost of malaria overdiagnosis in rural Mozambique. Malaria Journal, 7(1):1–8. Irmanita, R., Prasetiyowati, S. S., and Sibaroni, Y. (2021). Classification of malaria complication using cart (classification and regression tree) and naive Bayes. Jurnal RESTI, 5(1):10–16. James, G., Witten, D., Hastie, T., and Tibshirani, R. (2021). An Introduction to Statistical Learning with Applications in R. Springer. Johnson, R. A. and Wichern, D. W. (2007). Applied Multivariate Statistical Analysis. Pearson. Landier, J., Parker, D. M., Thu, A. M., Carrara, V. I., Lwin, K. M., Bonnington, C. A., Pukrittayakamee, S., GillesDelmay, and Nosten, F. H. (2016). The role of early detection and treatment in malaria elimination. Malaria Journal, 15(1):1–8. Leslie, T., Mikhail, A., Mayan, I., Anwar, M., Sayed Bakhtash, M. N., Chandler, C., Whitty, C. J. M., and Rowland, M. (2012). Overdiagnosis and mistreatment of malaria among febrile patiens at primary healthcare level in Aghanistan: Observational Study. National Library of Medicine, 345(2012):1–13. Mahmoudi, N., de Julián-Ortiz, J.-V., Ciceron, L., Gálvez, J., Mazier, D., Danis, M., Derouin, F., and García-Domenech, R. (2006). Identification of new antimalarial drugs by linear discriminant analysis and topological virtual screening. Journal of Antimicrobial Chemotherapy, 57(3):489—497. Milton, J. S. (2007). Estadística para Biología y Ciencias de la Salud. McGRAW Hill. Monroy, L. G. D. and Rivera, M. A. M. (2012). Análisis estadístico de datos multivariados. Coordinación de publicaciones, Facultad de Ciencias Diagramación en Latex. Montgomery, D. C., Peck, E. A., and Vining, G. G. (2012). Introduction to Linear Regression Analysis. Wiley. Nkansah, C., Bani, S. B., Mensah, K., Appiah, S. K., Boakye, F. O., Abbam, G., Daud, S., Agyare, E. M., Agbadza, P. E., Derigubah, C. A., Serwaa, D., Apodola, F. A., Quansah, Y., Issah, R., Dindiok, S. Y., and Chukwurah, F. E. (2023). Serum anti-eryhropoietin antibodies among pregnant women with plasmodium falciparum malaria and anaemia: A case control study in northeren Ghana. Plos one, 18(3):1–20. Nájera, J. A., Bueno, A. G., and Díaz, A. B. (2009). Malaria. Biblioteca nacional de España. Opoku-Ansah, J., Eghan, M. J., Anderson, B., Boampong, J. N., Edziah, R., Adueming, P. O.-W., and Amuah, C. L. Y. (2019). Optical Identification of Plasmodium falciparum Malarial Byproduct for Parasite Density Estimation. Hindawi, 2019(8782567):1–14. Overleaf (2023). Overleaf: LaTeX, Evolución. El editor de LaTeX fácil de usar, online y colaborativo, Londres, Reino Unido. URL https://es.overleaf.com/. Paintsil, E. K., Omari-Sasu, A. Y., Addo, M. G., and Boateng, M. A. (2019). Analysis of haematological parameters as predictors of malaria infection using a logistic regression model: A case study of a hospital in the Ashanti region of Ghana. Malaria Research and Treatment, 2019(1):1–7. Poostchi, M., Silamut, K., Maude, R. J., Jaeger, S., and Thoma, G. (2023). Image analysis and machine learning for detecting malaria. Translational Research, 194:36–55. Qadri, A. M., Raza, A., Eid, F., and Abualigah, L. (2023). A novel transfer learningbased model for diagnosing malaria from parasitized and uninfected red blood cell images. Decision Analytics Journal, 9(100352):1–11. R Core Team (2023). