Resumen

En este artículo, nos hemos centrado en algoritmos de selección de características (FS) de aprendizaje automático (ML) para identificar y diagnosticar la tuberculosis multirresistente (MDR). La TB-MDR es un problema de salud pública universal, y su detección precoz ha sido uno de los temas candentes. El presente estudio se ha llevado a cabo en la división de Malakand de Khyber Pakhtunkhwa, Pakistán, para ampliar los conocimientos sobre la enfermedad y abordar las cuestiones de identificación y detección precoz de la TB-MDR mediante algoritmos de ML. Estos modelos también identifican los factores más importantes que causan la infección por MDR-TB, cuyo estudio aporta información adicional al respecto. Para analizar el conjunto de datos de casos y controles se aplican algoritmos de ML como random forest, k-nearest neighbors, support vector machine, regresión logística, leaset absolute shrinkage and selection operator (LASSO), redes neuronales artificiales (ANN) y árboles de decisión. Este estudio revela que los contactos íntimos de los pacientes con TB-MDR, el tabaquismo, la depresión, los antecedentes de TB, el tratamiento inadecuado y la interrupción del tratamiento de primera línea contra la TB tienen un gran impacto en el estado de la TB-MDR. En consecuencia, la pérdida de peso, el dolor torácico, la hemoptisis y la fatiga son síntomas importantes. Basándose en la precisión, sensibilidad y especificidad, SVM y RF son los modelos sugeridos para ser utilizados en la clasificación de los pacientes.

• 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:MDR, TB, algoritmos ML, detección precoz, problema universal de salud pública, redes neuronales artificiales, línea de tratamiento de la TB, antecedentes de TB, máquina de vectores soporte, modelos
• Keywords:MDR, TB, ML algorithms, early detection, universal public health problem, artificial neural networks, line TB treatment, previous TB history, support vector machine, models