Desarrollo de un modelo predictivo basado en algoritmos de aprendizaje automático supervisado en pacientes con diagnóstico de enfermedades de insuficiencia renal en un Centro de Salud Público.

Abstract

La enfermedad Insuficiencia Renal (IR) disminuye drásticamente la calidad de vida de quien la padece, este mal está aumentando tanto en los países desarrollados como en los de desarrollo. Por lo que se propone un modelo predictivo de diagnóstico oportuno de la IR mediante el uso de algoritmos supervisados de Machine Learning con la finalidad de que los expertos del área médica puedan tomar mejores decisiones para minimizar el riesgo de la enfermedad en los pacientes. Para lo cual se requirió recopilar información relevante por medios bibliográficos y encuestas a expertos tanto del área de medicina como de sistemas, así como también se necesitó el historial clínico de pacientes de un centro de salud para con estas entrenar el sistema predictivo que utilizan los métodos de Naïve Bayes y árboles de decisiones. Dando todo esto como resultado un sitio web capaz de predecir correctamente si tiene IR a través de sus factores de riesgo a algo más de siete pacientes de cada diez. Se debe tener en consideración que el éxito de predicción aumenta con cada registro de predicción nuevo validado por el médico, ya que este método mantiene un continuo aprendizaje.

Renal Insufficiency (RI) drastically decreases the quality of life of those who suffer from it, this disease is increasing in both developed and developing countries. Therefore, a predictive model for the prompt diagnosis of IR is proposed using supervised Machine Learning algorithms in order that experts in the medical area can make better decisions to minimize the risk of the disease in patients. For which it was needed to collect relevant information through bibliographic means and surveys of experts from both the medicine and systems areas, as well as the clinical history of patients from a health center to train the predictive system using the methods Naïve Bayes and Decision Trees. Giving all this as a result, a website capable of correctly predicting if they have IR through their risk factors to just over seven patients out of ten. It should be considered that prediction success increases with each new prediction record confirmed by the doctor, since this method keeps continuous learning.