Resumen

Las enfermedades crónicas representan una grave amenaza para la salud pública en todo el mundo. Se calcula que representan alrededor del 60% de todas las muertes en el mundo y aproximadamente el 43% de la carga mundial de enfermedades crónicas. Por ello, el análisis de los datos sanitarios ha ayudado a las autoridades sanitarias, a los pacientes y a las comunidades sanitarias a realizar una detección precoz de estas enfermedades. La extracción de patrones a partir de datos sanitarios ha ayudado a las comunidades sanitarias a obtener datos médicos completos con fines de diagnóstico. El objetivo de este trabajo de investigación es mejorar el sistema de detección de enfermedades crónicas, que se utiliza para proteger la vida de las personas. Para ello, se ha desarrollado el sistema propuesto para mejorar la detección de enfermedades crónicas mediante algoritmos de aprendizaje automático. Los datos estándar relacionados con las enfermedades crónicas se han recopilado a partir de diversos recursos mundiales. En los datos sanitarios, las enfermedades crónicas especiales incluyen objetos ambiguos de la clase. Por lo tanto, la presencia de objetos ambiguos muestra la disponibilidad de rasgos que implican dos o más clases, lo que reduce la precisión de los algoritmos de aprendizaje automático. La novedad del presente trabajo de investigación radica en el supuesto que demuestra el clustering Rough K-means (RKM) no crispado para descifrar la ambigüedad en el conjunto de datos de enfermedades crónicas con el fin de mejorar el rendimiento del sistema. El algoritmo RKM ha agrupado los datos en dos conjuntos, a saber, la aproximación superior y la aproximación inferior. Los objetos que pertenecen a la aproximación superior son objetos favorables, mientras que los que pertenecen a la aproximación inferior se excluyen y se identifican como ambiguos. Estos objetos ambiguos se han excluido para mejorar los algoritmos de aprendizaje automático. Se presentan y comparan los algoritmos de aprendizaje automático, a saber, Bayes ingenuo (NB), máquina de vectores de soporte (SVM), vecinos más cercanos a K (KNN) y árbol de bosque aleatorio. Los datos de enfermedades crónicas se obtienen del repositorio de aprendizaje automático y de Kaggle para probar y evaluar el modelo propuesto. Los resultados experimentales demuestran que el sistema propuesto se emplea con éxito para el diagnóstico de enfermedades crónicas. El modelo propuesto alcanzó los mejores resultados con Bayes ingenuo con RKM para la clasificación de la enfermedad diabética (80,55%), mientras que SVM con RKM para la clasificación de la enfermedad renal alcanzó el 100 y SVM con RKM para la clasificación de la enfermedad oncológica alcanzó un 97,53% con respecto a la métrica de precisión. Las medidas de rendimiento, como exactitud, sensibilidad, especificidad, precisión y puntuación F, se emplean para evaluar el rendimiento del sistema propuesto. Además, se presenta la evaluación y comparación del sistema propuesto con los algoritmos de aprendizaje automático existentes. Por último, el sistema propuesto ha mejorado el rendimiento de los algoritmos de aprendizaje automático.

• Materias:Inteligencia artificial Big Data Registros médicos electrónicos Acelerómetros Antecedentes teóricos
• Subjects:Artificial intelligence Big Data Electronic medical records Accelerometers Theoretical background
• Palabras claves:máquina, algoritmos, sistema, enfermedades crónicas, objetos ambiguos, datos sanitarios, RKM, SVM, precisión, clasificación
• Keywords:machine, algorithms, system, chronic diseases, ambiguous objects, healthcare data, RKM, SVM, accuracy, classification