Aprendizaje profundo para escalas pronósticas en la prescripción a pacientes con riesgo de sangrado gastrointestinal

Main Article Content

Carlos Calderón-Vargas
José Muñoz Castaño
María Vargas Rincón
Víctor Manuel Rincón Acosta https://orcid.org/0000-0002-5762-1313
Miguel Mendieta Hernández https://orcid.org/0000-0003-0344-6078

Keywords

Diseño web, Machine learning, entrenamiento, árboles de decisión, weka

Resumen

La evolución de la medicina en los tiempos actuales ha ido de la mano de la tecnología donde cada vez más se implementan soluciones que apoyan ciertos procedimientos médicos con el objetivo de apoyar el ejercicio de los profesionales de la medicina en su oficio. El procesamiento y análisis de datos se ha convertido en un recurso imprescindible en la práctica de cualquier profesión, actualmente, en los hospitales, más  puntualmente en el hospital universitario la samaritana, no se posee una herramienta que permita apoyar el  diagnóstico para determinar el suministro o no, de los inhibidores de bombas de protones, por lo tanto hemos desarrollado una aplicación web utilizando un modelo de  aprendizaje automático, basado en arboles de decisiones por medio de la aplicación weka, que luego del análisis de los datos recogidos, permita al médico contar con una herramienta para el apoyo de este procedimiento. Esperamos que con la utilización de esta aplicación los médicos puedan realizar un análisis efectivo antes de recetar o no los IBPs. 

Descargas

Los datos de descargas todavía no están disponibles.
Abstract 725 | PDF Downloads 572 URL Downloads 0

Referencias

[1] F. Alshamsi, E. Belley-Cote, D. Cook, S. A. Almenawer, Z. Alqahtani, D. Perri, L. Thabane, A. Al-Omari, K. Lewis, G. Guyatt et al., “Efficacy and safety of proton pump inhibitors for stress ulcer prophylaxis in critically ill patients: a systematic review and meta-analysis of randomized trials,” Critical Care, vol. 20, no. 1, pp. 1–12, 2016. https://doi.org/10.1186/s13054-016-1305-6

[2] J. Johnstone, K. Nerenberg, and M. Loeb, “Meta-analysis: proton pump inhibitor use and the risk of community-acquired pneumonia,” Alimentary pharmacology & therapeutics, vol. 31, no. 11, pp. 1165–1177, 2010. https://doi.org/10.1111/j.1365-2036.2010.04284.x

[3] C.-S. Eom, C. Y. Jeon, J.-W. Lim, E.-G. Cho, S. M. Park, and K.-S. Lee, “Use of acid-suppressive drugs and risk of pneumonia: a systematic review and meta-analysis,” Cmaj, vol. 183, no. 3, pp. 310–319, 2011. https://doi.org/10.1503/cmaj.092129

[4] J. Leonard, J. K. Marshall, and P. Moayyedi, “Systematic review of the risk of enteric infection in patients taking acid suppression,” American Journal of Gastroenterology, vol. 102, no. 9, pp. 2047–2056, 2007. https://doi.org/10.1111/j.1572-0241.2007.01275.x

[5] U. Food, D. Administration et al., “Fda drug safety communication: Clostridium difficile–associated diarrhea can be associated with stomach acid drugs known as proton pump inhibitors (ppis),” Silver Spring, MD: US Food and Drug Administration, 2013.

[6] H. Wang, C. Ma, and L. Zhou, “A brief review of machine learning and its application,” in 2009 international conference on information engineering and computer science. IEEE, 2009, pp. 1–4. https://doi.org/10.1109/ICIECS.2009.5362936

[7] J. M. Moine, A. S. Haedo, and S. E. Gordillo, “Estudio comparativo de metodologías para minería de datos,” in XIII Workshop de Investigadores en Ciencias de la Computación, 2011. http://sedici.unlp.edu.ar/bitstream/handle/10915/20034/Documento_completo.pdf%3Fsequence%3D1

[8] J. A. Sidey-Gibbons and C. J. Sidey-Gibbons, “Machine learning in medicine: a practical introduction,” BMC medical research methodology, vol. 19, no. 1, pp. 1–18, 2019. https://doi.org/10.1186/s12874-019-0681-4

[9] M. Á. Vega, L. M. Q. Mora, M. V. C. Badilla et al., “Inteligencia artificial y aprendizaje automático en medicina,” Revista Medica Sinergia, vol. 5, no. 8, pp. e557–e557, 2020. https://doi.org/10.31434/rms.v5i8.557

[10] W. Hong, Z. Xiong, N. Zheng, and Y. Weng, “A medical-history-based potential disease prediction algorithm,” IEEE Access, vol. 7, pp. 131 094–131 101, 2019. https://doi.org/10.1109/ACCESS.2019.2940644

[11] M. Boehm, D. Burdick, A. Evfimievski, B. Reinwald, P. Sen, S. Tatikonda, and Y. Tian, “Compiling machine learning algorithms with systemml,” in Proceedings of the 4th annual Symposium on Cloud Computing, 2013, pp. 1–1. https://doi.org/10.1145/2523616.2525965

[12] M. M. Kaklamanis and M. E. Filippakis, “A comparative survey of machine learning classification algorithms for breast cancer detection,” in Proceedings of the 23rd Pan-Hellenic Conference on Informatics, 2019, pp. 97–103. https://doi.org/10.1145/3368640.3368642

[13] A. N. Reiz, M. A. de la Hoz, and M. S. García, “Big data analysis y machine learning en medicina intensiva,” Medicina Intensiva, vol. 43, no. 7, pp. 416–426, 2019. https://doi.org/10.1016/j.medin.2018.10.007

[14] S. Chadha, “Clinical oracle: Machine learning in medicine,” Berkeley Scientific Journal, vol. 23, no. 2, 2019. https://doi.org/10.5070/ BS3232045344