Aprendizaje profundo para escalas pronósticas en la prescripción a pacientes con riesgo de sangrado gastrointestinal
Main Article Content
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
Referencias
[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
Article Sidebar
Article Details
Carlos Calderón-Vargas, Hospital Universitario La Samaritana
Médico de la Universidad de la Sabana y especialista en Medicina Interna de la Pontificia Universidad Javeriana. Docente del programa de Medicina Interna de la Univerdidad de la Sabana. Internista del servicio de Medicina Interna del Hospital Universitario de la Samaritana. Miembro ACMI - ACP.
José Muñoz Castaño, Hospital Universitario La Samaritana
Médico y cirujano de la fundación universitaria de ciencias de la salud , especialización en gerencia de la salud.
María Vargas Rincón, Hospital Universitario La Samaritana
Estudiante XII semestre de medicina en la Universidad de la Sabana, pertenezco al grupo de interés “Plastic and Reconstructive surgery universidad de la sabana”- PRECSUS.
Víctor Manuel Rincón Acosta, Universidad El Bosque
Estudiante Ing. Sistemas, Diploma en Habilidades administrativas para el siglo XXI, Actualmente se desempeña como líder de área de tecnología, informática y robótica en el Gimnasio Campestre Reino Británico.
Miguel Mendieta Hernández, Universidad El Bosque
Estudiante ingeniería de sistemas de la universidad El Bosque. Actualmente se desempeña como desarrollador Web Freelance independiente.
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista están de acuerdo con los siguientes términos:
- Los autores conservan los derechos de autor y garantizan a la revista el derecho de ser la primera publicación del trabajo al igual que licenciado bajo una Creative Commons Attribution License que permite a otros compartir el trabajo con un reconocimiento de la autoría del trabajo y la publicación inicial en esta revista.
- Los autores pueden establecer por separado acuerdos adicionales para la distribución no exclusiva de la versión de la obra publicada en la revista (por ejemplo, situarlo en un repositorio institucional o publicarlo en un libro), con un reconocimiento de su publicación inicial en esta revista.
- Se permite y se anima a los autores a difundir sus trabajos electrónicamente (por ejemplo, en repositorios institucionales o en su propio sitio web) antes y durante el proceso de envío, ya que puede dar lugar a intercambios productivos, así como a una citación más temprana y mayor de los trabajos publicados (Véase The Effect of Open Access) (en inglés).