Resumen

La enfermedad renal crónica (ERC) es un problema de salud mundial con una elevada tasa de morbilidad y mortalidad y un alto índice de progresión de la enfermedad. Como no hay síntomas visibles en las primeras fases de la ERC, los pacientes suelen pasar desapercibidos. La detección precoz de la ERC permite que los pacientes reciban un tratamiento oportuno, lo que ralentiza la progresión de la enfermedad. Debido a su rápido rendimiento y precisión de reconocimiento, los modelos de aprendizaje automático pueden ayudar eficazmente a los médicos a lograr este objetivo. En este trabajo proponemos una metodología de aprendizaje automático para el diagnóstico de la ERC. Esta información fue completamente anonimizada. Como referencia, se utilizó el modelo CRISP-DM® (proceso estándar de la industria de la minería de datos). Los datos fueron procesados en su totalidad en la nube en la plataforma Azure, donde los datos de la muestra estaban desequilibrados. Luego se realizaron los procesos de exploración y análisis. De acuerdo con lo aprendido, los datos se equilibraron mediante la técnica SMOTE. Se utilizaron cuatro algoritmos de concordancia después de que el equilibrio de los datos se completara con éxito. Inteligencia artificial (IA) (regresión logística, bosque de decisión, red neuronal y jungla de decisiones). El bosque de decisiones superó a los demás modelos de aprendizaje automático con una puntuación del 92%, lo que indica que el enfoque utilizado en este estudio proporciona una buena base para las soluciones en la producción.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:modelo de aprendizaje automático, bosque de decisión, tasa elevada, enfermedad renal crónica, rendimiento de reconocimiento rápido, detección de ckd, problemas de salud global, tasa de morbilidad, tasa de enfermedad, jungla de decisión
• Keywords:machine learning model, decision forest, high rate, chronic kidney disease, rapid recognition performance, detection of ckd, global health issues, rate of morbidity, rate of disease, jungle of decision