Implementación de técnicas de Machine learning para el diagnóstico automático de trastornos mentales

Generar un diagnóstico clínico de un trastorno mental es un proceso complejo debido a la variedad de factores biológicos que inciden en este tipo de afección, por lo que es necesario que un experto realice una evaluación exhaustiva a fin de identificar y determinar el tipo del trastorno que afecta al paciente. Este trabajo propone la implementación y comparación de cinco algoritmos de Machine Learning (ML) para generar diagnósticos automáticos de trastornos mentales, a través del conjunto de síntomas presentes en un paciente. Los algoritmos seleccionados para la comparación son: Máquina de Soporte Vectorial (SVM), Regresión Logística, Random Forest, Redes Bayesianas, K-vecinos más cercanos (k-NN). Además, se desarrolló un portal web, que permitió la adquisición de datos indispensables para el entrenamiento de los modelos. La evaluación se ejecutó a través de las métricas de rendimiento, precisión, recall, score y accuracy. Los resultados generales muestran que el algoritmo de Regresión Logística obtuvo un mejor desempeño mostrando un 55% y 71% de precisión. El modelo SVM por el contrario mostró un bajo desempeño alcanzando apenas el 25% de precisión.

• Main Author: Llano Tumbaco, Jhony Cristian (author)
• Other Authors: Ramirez Pluas, Vanessa Elizabeth (author)
• Format: bachelorThesis
• Language: spa
• Published: 2019
• Subjects: INGENIERÍA DE SISTEMAS; PROGRAMAS PARA COMPUTADOR; CONTROL AUTOMÁTICO; DIAGNÓSTICO; TRASTORNOS MENTALES; INTELIGENCIA ARTIFICIAL
• Online Access: http://dspace.ups.edu.ec/handle/123456789/17616