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/. RStudio Team (2023). RStudio: Integrated Development for R. RStudio, PBC, Boston, MA. URL http://www.rstudio.com/. Sach, J. and Malaney, P. (2002). The economic and social burden of malaria. National Library of Medicine, 415(6872):680–5. Sajana, T. and Narasingarao, M. R. (2018). Classification of Imbalanced Malaria Disease Using Naive Bayesian Algorithm. International Journal of Engineering & Technology, 7(2.7):786–790. Seyoum, T. F., Andualem, Z., and Yalew, H. F. (2023). Insecticide-treated bed net use and associated factors among households having under-five children in east África: a multilevel binary logistic regression analysis. Malaria Journal, 22(10):1–10. Stephen, A., Akomolafe, P. O., and Ogundoyin, K. I. (2021). A Model for Predicting Malaria Outbreak Using Machine Learning Technique. Scientific Annals of Computer Science, 19(1):9–15. Wackerly, D. D., Mendenhall, W., and Scheaffer, R. L. (2010). Mathematical statistics with applications. Cengage Learnig. Walpole, R. E., Myers, R. H., Myers, S. L., and Ye, K. (2012). Probability and statistics for engineering and science. Pearson. Zuluaga, G. C. and Trujillo, S. B. (2010). Malaria: consideración sobre su diagnóstico. Programa de Educación Médica Continúa Certificada Universidad de Antioquia, Edimedico. |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.license.spa.fl_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional |
| dc.rights.uri.spa.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional http://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
75 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.city.none.fl_str_mv |
Ashanti, Ghana |
| dc.publisher.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.publisher.program.spa.fl_str_mv |
Medellín - Ciencias - Maestría en Ciencias - Estadística |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ciencias |
| dc.publisher.place.spa.fl_str_mv |
Medellín, Colombia |
| dc.publisher.branch.spa.fl_str_mv |
Universidad Nacional de Colombia - Sede Medellín |
| institution |
Universidad Nacional de Colombia |
| bitstream.url.fl_str_mv |
https://repositorio.unal.edu.co/bitstream/unal/85962/9/license.txt https://repositorio.unal.edu.co/bitstream/unal/85962/10/1078918140.2024.pdf https://repositorio.unal.edu.co/bitstream/unal/85962/11/1078918140.2024.pdf.jpg |
| bitstream.checksum.fl_str_mv |
eb34b1cf90b7e1103fc9dfd26be24b4a 31002e9413c674c8e9f2c2a4a84efc95 4f84938df82df73b1e9217a940820c65 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| repository.mail.fl_str_mv |
repositorio_nal@unal.edu.co |
| _version_ |
1814089206363848704 |
| spelling |
Atribución-NoComercial-SinDerivadas 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Salazar Uribe, Juan Carlosdd5849a37723fe30e64e55863468d8a0Mosquera Renteria, Javier90dd6ee9d650c7f74e6572df8b724946https://orcid.org/0009-0004-7105-461X2024-04-24T11:54:40Z2024-04-24T11:54:40Z2024-04-19https://repositorio.unal.edu.co/handle/unal/85962Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/ilustraciones, gráficosA nivel mundial, se han logrado importantes avances en la reducción de casos de malaria; sin embargo, la enfermedad sigue siendo un problema desafiante en la salud pública de Ghana. Aproximadamente, entre el 40 y el 60% de las personas son hospitalizadas debido a esta enfermedad. A pesar de ello, el examen mediante el uso del microscopio sigue siendo el mejor método en todo el mundo para determinar si un paciente tiene o no el parásito de la malaria. Este estudio buscó determinar si los parámetros hematológicos, la edad y el género de los pacientes podrían usarse para predecir la malaria mediante el uso de modelos de regresión logística, naive Bayes, análisis discriminante lineal de Fisher y K vecinos más cercanos. Con estos modelos, que forman parte del aprendizaje automático, se buscó determinar en qué medida se podría estimar la probabilidad de que un paciente tenga o no la enfermedad de la malaria. Se evaluó qué tan buenas alternativas