Creación de un modelo de red neuronal artificial para predecir enfermedades basado en sintomatología de pacientes

• Guadalupe Esmeralda Rivera García ^[2] ; Marco Antonio Díaz Martínez ^[2] ; Miriam Janet Cervantes López ^[1] ; Arturo Llanes Castillo ^[1] ; Jaime Cruz Casados ^[1]
  1. [1] Universidad Autónoma de Tamaulipas

     Universidad Autónoma de Tamaulipas

     México

     
  2. [2] Tecnológico Nacional de México. Instituto Tecnológico Superior de Pánuco, Pánuco, Veracruz, México
• Localización: RISTI: Revista Ibérica de Sistemas e Tecnologias de Informação, ISSN-e 1646-9895, Nº. Extra 70, 2024, págs. 129-142
• Idioma: español
• Títulos paralelos:
  • Creation of an artificial neural network model to predict diseases based on patient symptomatology
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Esta investigación tiene como propósito principal la creación de una red neuronal artificial destinada a predecir enfermedades comunes en pacientes que residen en áreas marginadas o de difícil acceso como: influenza, sinusitis, infecciones estomacales y del tracto urinario. El fundamento de este trabajo se centra en la información recopilada del historial clínico del paciente, así como de un detallado cuestionario de síntomas, ambos integrados en un sistema de telemedicina desarrollado por los autores e instalado en las zonas marginadas del norte de Veracruz, México. La efectividad de la red neuronal artificial se somete a evaluación para determinar su precisión en la detección de enfermedades, a través de pruebas llevadas a cabo en el algoritmo. La alta precisión obtenida en el diagnóstico de la red neuronal artificial, la avala como una herramienta tecnológica complementaria eficiente. Los resultados obtenidos se contrastan con los diagnósticos de enfermedad emitidos por médicos especialistas, estableciendo así la validez y confiabilidad de la red neuronal en este contexto específico de atención médica de áreas marginadas.

  • English

    The main purpose of this research is the creation of an artificial neural network aimed at predicting common diseases in patients who reside in marginalized or difficult-to-access areas such as: influenza, sinusitis, stomach and urinary tract infections. The basis of this work focuses on information collected from the patient’s clinical history, as well as a detailed symptom questionnaire, both integrated into a telemedicine system developed by the authors and installed in the marginalized areas of northern Veracruz, Mexico. The effectiveness of the artificial neural network is evaluated to determine its accuracy in detecting diseases, through tests carried out on the algorithm. The high precision obtained in the diagnosis of the artificial neural network supports it as an efficient complementary technological tool. The results obtained are contrasted with the disease diagnoses issued by specialist doctors, thus establishing the validity and reliability of the neural network in this specific context of medical care in marginalized areas.

• Referencias bibliográficas
  • Alowais, S. A., Alghamdi, S. S., Alsuhebany, N., Alqahtani, T., Alshaya, A. I., Almohareb, S. N., ... & Albekairy, A. M. (2023). Revolutionizing...
  • Avila-Tomás, J. F., Mayer-Pujadas, M. A., & Quesada-Varela, V. J. (2020). La inteligencia artificial y sus aplicaciones en medicina I:...
  • Ávila-Tomás, J. F., Mayer-Pujadas, M. A., & Quesada-Varela, V. J. (2021). La inteligencia artificial y sus aplicaciones en medicina II:...
  • Bajo, S., & Ballesteros, M. Á. (2002). Redes neuronales: concepto, aplicaciones y utilidad en medicina. Atención Primaria, 30(2), 119.
  • Basáez, E., & Mora, J. (2022). Salud e inteligencia artificial: ¿cómo hemos evolucionado?. Revista Médica Clínica Las Condes, 33(6), 556-561.
  • Beede, E., Baylor, E., Hersch, F., Iurchenko, A., Wilcox, L., Ruamviboonsuk, P., & Vardoulakis, L. M. (2020, April). A human-centered...
  • Bohr, A., & Memarzadeh, K. (2020). El auge de la inteligencia artificial en las aplicaciones sanitarias. En Inteligencia artificial en...
  • Esteva, A., Robicquet, A., Ramsundar, B., Kuleshov, V., DePristo, M., Chou, K., ... & Dean, J. (2019). A guide to deep learning in healthcare....
  • Janiesch, C., Zschech, P., & Heinrich, K. (2021). Machine learning and deep learning. Electronic Markets, 31(3), 685-695.
  • Johnsson, J., Björnsson, O., Andersson, P., Jakobsson, A., Cronberg, T., Lilja, G., ... & Frigyesi, A. (2020). Artificial neural networks...
  • Kumar, Y., Koul, A., Singla, R., & Ijaz, M. F. (2023). Artificial intelligence in disease diagnosis: a systematic literature review, synthesizing...
  • Mariani, M. M., Machado, I., & Nambisan, S. (2023). Tipos de innovación e inteligencia artificial: una revisión sistemática de la literatura...
  • Mejía, J. C. G., Duran, D. E. S., Recalde, J. M. I., Pachongo, O. E. G., Quintero, D. M. M., & Serna, O. L. L. (2023). Information management...
  • McKinney, S. M., Sieniek, M., Godbole, V., Godwin, J., Antropova, N., Ashrafian, H., ... & Shetty, S. (2020). Evaluación internacional...
  • Patil, V., Madgi, M., & Kiran, A. (2022). Predicción temprana de la enfermedad de Alzheimer mediante una red neuronal convolucional: una...
  • Ruiz, R. B., & Velásquez, J. D. (2023). Inteligencia artificial al servicio de la salud del futuro. Revista Médica Clínica Las Condes,...
  • Salvador-Cisneros, K., Bolaños-Mendoza, C., Rodríguez-Arteaga, D., Salinas, D. Z., & Valdez, E. G. (2023). Teaching Practice and Digital...
  • Sarmiento-Ramos, J. L. (2020). Aplicaciones de las redes neuronales y el deep learning a la ingeniería biomédica. Revista UIS Ingenierías,...
  • Yim, J., Chopra, R., Spitz, T., Winkens, J., Obika, A., Kelly, C., ... & De Fauw, J. (2020). Predicting conversion to wet age-related...
  • Xu, B., Wang, N., Chen, T., & Li, M. (2019). Empirical evaluation of rectified activations in convolutional network (2015). arXiv preprint...