Publicación: Caracterización de la enfermedad pulmonar obstructiva crónica (EPOC) a partir de imágenes de radiografías de tórax y datos clínicos
Portada
PDF 
FLIP Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autores
Director
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
RESUMEN: la creciente disponibilidad de datos y el rápido desarrollo de los métodos de análisis de datos han hecho posible las recientes aplicaciones de la inteligencia artificial y el machine learning en el área de la salud. La utilización de estos avances permite a los diferentes actores en el sector medico realizar mejor su trabajo de predicción y diagnóstico de enfermedades en los pacientes. Una de estas enfermedades es la EPOC o enfermedad pulmonar obstructiva crónica la cual es una de las enfermedades con mayor mortalidad en el mundo la cual afecta el sistema respiratorio, el cual es vital para la vida del ser humano. Para su diagnóstico existen diferentes maneras de lograr detectarla como son las imágenes médicas y exámenes como la espirometría. En el presente trabajo se analizó información de pacientes del hospital Pablo Tobón Uribe que diagnosticados con EPOC haciendo análisis de toda la información disponible del paciente en la base de datos, con el fin de extraer la información más relevante para la detección de esta patología. Al ser esta información necesaria para la detección de EPOC, el objetivo del trabajo fue desarrollar un modelo para la extracción de características y patrones relevantes en radiografías de tórax y datos clínicos de pacientes con EPOC. Este procedimiento se realizado usando la metodología CRISP-DM donde se empezó con la recolección de la información en el hospital, seguido del análisis de esta para así determinar cuáles serían las variables más indicadas para entrenar los modelos. Posteriormente, se seleccionaron los modelos que utilizarían estas variables para ser entrenados. Modelos como las redes neuronales convolucionales para la información no estructurada como son las imágenes médicas, y modelos convencionales de clasificación como KNN, Árbol de decisión, Gradient Boost, etc. para los datos estructurados, entre los que se encontraban los exámenes de función pulmonar y variables básicas del paciente. Por último, se corroboraron los resultados eligiendo los mejores modelos y comparando los algoritmos entre sí, por medio de métricas de evaluación y validación cruzada. Luego los dos mejores modelos fueron unidos para así tener un modelo final el cual pudiera predecir EPOC basándose tanto de la radiografía como de la información del paciente y los exámenes médicos. Los resultados indicaron que el modelo final es capaz de detectar EPOC en un paciente con altos niveles de precisión y estos podrían servir de base para trabajos futuros en esta área o bien para ser otra herramienta más del arsenal de una médico
Resumen en inglés
ABSTRACT: the increasing availability of data and the rapid development of data analysis methods have made the recent applications of artificial intelligence and machine learning in the health area possible. The use of these advances allows the different actors in the medical sector to better perform their work prediction and diagnosis of diseases in patients. Onne of these diseases is COPD or chronic obstructive pulmonary disease, which is one of the deadliest diseases in the world that affects the respiratory system, which is vital for human life. For its diagnosis there are different ways to detect it, such as medical imaging and tests such as spirometry. In this work, information from patients diagnosed with COPD at the Pablo Tobon Uribe hospital was analyzed by performing analysis of all the available information for the detection of this pathology. As this information is necessary for the detection of COPD, the objective of this work was to develop a model for the extraction of features and patterns relevant in chest radiographs and clinical data of patients with COPD. This procedure was carried out using the CRIPS-DM methodology, where the information was first collected at the hospital, followed by analysis of it to determine which variables would be most suitable for training the models. Subsequently, the models that would use these variables to be trained were selected. Models such ass convolutional neural networks for unstructured information such as medical images, and conventional classification models such as KNN, Decision Tree, Gradient Boost, etc. for structured data, among which were pulmonary functions tests and basic patient variables. Finally, the results were corroborated by choosing the best models and comparing the algorithms with each other, using evaluation metrics and cross-validation. Then, the two best models were joined together to have a final model that could predict COPD based on both the radiograph, the patient information, and medical tests. The results indicated that the final model is capable of detecting COPD in a patient with high levels of accuracy and these could serve as basis for future work in this area or as another tool in the arsenal of a doctor.