Guillain–Barré Syndrome (GBS) is an unusual disorder where the body’s immune system affects the peripheral nervous system. GBS has four main subtypes, whose treatments vary among them. Severe cases of GBS can be fatal. This work aimed to investigate whether balancing an original GBS dataset improves the predictive models created in a previous study. purpleBalancing a dataset is to pursue symmetry in the number of instances of each of the classes.The dataset includes 129 records of Mexican patients diagnosed with some subtype of GBS. We created 10 binary datasets from the original dataset. Then, we balanced these datasets using four different methods to undersample the majority class and one method to oversample the minority class. Finally, we used three classifiers with different approaches to creating predictive models. The results show that balancing the original dataset improves the previous predictive models. The goal of the predictive models is to identify the GBS subtypes applying Machine Learning algorithms. It is expected that specialists may use the model to have a complementary diagnostic using a reduced set of relevant features. Early identification of the subtype will allow starting with the appropriate treatment for patient recovery. This is a contribution to exploring the performance of balancing techniques with real data.
Resumen. El trastorno neurológico llamado Síndrome de Guillain-Barré (SGB) afecta principalmente al sistema nervioso periférico y se caracteriza por un rápido desarrollo, en algunos casos es mortal. Los subtipos del SGB son principalmente Polineuropatía Desmielinizante Inflamatoria Aguda (AIDP), Neuropatía Axonal Motora Aguda (AMAN), Neuropatía Axonal Sensorial Aguda (AMSAN) y Síndrome de Miller-Fisher (MF). Cada subtipo debe tratarse de manera diferente, el tratamiento y los costos varían según el subtipo desarrollado. Por lo tanto, es esencial diagnosticar temprano el subtipo de SGB que sufre el paciente. El conjunto de datos incluye 129 registros de pacientes mexicanos. Este conjunto de datos se ha utilizado para construir una serie de modelos predictivos utilizando clasificadores simples y combinados Debido a que los datos originales del SGB están desbalanceados, balanceamos los datos a través del sobremuestreo sintético y utilizamos clasificadores simples para mejorar los modelos predictivos previos. En este estudio, usamos la Técnica de Sobremuestreo de Minorías Sintéticas (SMOTE) para balancear los datos, y aplicamos tres clasificadores simples con diferentes enfoques: C4.5, SVM, JRip. Utilizamos la técnica OvO (One for One) para obtener 6 subproblemas binarios de subtipos SGB. Usamos la curva ROC (Receiver Operating Characteristic) y la prueba de Wilcoxon para evaluar el rendimiento de los modelos obtenidos con datos desbalanceados en comparación con los modelos obtenidos con los datos balanceados para cada caso. Los resultados mostraron que la técnica SMOTE combinada con el clasificador JRip obtuvo los mejores resultados. Sin embargo, en algunos casos, los resultados con datos desbalanceados mejoraron los resultados utilizando datos balanceados.
Se llama zona de Fresnel al volumen de espacio entre el emisor de una onda electromagénitica y un receptor, de modo que el desfase de las ondas en dicho volumen no supere los 180°. Para establecer las zonas Fresnel, primero se debe determinar la línea de vista de radio frecuencia, la cual es la línea recta que une los focos de las antenas transmisora y receptora. Actualmente en el municipio de Frontera hay zonas marginadas las cuales no cuentan con infraestructura para conexiones inalámbricas, estas comunidades sufren las consecuencias al no contar con medios para poder comunicarse y poder así tener servicios como es el internet el cual es una herramienta necesaria para la educación. Este articulo muestra los resultados de los cálculos realizados en las zonas vulnerables las cuales necesitan internet, esto con el apoyo del software Radio Mobile. También describe las recomendaciones necesarias para implementar torres y antenas para lograr dicha comunicación.
El Síndrome de Guillain-Barré es un trastorno neu-rológico donde el sistema inmune del cuerpo ataca al sistema nervioso periférico. Esta enfermedad es de rápida evolución y es la causa más frecuente de parálisis del cuerpo. Existen cuatro variantes de SGB: Polineuropatía Desmielinizante Inflamatoria Aguda, Neuropatía Axonal Motora Aguda, Neuropatía Axonal Sensorial Aguda y Síndrome de Miller-Fisher. Identificar el subtipo de SGB que el paciente contrajo es determinante debido a que el tratamiento es diferente para cada subtipo. El objetivo de este estudio fue determinar cuál algoritmo de sobremuestreo mejora el rendimiento de los clasificadores. Además, determinar si balancear los datos mejoran el rendimiento de los modelos predictivos. Aplicamos tres métodos de sobremuestro (ROS, SMOTE y ADASYN) a la clase minoritaria, utilizamos tres clasificadores (C4.5,SVM y JRip). El rendimiento de los modelos se obtuvo mediante la curva ROC. Los resultados muestran que balancear el dataset mejora el rendimiento de los modelos predictivos. El algoritmo SMOTE fue el mejor método de balanceo en combinación con el clasificador JRip para OVO y el clasificador C4.5para OVA.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.