Machine Learning para la extracción de información biomédica en el laboratorio clínico
En el diagnóstico médico, la información disponible se complementa con la recopilación de datos adicionales, que se pueden obtener a partir de la historia clínica de un paciente, un examen físico y de varias pruebas de diagnóstico, incluidas las pruebas de laboratorio clínico. Las pruebas de laborat...
Bewaard in:
| Hoofdauteur: | |
|---|---|
| Formaat: | article |
| Taal: | spa |
| Gepubliceerd in: |
2019
|
| Onderwerpen: | |
| Online toegang: | http://dspace.uniandes.edu.ec/handle/123456789/10325 |
| Tags: |
Voeg label toe
Geen labels, Wees de eerste die dit record labelt!
|
Voeg label toe | Samenvatting: | En el diagnóstico médico, la información disponible se complementa con la recopilación de datos adicionales, que se pueden obtener a partir de la historia clínica de un paciente, un examen físico y de varias pruebas de diagnóstico, incluidas las pruebas de laboratorio clínico. Las pruebas de laboratorio se utilizan para confirmar, excluir, clasificar o monitorear enfermedades y para guiar él tratamiento (Badrick, 2013) El Machine learning aplicado a los resultados de las pruebas laboratorio de ferritina de pacientes ambulatorios ofrece un nuevo tipo de apoyo a la decisión clínica, destinado a mejorar el valor diagnóstico de múltiples analitos. Los datos demográficos de los pacientes y los resultados de otras pruebas de laboratorio diferencian los resultados normales de los resultados anormales de ferritina con un alto grado de precisión. Solo los resultados bajos de ferritina se clasificaron como anormales, ya que el objetivo era identificar la deficiencia de hierro, lo que se indica con una ferritina baja, la clasificación se realizó utilizando la regresión logística implementada en el paquete Python Scikit-learn. Las técnicas de regresión utilizadas fueron la regresión lineal, la regresión lineal bayesiana, la regresión aleatoria de bosques (Luo, Szolovits, Baron, & Dighe, 2016). |
|---|