son estos modelos para estimar la probabilidad de tener la enfermedad. Utilizando R, se determinó la capacidad predictiva de los modelos considerados, así como la elección del mejor modelo según algún criterio estadístico, mediante el uso de datos reales. En este estudio, se observó que la prevalencia de casos de malaria fue del 25.95%, siendo los niños menores de 5 años los más afectados, alcanzando el 29.98% (206 de 687), seguidos por niños entre 5 y 14 años de edad, con un 45.30% (164 de 362). El mejor modelo de los cuatro se utilizará para mejorar el diagnóstico de la malaria en pacientes; en este caso, el mejor modelo por su interpretabilidad y mayor capacidad predictiva de casos de malaria fue la regresión logística, demostrando un área bajo la curva de 81.5%. La especificidad y sensibilidad fueron del 74.6% y 79.89%, respectivamente, con un valor predictivo positivo del 39.8% y un valor predictivo negativo del 94.6%. (Tomado de la fuente)Globally, significant progress has been made in reducing malaria cases; However, the disease remains a challenging public health problem in Ghana. Approximately, between 40 and 60% of people are hospitalized due to this disease. Despite this, examination using a microscope remains the best method worldwide to determine whether or not a patient has the malaria parasite. This study sought to determine whether hematological parameters, age, and gender of patients could be used to predict malaria by using logistic regression, naïve Bayes, Fisher's linear discriminant analysis, and K-nearest neighbors models. With these models, which are part of machine learning, we sought to determine to what extent the probability of a patient having or not having malaria disease could be estimated. It was evaluated how good alternatives these models are for estimating the probability of having the disease. Using R, the predictive capacity of the considered models was determined, as well as the choice of the best model according to some statistical criterion, through the use of real data. In this study, it was observed that the prevalence of malaria cases was 25.95%, with children under 5 years of age being the most affected, reaching 29.98% (206 of 687), followed by children between 5 and 14 years of age. age, with 45.30% (164 of 362). The best model of the four will be used to improve malaria diagnosis in patients; In this case, the best model due to its interpretability and greater predictive capacity for malaria cases was logistic regression, demonstrating an area under the curve of 81.5%. The specificity and sensitivity were 74.6% and 79.89%, respectively, with a positive predictive value of 39.8% and a negative predictive value of 94.6%.MaestríaMagíster en Ciencias - EstadísticaEstadística.Sede Medellín75 páginasapplication/pdfspaUniversidad Nacional de ColombiaMedellín - Ciencias - Maestría en Ciencias - EstadísticaFacultad de CienciasMedellín, ColombiaUniversidad Nacional de Colombia - Sede Medellín610 - Medicina y salud::616 - Enfermedades510 - Matemáticas::519 - Probabilidades y matemáticas aplicadasMalariaAnálisis de regresión logísticaAprendizaje automático (Inteligencia emocional)Enfermedades parasitariasAnálisis discriminanteEstadística matemáticaMalaria - DiagnósticoRegresión logísticadiscriminante de FishermalariaAprendizaje automáticoMachine LearningLogistic regressionFisher discriminantModelamiento de casos de malaria en la región de Ashanti-Ghana usando regresión logística, Machine Learning y discriminante lineal de FisherModeling of malaria cases in the Ashanti-Ghana region using logistic regression, Machine Learning, and Fisher’s linear discriminantTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMAshanti, GhanaLaReferenciaAdera, T. D. (2003). Beliefs and traditional treatment of malaria in Kishe settlement area, Southwest Etiopía. 