Modelo predictivo de enfermedades cardiovasculares basado en Redes Bayesianas

Dayron Rumbaut Rangel; Milton Rafael Maridueña Arroyave

doi:10.31637/epsir-2024-1804

Autores/as

Dayron Rumbaut Rangel Universidad Bolivariana del Ecuador https://orcid.org/0009-0001-9087-0979
Milton Rafael Maridueña Arroyave Universidad Bolivariana del Ecuador https://orcid.org/0000-0002-8876-1896

DOI:

https://doi.org/10.31637/epsir-2024-1804

Palabras clave:

redes bayesianas, enfermedades cardiovasculares, prevención, modelos predictivos, BSEJ, KDB, naive bayes, aprendizaje automático

Resumen

Introducción: Este estudio presenta un análisis y comparación de varios modelos de redes bayesianas para la predicción de enfermedades cardiovasculares, utilizando datos clínicos para identificar los modelos más efectivos. Metodología: Los algoritmos evaluados incluyen Naive Bayes, TAN_cl, TAN_hcsp, FSSJ, BSEJ y KDB, los cuales fueron entrenados y validados para medir su desempeño. Para evaluar el rendimiento se utilizó un conjunto de datos clínicos de pacientes, combinando cinco bases de datos públicas. Las métricas usadas fueron como precisión, sensibilidad, especificidad, F1 Score y además una validación cruzada para asegurar la consistencia de los resultados. Resultados: El modelo BSEJ presentó el mejor rendimiento en todas las métricas evaluadas, destacándose por su capacidad de eliminar dependencias irrelevantes, manteniendo así un equilibrio óptimo entre complejidad y precisión. Discusión: Las redes bayesianas ofrecen una potente herramienta para la predicción de ECV, ya que no solo proporcionan predicciones precisas, sino que también facilitan la interpretación de las relaciones entre los factores de riesgo, lo cual es crucial en el ámbito clínico. Conclusiones: Las redes bayesianas, y en particular los modelos BSEJ y KDB, se destacan por su efectividad en la predicción de enfermedades cardiovasculares, proporcionando soporte a la toma de decisiones clínicas de manera informada.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Dayron Rumbaut Rangel, Universidad Bolivariana del Ecuador

Doctorando en Ciencias de la Computación Aplicada, Magíster en Inteligencia Artificial y Magíster en Tecnología e Innovación Educativa. Con una sólida trayectoria profesional en la docencia e investigación en diversas instituciones educativas. Actualmente, docente e investigador en la Universidad Bolivariana del Ecuador, donde imparte clases en programas de pregrado y posgrado. Sus principales fortalezas profesionales se encuentran en las áreas de inteligencia artificial, analíticas del aprendizaje y tecnología educativa. Galardonado con la Mención de Honor Internacional METARED TIC en 2023 con el proyecto SMART EDUCATION TREE. Cuenta con competencias en gestión de plataformas virtuales y formación de formadores, así como con publicaciones en revistas académicas. Es coordinador de proyectos de investigación y director de tesis de maestría.

Milton Rafael Maridueña Arroyave, Universidad Bolivariana del Ecuador

Ingeniero en Computación, Máster en Docencia Universitaria e Investigación Educativa, Máster en Investigación Matemática, Máster en Innovación y Transformación Digital, PhD en Ciencias Pedagógicas y, PhD en Ciencias Técnicas. Investigador Acreditado de la SENESCYT; Docente de la Facultad de Ciencias Matemáticas y Físicas de la Universidad de Guayaquil UG, de la Facultad de Ciencias Naturales y Matemáticas de la ESPOL y del Instituto Tecnológico Universitario Bolivariano ITB. Docente de Posgrado UTEG-UPSE-UNEMI, autor de libros y artículos publicados en revistas indizadas. Ha sido Director General de Investigación Científica de la UG y Rector del Instituto Tecnológico Superior “Vicente Rocafuerte” y del Instituto Tecnológico Superior “Ana Paredes de Alfaro”. Actualmente, es Par Evaluador y Consejero Académico del CACES.

