Identificación Temprana de Pacientes con COVID-19 en México Usando Aprendizaje Automático: Un Estudio de Caso para el Hospital General de Tijuana
Autores: Castillo-Olea, Cristián; Conte-Galván, Roberto; Zuñiga, Clemente; Siono, Alexandra; Huerta, Angelica; Bardhi, Ornela; Ortiz, Eric
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Identificación Temprana de Pacientes con COVID-19 en México Usando Aprendizaje Automático: Un Estudio de Caso para el Hospital General de Tijuana
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Coronavirus
COVID-19
Inteligencia Artificial
Aprendizaje Automático
Síntomas
Comorbilidades
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Antecedentes: La actual pandemia causada por SARS-CoV-2 es una enfermedad aguda de preocupación global. SARS-CoV-2 es una enfermedad infecciosa causada por un coronavirus recientemente descubierto. La mayoría de las personas que se enferman de COVID-19 experimentan síntomas leves, moderados o severos. Para ayudar a tomar decisiones rápidas sobre el tratamiento y las necesidades de aislamiento, es útil determinar qué variables significativas indican casos de infección en la población atendida por el Hospital General de Tijuana. Se desarrolló un modelo matemático de Inteligencia Artificial (Aprendizaje Automático) para identificar variables significativas en pacientes con COVID-19 en etapas tempranas. Métodos: Las características individuales de los sujetos del estudio incluyeron edad, género, grupo de edad, síntomas, comorbilidades, diagnóstico y resultados. Se desarrolló un modelo matemático que utiliza algoritmos de aprendizaje supervisado, permitiendo la identificación de las variables significativas que predicen el diagnóstico de COVID-19 con alta precisión. Resultados: Se utilizaron algoritmos automáticos para analizar los datos: para la Hipertensión Arterial Sistólica (HAS), el algoritmo de Regresión Logística mostró resultados del 91.0% en el área bajo la curva ROC (AUC), 80% de precisión (CA), 80% F1 y 80% Recall, y 80.1% de precisión para las variables seleccionadas, mientras que para la Diabetes Mellitus (DM) con el algoritmo de Regresión Logística se obtuvo un 91.2% AUC, 89.2% de precisión, 88.8% F1, 89.7% de precisión y 89.2% de recall para las variables seleccionadas. El algoritmo de red neuronal mostró mejores resultados para pacientes con Obesidad, obteniendo un 83.4% AUC, 91.4% de precisión, 89.9% F1, 90.6% de precisión y 91.4% de recall. Conclusiones: Los análisis estadísticos revelaron que los síntomas predictivos significativos en pacientes con HAS, DM y Obesidad fueron más sustanciales en la fatiga y las mialgias/artralgias. En contraste, el tercer síntoma dominante en personas con HAS y DM fue la odinofagia.
Descripción
Antecedentes: La actual pandemia causada por SARS-CoV-2 es una enfermedad aguda de preocupación global. SARS-CoV-2 es una enfermedad infecciosa causada por un coronavirus recientemente descubierto. La mayoría de las personas que se enferman de COVID-19 experimentan síntomas leves, moderados o severos. Para ayudar a tomar decisiones rápidas sobre el tratamiento y las necesidades de aislamiento, es útil determinar qué variables significativas indican casos de infección en la población atendida por el Hospital General de Tijuana. Se desarrolló un modelo matemático de Inteligencia Artificial (Aprendizaje Automático) para identificar variables significativas en pacientes con COVID-19 en etapas tempranas. Métodos: Las características individuales de los sujetos del estudio incluyeron edad, género, grupo de edad, síntomas, comorbilidades, diagnóstico y resultados. Se desarrolló un modelo matemático que utiliza algoritmos de aprendizaje supervisado, permitiendo la identificación de las variables significativas que predicen el diagnóstico de COVID-19 con alta precisión. Resultados: Se utilizaron algoritmos automáticos para analizar los datos: para la Hipertensión Arterial Sistólica (HAS), el algoritmo de Regresión Logística mostró resultados del 91.0% en el área bajo la curva ROC (AUC), 80% de precisión (CA), 80% F1 y 80% Recall, y 80.1% de precisión para las variables seleccionadas, mientras que para la Diabetes Mellitus (DM) con el algoritmo de Regresión Logística se obtuvo un 91.2% AUC, 89.2% de precisión, 88.8% F1, 89.7% de precisión y 89.2% de recall para las variables seleccionadas. El algoritmo de red neuronal mostró mejores resultados para pacientes con Obesidad, obteniendo un 83.4% AUC, 91.4% de precisión, 89.9% F1, 90.6% de precisión y 91.4% de recall. Conclusiones: Los análisis estadísticos revelaron que los síntomas predictivos significativos en pacientes con HAS, DM y Obesidad fueron más sustanciales en la fatiga y las mialgias/artralgias. En contraste, el tercer síntoma dominante en personas con HAS y DM fue la odinofagia.