41(1):25–34.Adusei, K. A. and Owusu-Ofori, A. (2018). Prevalence of plasmodium parasitaemia in blood donors and a survey of the knowledge, attitude and practices of transfusion malaria among health workers in a hospital in Kumasi, Ghana. Plos one, 13(11):1–13.Aliyu, A. and Bada, A. B. (2023). Improved Malaria Outbreak Predictive Model Using Naive Baye and Artificial Neural Network. United International Journal for Research & Technology, 4(9):1–14.Aliyu, A., Yau, S., and Aliyu, F. M. (2021). Predicting Malaria Using Logistic Regression Model. Ilorin Journal of Computer Science and Information Technology, 4(2):1–6.Anabire, N. G., Aculley, B., Pobee, A., Kyei-Baafour, E., Awandare, G. A., del Pilar Quintana, M., Hviid, L., and Ofori, M. F. (2023). High burden of asymptomatic malaria and anaemia despite high adherence to malaria control measures: a cross-sectional study among pregnant women across two seasons in a malaria-endemic setting in Ghana. National Library of Medicine, 51(1):1717–1729.Ankamah, S., Nokoe, K. S., and Iddrisu, W. A. (2018). Modelling Trends of climatic Variability and Malaria in Ghana Using Vector Autoregression. Malaria Research and Treatment, 2018(1):1–12.Bowerman, B. L., Connell, R. T., and Koehler, A. B. (2009). Pronósticos, series de tiempo y regresión. Cengage Learning.Devi, S. S., Samantha, E., Priyadharshini, B., and Jetlin, C. P. (2021). Malaria Detection Using Machine Learning with k Nearest Neighbor Algorithm. International Journal of Scientific Development and Research, 6(3):1–4.Díaz, L. G., Morales, M. A., and León, L. R. (2018). Análisis estadístico de datos categóricos. Universidad Nacional de Colombia, Unibiblos.Hume, J. C., Barnish, G., Mangal, T., Armázio, L., Streat, E., and Bates, I. (2008). Household cost of malaria overdiagnosis in rural Mozambique. Malaria Journal, 7(1):1–8.Irmanita, R., Prasetiyowati, S. S., and Sibaroni, Y. (2021). Classification of malaria complication using cart (classification and regression tree) and naive Bayes. Jurnal RESTI, 5(1):10–16.James, G., Witten, D., Hastie, T., and Tibshirani, R. (2021). An Introduction to Statistical Learning with Applications in R. Springer.Johnson, R. A. and Wichern, D. W. (2007). Applied Multivariate Statistical Analysis. Pearson.Landier, J., Parker, D. M., Thu, A. M., Carrara, V. I., Lwin, K. M., Bonnington, C. A., Pukrittayakamee, S., GillesDelmay, and Nosten, F. H. (2016). The role of early detection and treatment in malaria elimination. Malaria Journal, 15(1):1–8.Leslie, T., Mikhail, A., Mayan, I., Anwar, M., Sayed Bakhtash, M. N., Chandler, C., Whitty, C. J. M., and Rowland, M. (2012). Overdiagnosis and mistreatment of malaria among febrile patiens at primary healthcare level in Aghanistan: Observational Study. National Library of Medicine, 345(2012):1–13.Mahmoudi, N., de Julián-Ortiz, J.-V., Ciceron, L., Gálvez, J., Mazier, D., Danis, M., Derouin, F., and García-Domenech, R. (2006). Identification of new antimalarial drugs by linear discriminant analysis and topological virtual screening. Journal of Antimicrobial Chemotherapy, 57(3):489—497.Milton, J. S. (2007). Estadística para Biología y Ciencias de la Salud. McGRAW Hill.Monroy, L. G. D. and Rivera, M. A. M. (2012). Análisis estadístico de datos multivariados. Coordinación de publicaciones, Facultad de Ciencias Diagramación en Latex.Montgomery, D. C., Peck, E. A., and Vining, G. G. (2012). Introduction to Linear Regression