Desarrollo de un sistema inteligente web basado en redes neuronales artificiales para la predicción del riesgo de mortalidad del COVID-19

• Autor: Mondragon Silva, Sergio Alexander
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad Católica Santo Toribio de Mogrovejo
• Repositorio: USAT-Tesis
• Lenguaje: español
• OAI Identifier: oai:tesis.usat.edu.pe:20.500.12423/6476
• Enlace del recurso: http://hdl.handle.net/20.500.12423/6476
• Nivel de acceso: acceso abierto
• Materia: Redes neuronales artificiales; Infecciones por coronavirus; Inteligencia artificial; Aprendizaje automático; http://purl.org/pe-repo/ocde/ford#2.02.04

El presente trabajo de investigación surge ante el problema mundial de la pandemia del COVID-19, de tal manera, esta investigación tiene como objetivo general el implementar una solución basada en redes neuronales artificiales para predecir el riesgo de mortalidad de la COVID-19 en pacientes infectados, utilizando datos de una clínica de la ciudad de Chiclayo. Así, se decidió utilizar la metodología Scrum para la gestión del proyecto de investigación y para el modelado de la red neuronal artificial (RNA) se siguió la metodología de desarrollo utilizada en la investigación de I. Kaastra y M. Boyd incluyendo ciertas mejoras de la metodología utilizada en la investigación de Abdulaal A et al. En consecuencia, este proyecto generó una herramienta médica la cual es accesible a través de cualquier navegador web y cuenta con dos RNA implementadas las cuales tienen la capacidad de aprender de nuevos registros clínicos ingresados. La mejor RNA implementada tiene una exactitud del 82.72%, AUROC de 88.48%, desviación estándar de 0.0848 y un F1Score de 83.72%; además, este sistema web fue validado para el diagnóstico con las siguientes métricas médicas: 85.71% de sensibilidad. 79.48% de especificidad y un AUROC del 88.48%. Así pues, del desarrollo de esta herramienta se concluye que para identificar la correcta arquitectura e hiperparámetros se deben generar diferentes iteraciones de entrenamiento de la RNA; asimismo, en cada iteración se debe utilizar diferentes combinaciones de arquitectura e hiperparámetros calculando las métricas de exactitud, F-measure, AUROC y desviación estándar. Finalmente, se podrá elegir a la combinación con las mejores métricas.