Deep Learning and Permutation Entropy in the Stratification of Patients with Chagas Disease
Descripción del Articulo
La enfermedad de Chagas se trata de una enfermedad potencialmente mortal que en las últimas décadas se estaba convirtiendo en un problema de salud pública debido al cambio en el patrón epidemiológico. Puede ser silenciosa y asintomática en la fase crónica, de ahí la necesidad del desarrollo de marca...
| Autor: | |
|---|---|
| Formato: | tesis de grado |
| Fecha de Publicación: | 2023 |
| Institución: | Universidad Nacional de San Agustín |
| Repositorio: | UNSA-Institucional |
| Lenguaje: | español |
| OAI Identifier: | oai:repositorio.unsa.edu.pe:20.500.12773/16965 |
| Enlace del recurso: | https://hdl.handle.net/20.500.12773/16965 |
| Nivel de acceso: | acceso abierto |
| Materia: | Entropía de Permutación Enfermedad de Chagas Aprendizaje Profundo Red Neuronal https://purl.org/pe-repo/ocde/ford#1.02.02 |
| Sumario: | La enfermedad de Chagas se trata de una enfermedad potencialmente mortal que en las últimas décadas se estaba convirtiendo en un problema de salud pública debido al cambio en el patrón epidemiológico. Puede ser silenciosa y asintomática en la fase crónica, de ahí la necesidad del desarrollo de marcadores tempranos. Para lograr esto, proponemos una arquitectura de red neuronal profunda para clasificar 292 pacientes en tres grupos: el grupo Control con 83 voluntarios, el grupo CH1 con 102 pacientes con serología positiva y sin compromiso cardíaco y el grupo CH2 con 107 pacientes con serología positiva e insuficiencia cardiaca incipiente. Los datos utilizados provienen de ECG’s de 24 horas, los intervalos RR de cada sujeto se dividieron en 288 cuadros de 5 minutos cada uno. Luego se preprocesaron usando entropía de permutación obteniendo así el perfil circadiano de cada paciente. Y al aplicar PCA, cada paciente terminó representado por un vector de 144 entradas. Esto a su vez se utilizó para el entrenamiento de la arquitectura ANN propuesta. La clasificación expresó un 91 % de exactitud y una media del 92 % de precisión, consistiendo en un gran trabajo de clasificación validado por el AUC en cada curva ROC. Como estos resultados se obtuvieron con una cantidad limitada de datos, este estudio puede mejorarse con más muestras, convirtiendo este modelo en una herramienta de análisis de ECG para intentar realizar una evaluación y diagnóstico temprano de un compromiso cardíaco relacionado con la silenciosa fase crónica. |
|---|
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).