Predicción de ovario poliquístico aplicando técnicas de Machine Learning

Prediction of Polycystic Ovary Syndrome Applying Machine Learning Techniques

Autores/as

  • Carlos Eduardo Cañedo-Figueroa UACH. Facultad de Medicina y Ciencias Biomédicas https://orcid.org/0000-0002-2290-4284
  • Luisa Fernanda Blancarte-Flores UACH. Facultad de Medicina y Ciencias Biomédicas
  • Wendy Sofia Guerra-Hernández UACH. Facultad de Medicina y Ciencias Biomédicas
  • Daniela Licea-Abundez UACH. Facultad de Medicina y Ciencias Biomédicas
  • Dafne Mariana Rivera-Lerma UACH. Facultad de Medicina y Ciencias Biomédicas
  • Brianna Tena-Holguín UACH. Facultad de Medicina y Ciencias Biomédicas

DOI:

https://doi.org/10.54167/tch.v17i2.1193

Palabras clave:

ovario poliquístico, red neuronal artificial, red Bayesiana, KNN, machine learning

Resumen

El Síndrome de Ovario Poliquístico (SOP) es una de las endocrinopatías más comunes entre las mujeres que se encuentran en edad reproductiva. Hay estudios que exponen que esta patología afecta entre el 3-15 % de toda la población femenina. En el presente documento se describe el uso y la comparación de algunos algoritmos de machine learning con la finalidad de ofrecer una ventana de oportunidad en la clasificación de datos de forma eficiente. Por lo que se utilizaron tres algoritmos para realizar un diagnóstico del SOP contemplando 18 características extraídas de la base de datos “PCOS Dataset” alojada en la plataforma Kaggle.com. Se diseñaron una Red Neuronal Artificial (RNA) con un 97.5 % de F1, un algoritmo Bayesiano con un 97.6 % de F1 y un algoritmo de los K- Vecinos más Cercanos (KNN por sus siglas en inglés) con un 100 % de F1. El análisis realizado demostró que el algoritmo KNN clasifica los datos utilizados de forma óptima, lo que sugiere que puede ser utilizado para obtener diagnósticos en aplicaciones de laboratorio para obtener una evaluación complementaria. 

DOI: https://doi.org/10.54167/tch.v17i2.1193

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Aguayo-González, P. 2016. Sobrepeso y obesidad, factores de riesgo para desarrollar síndrome de ovario poliquístico. https://www.gob.mx/salud/prensa/sobrepeso-y-obesidad-factores-de-riesgo-para-desarrollar-sindrome-de-ovario-poliquistico

Suha, S.A. & Islam, M.N. 2022. An extended machine learning technique for polycystic ovary syndrome detection using ovary ultrasound image. Nature Scientific Reports 12: 17123. https://doi.org/10.1038/s41598-022-21724-0 *

Cañedo-Figueroa, C. E. & García-Chávez, H. 2021. Diseño de algoritmo compuesto por Machine Learning y un modelo probabilístico para la detección de diabetes. Memorias Del Congreso Nacional de Ingeniería Biomédica 8(1), 57–60. https://memoriascnib.mx/index.php/memorias/article/view/828

Carvajal, R., Herrera, G. & Porcile, J., 2010. Espectro Fenotípico Del Síndrome De Ovario Poliquístico. Rev Chil Obstet Ginecol, 75(2): 124 – 132. http://dx.doi.org/10.4067/S0717-75262010000200009

Denny, A., Raj, A., Ashok, A., Maneesh-Ram, C. & George, R. 2019. i-HOPE: Detection and Prediction System for Polycystic Ovary Syndrome (PCOS) Using Machine Learning Techniques. En: TENCON 2019 - 2019 IEEE Region 10 Conference (TENCON), Kochi, India, 2019, pp. 673-678. https://doi.org/10.1109/TENCON.2019.8929674

Guadamuz-Delgado, J., Miranda-Saavedra, M. & Mora-Miranda, N. 2022. Actualización sobre el síndrome de ovario poliquístico. Revista Médica Sinergia 7(5): e801. https://doi.org/10.31434/rms.v7i5.801

Madhumitha, J., Kalaiyarasi, M. & Ram, S. S. 2021. Automated Polycystic Ovarian Syndrome Identification with Follicle Recognition. En 2021 3rd International Conference on Signal Processing and Communication (ICPSC), 98-102. https://doi.org/10.1109/ICSPC51351.2021.9451720

Moheddine, A., 2022. PCOS_Dataset Kaggle. https://www.kaggle.com/datasets/ayamoheddine/pcos-dataset?select=PCOS_data.csv

Mubasher-Hassan, M. & Mirza, T. 2020. Comparative Analysis of Machine Learning Algorithms in Diagnosis of Polycystic Ovarian Syndrome. Int J Comput Appl, 175(17), 42-53. https://www.ijcaonline.org/archives/volume175/number17/31548-2020920688

Palomar, L. & Guerrero, J. 2017. El teorema de bayes y el diagnóstico clínico. Memorias del Congreso Internacional Sobre la Enseñanza y Aplicación de las Matemáticas, Universidad Nacional Autónoma de México, Facultad de Estudios Superiores Cuautitlán. https://bit.ly/3JBftTU

Prapty, A. S. & Shitu, T. T. 2020. An Efficient Decision Tree Establishment and Performance Analysis with Different Machine Learning Approaches on Polycystic Ovary Syndrome. En: 23rd International Conference on Computer and Information Technology (ICCIT), DHAKA, Bangladesh, 2020, pp. 1-5. https://doi.org/10.1109/ICCIT51783.2020.9392666

Uddin, S., Haque, I., Lu, H., Moni, M. A. & Gide, E. 2022. Comparative performance analysis of K-nearest neighbour (KNN) algorithm and its different variants for disease prediction. Sci Rep, 12(1): 6256. https://doi.org/10.1038/s41598-022-10358-x

Winnykamien, I., Dalibón, A. & Knoblovits, P. 2016. Síndrome de ovario poliquístico. Rev. Hosp. Ital. B. Aires 37(1): 10-20. https://pesquisa.bvsalud.org/portal/resource/pt/biblio-966680

Descargas

Publicado

2023-07-18

Cómo citar

Cañedo Figueroa, C. E., Blancarte Flores, L. F., Guerra Hernández, W. S., Licea Abundez, D., Rivera Lerma, D. M., & Tena Holguín, B. (2023). Predicción de ovario poliquístico aplicando técnicas de Machine Learning: Prediction of Polycystic Ovary Syndrome Applying Machine Learning Techniques. TECNOCIENCIA Chihuahua, 17(2), e1193. https://doi.org/10.54167/tch.v17i2.1193
Metrics
Vistas/Descargas
  • Resumen
    352
  • PDF
    522
  • HTML
    18

Número

Vol. 17 Núm. 2 (2023): Tecnociencia Chihuahua Vol. 17 Núm. 2 (2023)

Sección

Salud

Métrica