Machine learning para la extracción de información biomédica en un laboratorio clínico

Palabras clave: Sistema de información de gestión, industria de la información, medicina clínica, (Tesauro UNESCO).

Resumen

El objetivo es aplicar modelos de Machine learning para encontrar patrones e información biomédica escondida que permita mejorar la toma de decisiones y ayudar al diagnóstico clínico, desde un enfoque racionalista de la investigación. El proceso de Knwoledge Discovery in Databases (KDD) se utilizó para descubrir y extraer cocimiento, puesto que es iterativo e interactivo. Al ser un proceso iterativo en cada paso, significa que puede ser necesario volver a los pasos anteriores. Los algoritmos supervisados y no supervisados tienen la capacidad de ayudar en la toma decisiones, debido a que permite una mejor compresión de los datos y puede ayudar a descubrir nuevas interrogantes que puede llevar a otras investigaciones de vital importancia. Las reglas de asociación pueden ayudar a determinar factores que influye en la salud de los humanos y con ello se puede tomar medidas de prevención para mejorar el estado de salud.

Descargas

La descarga de datos todavía no está disponible.

Citas

Badrick, T. (2013). Evidence-based laboratory medicine. The Clinical Biochemist. Reviews, 34(2), 43–46. Retrieved from https://www.ncbi.nlm.nih.gov/pubmed/24151340

Jordan, M. I., & Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245), 255 LP – 260. https://doi.org/10.1126/science.aaa8415

Zou, Q., Qu, K., Luo, Y., Yin, D., Ju, Y., & Tang, H. (2018). Predicting Diabetes Mellitus With Machine Learning Techniques. Frontiers in Genetics, 9, 515. https://doi.org/10.3389/fgene.2018.00515

Braulio Gil, N., & Curto Díaz, J. (2016). Customer analytics. Barcelona: Editorial UOC, S.L.

Hutton, J. (2012). Pediatric Biomedical Informatics: Computer Applications in Pediatric Research (1st ed.). New York: Springer Science & Business Media.

Torres, J. (2018). DEEP LEARNING Introducción práctica con Keras. (I. Published, Ed.) (3rd ed.). Barcelona.

Oded, M., & Lior, R. (2014). Data Mining With Decision Trees: Theory And Applications (2nd ed.). London: World Scientific Publishing Company.

Kononenko, I., & Kukar, M. (2007). Machine Learning and Data Mining (1st ed.). Chichester,Uk: Elsevier Science.

Ahlemeyer-Stubbe, A., & Coleman, S. (2014). A Practical Guide to Data Mining for Business and Industry. https://doi.org/10.1002/9781118763704

Holzinger, A. (2016). Interactive machine learning for health informatics: when do we need the human-in-the-loop? Brain Informatics, 3(2), 119–131. https://doi.org/10.1007/s40708-016-0042-6

Castrillón, O. D., & Sarache, W. (2017). Sistema Bayesiano para la Predicción de la Diabetes Bayesian System for Diabetes Prediction, 28, 161–168.

Luo, Y., Szolovits, P., Baron, J. M., & Dighe, A. S. (2016). Using Machine Learning to Predict Laboratory Test Results. American Journal of Clinical Pathology, 145(6), 778–788. https://doi.org/10.1093/ajcp/aqw064
Publicado
2022-08-15
Cómo citar
Álvarez-Bonilla, I., Romero-Fernández, A., Fernández-Villacrés, G., & Freire-Lescano, L. (2022). Machine learning para la extracción de información biomédica en un laboratorio clínico. CIENCIAMATRIA, 8(4), 1083-1096. https://doi.org/10.35381/cm.v8i4.912
Sección
De Investigación

Artículos más leídos del mismo autor/a

<< < 1 2 3 4 5