Mostrar el registro sencillo del ítem

Predicción de enfermedades cardiovasculares utilizando redes neuronales artificiales

dc.contributor.authorCarrascal Arias, Manuel Alejandro
dc.contributor.authorSaiquita, Alvaro Maximiliano
dc.contributor.authorSánchez Flores, Guillermo
dc.contributor.authorVelásquez Pérez, Torcoroma
dc.coverage.spatialColombiaen_US
dc.date.accessioned2025-05-07T20:23:25Z
dc.date.available2025-05-07T20:23:25Z
dc.date.issued2024-07-05
dc.identifier.issn2007-4948en_US
dc.identifier.urihttps://repositorioinstitucional.ufpso.edu.co/xmlui/handle/20.500.14167/5303
dc.description.abstractComo enfermedades cardiovasculares se incluyen las enfermedades del corazón y del sistema de vasos sanguíneos que incluyen alcerebro, las piernas y los pulmones. Estas enfermedades tienen una tasa de mortalidad bastante alta y se estima que para el año 2030 serán cerca de 23.6 millones de personas las que pueden fallecer por dicha causa. Se utiliza una metodología de investigación cuantitativa con alcance descriptivo. Este proyecto aborda el estudio de un tipo de cardiopatía, la insuficiencia cardíaca (IC), la cual se destaca por la incapacidad del corazón de bombear sangre en las cantidades adecuadas y necesarias para satisfacer las demandas del metabolismo. Concretamente se buscó la predicción de la enfermedad por medio de redes neuronales artificiales, una de las técnicas de machine learning (ML) más adecuadas para este tipo de actividades, aunque no la única. La implementación se hizo a partir de dos herramientas que incorporan el manejo de redes neuronales (RN), SPSS de IBM y Matlab. Se consiguió una precisión del 94.7%. Adicionalmente, él estudió se orientó a determinar aquellas características con más influencia en la predicción de IC. Ambos softwares lograron coincidir en que la pendiente del segmento ST posee el mayor impacto en la predicción.en_US
dc.language.isospaen_US
dc.relationhttps://doi.org/10.29057/xikua.v12iEspecial.12749en_US
dc.titlePredicción de enfermedades cardiovasculares utilizando redes neuronales artificialesen_US
dc.title.translatedCardiac disease prediction using artificial neural networksen_US
dc.contributor.cvlacTorcoroma Velásquez Pérez [0000304891]en_US
dc.contributor.googlescholarTorcoroma Velásquez Pérez [DTtZtu4AAAAJ]en_US
dc.contributor.orcidManuel Alejandro Carrascal Arias [0009-0004-6941-3812]en_US
dc.contributor.orcidAlvaro Maximiliano Saiquita [0009-0002-6643-0508]en_US
dc.contributor.orcidGuillermo Sánchez Flores [0009-0004-8691-8433]en_US
dc.contributor.orcidTorcoroma Velásquez Pérez [0000-0002-2968-2338]en_US
dc.contributor.researchgateTorcoroma Velásquez Pérez [Torcoroma-Perez]en_US
dc.contributor.scopusTorcoroma Velásquez Pérez [57205116150]en_US
dc.description.abstractenglishCardiovascular diseases include diseases of the heart and blood vessel system including the brain, legs and lungs. These diseases have a very high mortality rate and it is estimated that by the year 2030 there will be about 23.6 million people who may die from this cause. A quantitative research methodology with descriptive scope is used. This project deals with the study of a type of heart disease, heart failure (HF), which is characterized by the inability of the heart to pump blood in adequate quantities to meet the demands of metabolism. Specifically, the prediction of the disease was sought by means of artificial neural networks, one of the most suitable machine learning (ML) techniques for this type of activity, although not the only one. The implementation was based on two tools that incorporate the management of neural networks (NR), IBM's SPSS and Matlab. An accuracy of 94.7% was achieved. Additionally, the study was oriented to determine those characteristics with more influence in the prediction of CI. Both software were able to agree that the slope of the ST segment has the greatest impact on prediction.en_US
