Resumen
El uso del aprendizaje automático (ML) para el apoyo al diagnóstico ha avanzado en el campo de la salud. En el presente artículo se presentan los resultados del estudio de técnicas de ML en un circuito de diagnóstico de tuberculosis en un escenario de recursos limitados. Los datos se analizan utilizando un programa de terapia contra la tuberculosis (TB) en una institución de salud en una ciudad principal de un país en desarrollo utilizando cinco modelos de ML. La regresión logística, los árboles de clasificación, los bosques aleatorios, las máquinas de vectores de soporte y las redes neuronales artificiales se entrenan bajo la supervisión de un médico siguiendo el trabajo diario típico de los médicos. Los modelos se entrenan en siete variables principales recopiladas cuando los pacientes llegan al centro. Además, se analizan las variables aplicadas para entrenar los modelos y se discuten las ventajas y limitaciones de los modelos en el contexto de las técnicas de ML automatizadas. Los resultados muestran que las redes neuronales artificiales obtienen los mejores resultados en términos de precisión, sensibilidad y área bajo la curva operativa del receptor. Estos resultados representan una mejora con respecto a la baciloscopia, que es una técnica comúnmente utilizada para detectar la tuberculosis en casos especiales. Los hallazgos demuestran que el aprendizaje automático en el circuito de diagnóstico de la tuberculosis puede reforzarse con los datos disponibles para que sirva como una herramienta de diagnóstico alternativa basada en el procesamiento de datos en lugares donde la infraestructura de salud es limitada.
Título traducido de la contribución | Aprendizaje automático en el circuito para apoyar el diagnóstico de tuberculosis |
---|---|
Idioma original | Inglés estadounidense |
Número de artículo | 876949 |
Páginas (desde-hasta) | 1-10 |
Número de páginas | 10 |
Publicación | Frontiers in Public Health |
Volumen | 10 |
DOI | |
Estado | Publicada - jul. 26 2022 |
Áreas temáticas de ASJC Scopus
- Salud pública, medioambiental y laboral