Sistema Bayesiano para la Predicción de la Diabetes

Abstract

ResumenEn este trabajo se propone un sistema de clasificación Bayesiano para la identificación temprana de la diabetes Mellitus con base en el análisis de algunas variables tales como número de embarazos, presión arterial diastólica, espesor cutáneo del tríceps, índice de masa corporal, herencia y edad. La metodología propuesta define y entrena el sistema propuesto con base en muestras tomadas de pacientes diabéticos y no diabéticos. El sistema se validó con pacientes diferentes, manteniendo la misma proporción entre individuos diabéticos y no diabéticos. Finalmente, el número de aciertos y errores en la detección de esta enfermedad fue comparado contra un test especializado. Los resultados indican que, en el 87,69% de los casos, el clasificador bayesiano logra detectar correctamente esta enfermedad con base en las variables antes mencionadas. No obstante, cuando se agregó la variable "insulina en suero", el porcentaje aumentó al 98.46%. Palabras clave: clasificador bayesiano; diabetes; entrenamiento de un sistema; detección automatizada Bayesian System for Diabetes Prediction AbstractThis study presents a Bayesian system for the early identification of diabetes Mellitus based on the analysis of some variables such as number of pregnancies, diastolic blood pressure, triceps skin thickness, body mass index, heredity and age. The proposed methodology establishes and trains a Bayesian classification system, based on samples of diabetic and non-diabetic patients. The system was tested with different patients maintaining the same ratio between diabetics and non-diabetic individuals. Finally, to detect this disease, the number of hits and errors obtained by the Bayesian classifier was compared with a specialized test. The results indicate that, considering the aforementioned variables the disease was correctly detected by the system in 87.69% of the analyzed cases. However, when the variable serum insulin was included, this percentage increased up to 98.46%.

Máquinas de Soporte Vectorial, Clasificador Naïve Bayes y Algoritmos Genéticos para la Predicción de Riesgos Psicosociales en Docentes de Colegios Públicos Colombianos

“…El uso de clasificadores lineales como Naïve Bayes en la implementación de sistemas de recomendación (Zhang et al,2002) permite obtener buenos resultados frente a otros sistemas como SVM, otros autores como (Varando et al,2015) utilizan los algoritmos Naïve Bayes para potenciar los sistemas de redes bayesianas con el fin de optimizar los límites de decisión de las mismas, otros autores utilizan las redes bayesianas con el fin de poder hacer predictivo el padecer estrés debido a las condiciones laborales (Cárdenas, 2016), algunos autores utilizan las técnicas de Naïve Bayes para poder predecir la aparición de diabetes y poder estimar un tratamiento adecuado para los pacientes (Castrillón et al, 2017). Allwein et al, (2000) propusieron un marco unificador para estudiar la solución de problemas de categorización multiclase al reducirlos a múltiples problemas binarios que luego se resuelven utilizando un algoritmo de aprendizaje binario basado en márgenes.…”

Predicción de Riesgos Psicosociales en Docentes de Colegios Públicos Colombianos utilizando Técnicas de Inteligencia Artificial

“…Es decir, si no se es capaz de conciliar el sueño regularmente, esas probabilidades de sufrir niveles de estrés elevados ascienden a un 15,58% (Cárdenas, 2016), con lo que se demuestra la utilidad de las redes bayesianas para identificar sintomatología de estrés laboral. También se tiene que con un sistema de clasificación Bayesiano para la identificación temprana de la diabetes Mellitus con base en el análisis de algunas variables tales como número de embarazos, presión arterial diastólica, espesor cutáneo del tríceps, índice de masa corporal, herencia y edad, se logró el 98,46% de precisión en la predicción incorporando la variable insulina en suero, demostrando que los algoritmos bayesianos son capaces de trabajar adecuadamente en la identificación de variables fisiológicas (Castrillón et al, 2017).…”

Principales causas de ausentismo laboral: una aplicación desde la minería de datos

“…Aspecto que permite estructurar los siguientes pasos: 1) Generación de la base de datos 2) estructuración del archivo para la plataforma Weka 3) Clasificación por medio del algoritmo J48 4) Identificación de las principales causas del ausentismo. Es importante resaltar que, el clasificador J48 empleado, permite obtener muy buenos resultados en comparación con otros clasificadores (Valencia et al, 2015;Castrillón et al, 2020;Castrillón et al, 2017).…”