dc.subject.proposalEnfermedades cardiovascularesen_US
dc.subject.proposalAprendizaje Automáticoen_US
dc.subject.proposalRedes Neuronales Artificialesen_US
dc.subject.proposalPredicciónen_US
dc.subject.proposalInsuficiencia Cardíacaen_US
dc.subject.keywordsCardiovascular Diseasesen_US
dc.subject.keywordsMachine Learningen_US
dc.subject.keywordsArtificial Neural Networksen_US
dc.subject.keywordsPredictionen_US
dc.subject.keywordsHeart Failureen_US
dc.publisher.facultyFacultad ingenieríasen_US
dc.type.redcolhttp://purl.org/redcol/resource_type/ARTDIVen_US
dc.relation.referencesAraujo, C. S., Azoube, L. M. A., Filho, A. K. D. B., Junior, C. M. S., Sousa, N. P. S., Pereira, C. L., Rosa, C. R. A. A., & Santana, E. E. C. (2021). Prediction of excess body fat in adolescents using neural networks. ACM International Conference Proceeding Series, 63–69. https://doi.org/10.1145/3487027.3487037en_US
dc.relation.referencesAvellaneda González, J. A., & Ochoa Rey, C. M. (2012). Implementación de redes neuronales para la detección de la presencia de enfermedades en el corazón. Redes de Ingeniería, 1(2), 38. https://doi.org/10.14483/2248762x.7159en_US
dc.relation.referencesfedesoriano. (2020). Heart Failure Prediction Dataset. Kaggle. https://www.kaggle.com/datasets/fedesoriano/heart-failure-predictionen_US
dc.relation.referencesGambarte, Maria Jimena; Higa, Claudio; Novo, Fedor; Ciambrone, Graciana Maria; Tupayachi Villagomez, Omar Dario; Ginesi, Agustina; Donato, Maria Sol; Nogues, Ignacio; Borracci, R. A. (2021). Comparación pronóstica entre scores de riesgo y la aplicación de redes neuronales para la predicción de la mortalidad a corto y mediano plazo en pacientes con insuficiencia cardíaca. Revista Argentina de Cardiologia, 89(5), 385–387en_US
dc.relation.referencesIftikhar, S., Golec, M., Chowdhury, D., Gill, S. S., & Uhlig, S. (2022). FogDLearner: A Deep Learning-based Cardiac Health Diagnosis Framework using Fog Computing. ACM International Conference Proceeding Series, 136–144. https://doi.org/10.1145/3511616.3513108en_US
dc.relation.referencesLow, J. X., & Choo, K. W. (2018). Classification of heart sounds using softmax regression and convolutional neural network. ACM International Conference Proceeding Series, 18–21. https://doi.org/10.1145/3194244.3194255en_US
dc.relation.referencesNaik, K. T., & Garg, B. (2022, December 23). A Machine Learning Model for Disease Prediction and Remote Patient Monitoring. ACM International Conference Proceeding Series. https://doi.org/10.1145/3590837.3590844en_US
dc.relation.referencesRajalakshmi, S., Madhav, K. V., & Abhishek, R. (2019). Inducement of multivariate factors in cardiac disease prediction with machine learning techniques substantiated with analytics. ACM International Conference Proceeding Series, 97–101. https://doi.org/10.1145/3313991.3314014en_US
dc.relation.referencesZhao, Y. X., Yuan, H., & Wu, Y. (2021). Prediction of Adverse Drug Reaction using Machine Learning and Deep Learning Based on an Imbalanced Electronic Medical Records Dataset. ACM International Conference Proceeding Series, 17–21. https://doi.org/10.1145/3472813.3472817en_US
dc.identifier.DOI10.29057/xikua.v12iEspecial.12749en_US


Ficheros en el ítem

Thumbnail
Nombre:
12749-Manuscrito-82873-1-10-20 ...
Tamaño:
341.4Kb
Formato:
PDF
Ver/

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem