Comparativa del algoritmo de K-Means contra los mapas auto organizados en la clasificación de pacientes ortopédicos con problemas de columna vertebral

El dolor de espalda es un problema que afecta al menos al 90% de la población humana durante su vida y es una de las principales causas de ausentismo en el trabajo. A pesar de la gran cantidad de casos que se presentan, no existe suficiente investigación en este campo; debido en parte a los múltiples exámenes médicos requeridos para ofrecer un diagnóstico preciso. Además, la causa del dolor de espalda puede ser benigna y sanar sin tratamiento. En este estudio, se hace uso de dos algoritmos de inteligencia artificial para clasificar a pacientes con problemas de columna. Los algoritmos utilizados fueron K-means y Mapas Auto Organizados (o SOM del inglés Self Organizing Maps). Con estas técnicas se obtuvieron dos modelos, ambos con un error de generalización menor al 10%. Los modelos se compararon en función de métricas que permiten estimar el rendimiento de un clasificador, tales como: sensibilidad, especificidad, precisión y valor de predicción negativa (VPN), además de hacer uso del índice Kappa de Cohen para evaluar la concordancia. Se encontró que el modelo entrenado con SOM superó al modelo entrenado con K-means, detectando de mejor manera pacientes con problemas de columna vertebral. Además, se descubrió que ambos modelos presentaban una precisión similar a modelos obtenidos con diferentes algoritmos en investigaciones previas, concordando con los valores considerados aceptables según los expertos en medicina ortopédica.

• Autores: Melo Riveros, Nicolas Andres; Cardenas Espitia, Bayron Alexis
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2019
• Institución: Universidad Distrital Francisco José de Caldas
• Repositorio: RIUD: repositorio U. Distrital
• Idioma: spa
• OAI Identifier: oai:repository.udistrital.edu.co:11349/23181
• Acceso en línea: http://hdl.handle.net/11349/23181
• Palabra clave: Machine Learning; K-Means; Mapas auto organizados; Clustering; Aprendizaje no supervisado; Indice Kappa; Matriz de confusión; Ingeniería Electrónica - Tesis y disertaciones académicas; Enfermedades de la columna vertebral; Aprendizaje automático (Inteligencia artificial); Algoritmos; Machine Learning; K-Means; Self-Organizing Maps; Clustering; Unsupervised learning; Kappa coefficient; Confusion matrix
• License: Atribución-NoComercial-SinDerivadas 4.0 Internacional