Citas

Bravo, F. P., Del Barrio García, A. A., Gago Veiga, A. B., Gallego de la Sacristana, M. M., Pinero, M. R., Peral, A. G., Dzeroski, S. y Ayala, J. L. (2019). SMURF: Systematic Methodology for Unveiling Relevant Factors in Retrospective Data on Chronic Disease Treatments. IEEE Access, 7, 92598–92614. https://doi.org/10.1109/ACCESS.2019.2927429 DOI: https://doi.org/10.1109/ACCESS.2019.2927429

Bravo, F. P., García, A. A. D. B., Russo, L. M. S. y Ayala, J. L. (2020). SOFIA: Selection of Medical Features by Induced Alterations in Numeric Labels. Electronics, 9(9), 1492. https://doi.org/10.3390/electronics9091492 DOI: https://doi.org/10.3390/electronics9091492

Cardiovascular diseases (CVDs). (n.d.). Cardiovascular diseases. https://lc.cx/nFw6WA

Chicco, D. y Jurman, G. (2020). The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation. BMC Genomics, 21(1), 6. https://doi.org/10.1186/s12864-019-6413-7 DOI: https://doi.org/10.1186/s12864-019-6413-7

Ecuador acumula pacientes con enfermedades cardiovasculares | CEAP :: Centro de Estudios Asia-Pacífico (n.d.). https://lc.cx/x5lAR1

Enfermedades cardiovasculares - OPS/OMS | Organización Panamericana de la Salud. (n.d.). https://www.paho.org/es/temas/enfermedades-cardiovasculares

Heart Failure Prediction Dataset (n.d.). https://lc.cx/D2AHi-

Jahirul, M. (2010). Investigating the Performance of Naive- Bayes Classifiers and K- Nearest Neighbor Classifiers. International Conference on Convergence Information Technology (ICCIT 2007), 1541-1546. https://doi.org/10.1109/ICCIT.2007.148 DOI: https://doi.org/10.1109/ICCIT.2007.148

Kumar, S. y Sahoo, G. (2015). Classification of Heart Disease Using Naïve Bayes and Genetic Algorithm (pp. 269-282). https://doi.org/10.1007/978-81-322-2208-8_25 DOI: https://doi.org/10.1007/978-81-322-2208-8_25

La Carga de Enfermedades Cardiovasculares - OPS/OMS | Organización Panamericana de la Salud. (n.d.). https://www.paho.org/es/enlace/carga-enfermedades-cardiovasculares

Madden, M. G. (2009). On the classification performance of TAN and general Bayesian networks. Knowledge-Based Systems, 22(7), 489-495. https://doi.org/10.1016/j.knosys.2008.10.006 DOI: https://doi.org/10.1016/j.knosys.2008.10.006

Moscatelli, M., Manconi, A., Pessina, M., Fellegara, G., Rampoldi, S., Milanesi, L., Casasco, A. y Gnocchi, M. (2018). An infrastructure for precision medicine through analysis of big data. BMC Bioinformatics, 19(S10), 351. https://doi.org/10.1186/s12859-018-2300-5 DOI: https://doi.org/10.1186/s12859-018-2300-5

Nagavelli, U., Samanta, D. y Thomas, B. (2023). ML-Based Prediction Model for Cardiovascular Disease (pp. 91-98). https://doi.org/10.1007/978-981-19-4052-1_11 DOI: https://doi.org/10.1007/978-981-19-4052-1_11

Tovey, C. A. (1985). Hill Climbing with Multiple Local Optima. SIAM Journal on Algebraic Discrete Methods, 6(3), 384-393. https://doi.org/10.1137/0606040 DOI: https://doi.org/10.1137/0606040

Wang, X., Wang, F., Hu, J. y Sorrentino, R. (2014). Exploring joint disease risk prediction, 1180-1187.

Zhong, C., Pedrycz, W., Wang, D., Li, L. y Li, Z. (2016). Granular data imputation: A framework of Granular Computing. Applied Soft Computing, 46, 307-316. https://doi.org/10.1016/j.asoc.2016.05.006 DOI: https://doi.org/10.1016/j.asoc.2016.05.006