Resumen

El parto prematuro (PTB) en una mujer embarazada es el problema más grave en el campo de la Ginecología y la Obstetricia, especialmente en la India rural. En los últimos años, se han desarrollado varios modelos de predicción clínica del parto prematuro para mejorar la precisión de los modelos de aprendizaje. Sin embargo, según el leal saber y entender de los autores, la mayoría de ellos adolecen de seleccionar las características más precisas del conjunto de datos médicos en tiempo lineal. En el presente artículo se intenta diseñar un modelo de aprendizaje automático denominado modelo conceptual de predicción de riesgos (RPCM) para la predicción de la PTB. En este trabajo se propone un enfoque de selección de características basado en la noción de entropía. El novedoso enfoque se utiliza para encontrar las mejores características maternas (responsables de la PTB) a partir del conjunto de datos obstétricos y tiene como objetivo predecir la precisión del clasificador al más alto nivel. El artículo aborda en primer lugar la revisión de los casos de PTB (que se descuida en muchos países en vías de desarrollo, incluida India). A continuación, se recopilan datos obstétricos del Centro de Salud Comunitario de zonas rurales (Kamdara, Jharkhand). A continuación, se aplica el enfoque propuesto a los datos recopilados para identificar las excelentes características maternas (síntomas basados en texto) presentes en las mujeres embarazadas con el fin de clasificar todos los casos de parto en parto a término y PTB. La parte de aprendizaje automático del modelo se implementa utilizando tres clasificadores diferentes, a saber, árbol de decisión (DT), regresión logística (LR) y máquina de vectores soporte (SVM) para la predicción de PTB. El rendimiento de los clasificadores se mide en términos de precisión, especificidad y sensibilidad. Finalmente, el clasificador SVM genera una precisión del 90,9%, superior a la de otros clasificadores de aprendizaje utilizados en este estudio.

• 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:PTB, precisión, varios modelos de predicción clínica, Centro de Salud Comunitario, mejores características maternas, excelentes características maternas, enfoque de selección de características, otros clasificadores de aprendizaje, intentos del presente trabajo, máquina de vectores soporte
• Keywords:PTB, accuracy, various clinical prediction models, Community Health Centre, best maternal features, excellent maternal features, feature selection approach, other learning classifiers, present paper attempts, support vector machine