Analysis. Wiley.Nkansah, C., Bani, S. B., Mensah, K., Appiah, S. K., Boakye, F. O., Abbam, G., Daud, S., Agyare, E. M., Agbadza, P. E., Derigubah, C. A., Serwaa, D., Apodola, F. A., Quansah, Y., Issah, R., Dindiok, S. Y., and Chukwurah, F. E. (2023). Serum anti-eryhropoietin antibodies among pregnant women with plasmodium falciparum malaria and anaemia: A case control study in northeren Ghana. Plos one, 18(3):1–20.Nájera, J. A., Bueno, A. G., and Díaz, A. B. (2009). Malaria. Biblioteca nacional de España.Opoku-Ansah, J., Eghan, M. J., Anderson, B., Boampong, J. N., Edziah, R., Adueming, P. O.-W., and Amuah, C. L. Y. (2019). Optical Identification of Plasmodium falciparum Malarial Byproduct for Parasite Density Estimation. Hindawi, 2019(8782567):1–14.Overleaf (2023). Overleaf: LaTeX, Evolución. El editor de LaTeX fácil de usar, online y colaborativo, Londres, Reino Unido. URL https://es.overleaf.com/.Paintsil, E. K., Omari-Sasu, A. Y., Addo, M. G., and Boateng, M. A. (2019). Analysis of haematological parameters as predictors of malaria infection using a logistic regression model: A case study of a hospital in the Ashanti region of Ghana. Malaria Research and Treatment, 2019(1):1–7.Poostchi, M., Silamut, K., Maude, R. J., Jaeger, S., and Thoma, G. (2023). Image analysis and machine learning for detecting malaria. Translational Research, 194:36–55.Qadri, A. M., Raza, A., Eid, F., and Abualigah, L. (2023). A novel transfer learningbased model for diagnosing malaria from parasitized and uninfected red blood cell images. Decision Analytics Journal, 9(100352):1–11.R Core Team (2023). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.RStudio Team (2023). RStudio: Integrated Development for R. RStudio, PBC, Boston, MA. URL http://www.rstudio.com/.Sach, J. and Malaney, P. (2002). The economic and social burden of malaria. National Library of Medicine, 415(6872):680–5.Sajana, T. and Narasingarao, M. R. (2018). Classification of Imbalanced Malaria Disease Using Naive Bayesian Algorithm. International Journal of Engineering & Technology, 7(2.7):786–790.Seyoum, T. F., Andualem, Z., and Yalew, H. F. (2023). Insecticide-treated bed net use and associated factors among households having under-five children in east África: a multilevel binary logistic regression analysis. Malaria Journal, 22(10):1–10.Stephen, A., Akomolafe, P. O., and Ogundoyin, K. I. (2021). A Model for Predicting Malaria Outbreak Using Machine Learning Technique. Scientific Annals of Computer Science, 19(1):9–15.Wackerly, D. D., Mendenhall, W., and Scheaffer, R. L. (2010). Mathematical statistics with applications. Cengage Learnig.Walpole, R. E., Myers, R. H., Myers, S. L., and Ye, K. (2012). Probability and statistics for engineering and science. Pearson.Zuluaga, G. C. and Trujillo, S. B. (2010). Malaria: consideración sobre su diagnóstico. Programa de Educación Médica Continúa Certificada Universidad de Antioquia, Edimedico.InvestigadoresLICENSElicense.txtlicense.txttext/plain; charset=utf-85879https://repositorio.unal.edu.co/bitstream/unal/85962/9/license.txteb34b1cf90b7e1103fc9dfd26be24b4aMD59ORIGINAL1078918140.2024.pdf1078918140.2024.pdfTesis de Maestría en Ciencias Estadísticaapplication/pdf2287059https://repositorio.unal.edu.co/bitstream/unal/85962/10/1078918140.2024.pdf31002e9413c674c8e9f2c2a4a84efc95MD510THUMBNAIL1078918140.2024.pdf.jpg1078918140.2024.pdf.jpgGenerated Thumbnailimage/jpeg5083https://repositorio.unal.edu.co/bitstream/unal/85962/11/1078918140.2024.pdf.jpg4f84938df82df73b1e9217a940820c65MD511unal/85962oai:repositorio.unal.edu.co:unal/859622024-08-23 23:12:23.528Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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 |