Improving Downs Syndrome Prediction with a Smart Medical Data Classification Model- Case of Study

Saldana-Barrios, Juan Jose; Concepción, Tomas; Vargas-Lombardo, Miguel

Mejorando la predicción del síndrome de Down mediante un modelo de clasificación de datos médicos inteligente- Caso de Estudio

dc.contributor		en-US
dc.contributor		es-ES
dc.creator	Saldana-Barrios, Juan Jose
dc.creator	Concepción, Tomas
dc.creator	Vargas-Lombardo, Miguel
dc.date	2016-12-13
dc.date.accessioned	2017-07-28T13:57:07Z
dc.date.available	2017-07-28T13:57:07Z
dc.identifier	http://revistas.utp.ac.pa/index.php/id-tecnologico/article/view/1234
dc.identifier.uri	http://ridda2.utp.ac.pa/handle/123456789/1814
dc.description	In health areas like drugs application, surgeries, projection of the spreading of contagious diseases, study of cancer and others, estimation, accuracy and precision are crucial. In the last few years, machine-learning methods have been used to obtain the best precision in prediction and classification of sensitive data for the medical community. Currently the Down’s syndrome risk estimation process uses established inferior and superior limits to determine if a chemical test is normal or abnormal. Using machine-learning methods we can calculate these limits dynamically. It would adapt the process to the parameters of the population improving it´s results. In this paper we first propose a model to dynamically calculate the values of the upper and lower limits of a healthy population, second the model is implemented and the process is explained and third we compare the results of applying Support Vector Machine and Naive Bayes machine learning methods to predict the risk of having Downs syndrome.	en-US
dc.description	En el área de la salud la aplicación de medicamentos, realización de cirugías, proyecciones sobre la dispersión de enfermedades infecciosas, estudios del cáncer y otras, características como la precisión y la exactitud son fundamentales. En los últimos años, los métodos de inteligencia artificial conocidos como métodos de aprendizaje de máquinas son cada vez más usados para lograr obtener la mayor precisión y certeza en la predicción y clasificación de datos sensibles para la comunidad médica. Actualmente el método de predicción utilizado para estimar la probabilidad de poseer la Aneuploidía conocida como síndrome de Down utiliza límites inferiores y superiores para indicar si los múltiplos de las medianas conocida como MoMs, son calculados mediante pruebas químicas y se encuentran dentro del rango de una población saludable o anormal. Utilizando estos métodos de aprendizaje de máquinas podemos calcular estos límites dinámicamente. El algoritmo determina los parámetros ajustándose a lo indicado por la misma población mejorando así precisión de la estimación. En este trabajo primero se propone un modelo para calcular dinámicamente los valores superiores e inferiores que actúan como límite para pronosticar si un paciente presenta o no esta alteración cromosómica. Segundo, el modelo es explicado e implementado y tercero, los resultados obtenidos mediante el método de máquinas de vectores de soporte y clasificadores bayesianos ingenuos son comparados para determinar cuál de los dos proporciona mejores resultados al momento de predecir el riesgo de padecer esta aneuploidía.	es-ES
dc.format	application/pdf
dc.format	text/html
dc.language	spa
dc.publisher	Universidad Tecnológica de Panamá	es-ES
dc.relation	http://revistas.utp.ac.pa/index.php/id-tecnologico/article/view/1234/1267
dc.relation	http://revistas.utp.ac.pa/index.php/id-tecnologico/article/view/1234/html_2
dc.rights	info:eu-repo/semantics/openAccess
dc.rights	https://creativecommons.org/licenses/by-nc-sa/4.0/
dc.source	2219-6714
dc.source	1680-8894
dc.source	I+D Tecnológico; Vol. 12, Núm. 2 (2016): Revista I+D Tecnológico; 36-45	es-ES
dc.subject	Naïve Bayes, Machine Learning, Support Vector Machine, Down’s syndrome, eHealth	en-US
dc.subject	Clasificador Bayesiano Ingenuo, Máquina de Aprendizaje Automático, Máquina de Vectores de Soporte, Síndrome de Down, Salud Electrónica.	es-ES
dc.title	Improving Downs Syndrome Prediction with a Smart Medical Data Classification Model- Case of Study	en-US
dc.title	Mejorando la predicción del síndrome de Down mediante un modelo de clasificación de datos médicos inteligente- Caso de Estudio	es-ES
dc.type	info:eu-repo/semantics/article
dc.type	info:eu-repo/semantics/publishedVersion

Ficheros en el ítem

Ficheros	Tamaño	Formato	Ver
No hay ficheros asociados a este ítem.

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

Vol. 12, Núm. 2 (2016): Revista I+D Tecnológico [13]
La Universidad Tecnológica de Panamá se complace en presentar a la comunidad científica en general la primera edición del año 2016 de la Revista I+D Tecnológico, correspondiente al volumen 12, número 2.

Mostrar el registro sencillo del ítem