Optimal Artificial Neural Network for the Diagnosis of Chagas Disease Using Approximate Entropy and Data Augmentation

• Autor: Cornejo Luque, Diego Rodrigo
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Nacional de San Agustín
• Repositorio: UNSA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsa.edu.pe:20.500.12773/20992
• Enlace del recurso: https://hdl.handle.net/20.500.12773/20992
• Nivel de acceso: acceso abierto
• Materia: Entropía Aproximada; Enfermedad de Chagas; Red neuronal artificial; https://purl.org/pe-repo/ocde/ford#2.11.02

El uso de machine learning para el diagnóstico de enfermedades está ganando popularidad debido a su habilidad para procesar datos y proveer resultados precisos, pero su optimización sigue siendo un desafío. La enfermedad de Chagas es endémica en Latinoamérica y ha emergido como un problema de salud en áreas más urbanas. Un diagnóstico temprano y preciso es esencial para prevenir complicaciones cardíacas, ya que un estimado de 65 millones de personas tienen riesgo de contraer esta enfermedad. Este estudio usó una base de datos de 292 sujetos distribuidos en tres grupos: voluntarios saludables (grupo Control), pacientes de Chagas asintomáticos (grupo CH1) y pacientes chagásicos seropositivos con enfermedad cardíaca incipiente (grupo CH2). Una red neuronal densamente conecta fue usada para clasificarlos en sus respectivos grupos. La red recibió como entrada los valores de Entropía Aproximada de cada individuo, los cuales fueron calculados a partir de sus perfiles circadianos de 24 horas, cada 5 minutos (288 subsegmentos de RR). Se aplicaron algoritmos de aumento de datos para series temporales durante la fase de entrenamiento para mejorar los resultados de clasificación. Este enfoque permitió alcanzar un 100% de exactitud y precisión, validado por la curva ROC con valores de AUC de 1, probando ser un enfoque robusto para el diagnóstico temprano y prevención de complicaciones cardíacas en la enfermedad de Chagas.