Resumen

La falta de datos se produce en todas las investigaciones, especialmente en los estudios médicos. La falta de datos es la situación en la que una parte de los datos de la investigación no se ha comunicado. Esto dará lugar a la incompatibilidad de la muestra y la población y a conclusiones erróneas. Los datos que faltan son habituales en la investigación, y su extensión determinará el grado de interpretación errónea de las conclusiones. Todos los métodos de estimación de parámetros y modelos de predicción se basan en el supuesto de que los datos están completos. Si faltan muchos datos, las predicciones serán falsas y aumentará el sesgo. En el presente estudio se ha propuesto un método novedoso para la imputación de los datos médicos que faltan. El método determina qué algoritmo es adecuado para la imputación de los datos que faltan. Para ello, se utiliza un algoritmo multiobjetivo de optimización de enjambre de partículas. El algoritmo imputa los datos que faltan de forma que, si se aplica un modelo de predicción a los datos, se optimicen tanto la especificidad como la sensibilidad. El modelo propuesto se evaluó con datos reales de cáncer gástrico y leucemia aguda de células T (LTA). En primer lugar, se utilizó el modelo para imputar los datos que faltaban. A continuación, los datos faltantes se imputaron mediante los métodos de deleción, promedio, maximización de expectativas, MICE y missForest. Por último, se aplicó el modelo de predicción a ambos conjuntos de datos imputados. La precisión del modelo de predicción para el primer y el segundo método de imputación fue de 0,5 y 16,5, respectivamente. El nuevo método de imputación fue más preciso que algoritmos similares como la maximización de expectativas y MICE.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:datos, modelo de predicción, maximización de expectativas, datos ausentes, algoritmo de optimización multiobjetivo por enjambre de partículas, datos médicos ausentes, nuevo método de imputación, segundos métodos de imputación, MICE, algoritmo
• Keywords:data, prediction model, expectation maximization, missing data, multiobjective particle swarm optimization algorithm, medical missing data, novel imputation method, second imputation methods, MICE, algorithm