Implementación de Machine Learning para predecir el diagnóstico de malaria en centros de salud de Loreto, Perú (2024)

• Autor: Valeriano Tapara, Alexander
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Cesar Vallejo
• Repositorio: UCV-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucv.edu.pe:20.500.12692/165467
• Enlace del recurso: https://hdl.handle.net/20.500.12692/165467
• Nivel de acceso: acceso abierto
• Materia: Malaria; Inteligencia artificial; Diagnóstico de enfermedades; Algoritmo; https://purl.org/pe-repo/ocde/ford#2.02.04

En la investigación, se precisa el Objetivo de desarrollo sostenible ODS 3: “Salud y Bienestar” que permite identificar a los pacientes con malaria de manera más rápida y precisa. Los objetivos del estudio: Recopilar y preparar un dataset completo y robusto sobre diagnóstico de malaria, Identificar y aplicar las técnicas de Machine Learning más adecuadas para la predicción diagnóstico de malaria, Utilizar métricas de evaluación apropiadas para medir y mejorar el desempeño del modelo. Con un tipo investigación experimental, enfoque cuantitativo, la población en estudio es de 2156 ítems obtenido de fuentes abiertas, se utilizó la metodología CRISP DM y el sistema de programación en Python, utilizando Google Colab con los siguientes algoritmos: regresión logística, árbol de decisiones, bosque aleatorio, K-vecinos más cercanos y Naive Bayes. Se obtuvo Como resultado el modelo Random Forest demostró el mejor rendimiento general de accuracy 81%, especialmente en la identificación de casos de "Malaria Grave" en precisión de 95%. En conclusión, las técnicas de Machine Learning son efectivas para la predicción del diagnóstico de malaria, beneficiando al sector de la salud.