Análisis comparativo de algoritmos de clasificación para diagnosticar tipos de leucemia infantil

• Autor: González Flores, Paul Gustavo
• Formato: tesis de grado
• Fecha de Publicación: 2021
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/10058
• Enlace del recurso: https://hdl.handle.net/20.500.12802/10058
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje supervisado; Leucemia infantil; Árboles de decisión; Regresión logística; Algoritmos de clasificación; Predicción; Diagnóstico; https://purl.org/pe-repo/ocde/ford#2.02.04

Mundialmente el cáncer afecta en gran proporción a la niñez, en el 2020 se reportaron a nivel mundial más de 400 mil casos nuevos de leucemias, siendo el cáncer más frecuente en la niñez. En Perú, el Instituto Nacional de Enfermedades Neoplásicas, realizó un informe estadístico de los pacientes que residen en Lima Metropolitana entre los años 2010 y 2012, donde se reportaron 1604 pacientes diagnosticados con leucemia, representando más del 40% de todas las neoplasias. La influencia del aprendizaje automático en la medicina ha sido muy importante hoy en día, siendo aplicado para diagnosticar diferentes enfermedades, destacando entre ellas el diagnóstico de diferentes tipos de cáncer. La elección de los algoritmos de clasificación a implementar se realizó mediante una revisión de la literatura científica, donde se seleccionaron los algoritmos Regresión logística y Árboles de decisión por haber obtenido mejores resultados de exactitud. Los datos utilizados para desarrollar la presente investigación se obtuvieron del Hospital Regional Docente “Las Mercedes”, siguiendo criterios de inclusión y exclusión se recolectaron 75 datos de pacientes diagnosticados con tipos de leucemia infantil. Posteriormente, se consideró utilizar 60 datos de pacientes que representa el 80% para realizar el entrenamiento y 15 datos de pacientes que representa el 20% para las pruebas. La evaluación del desempeño de los algoritmos de clasificación se realizó mediante la matriz de confusión. Los resultados mostraron que el algoritmo de clasificación Árboles de decisión obtuvo una exactitud de 100%, precisión 100%, especificidad 100%, F1 Score 100% y tiempo de respuesta de 0.02 segundos, mientras que el algoritmo de clasificación Regresión logística obtuvo una exactitud de 93.3%, precisión 92.9%, sensibilidad 100%, F1 Score 96.3% y un tiempo de respuestas de 0.05 segundos. La comparación de los resultados obtenidos mostró que el algoritmo de clasificación Árboles de decisión, es el mejor para diagnosticar los tipos de leucemia infantil, considerando el desempeño obtenido al evaluarse todos los indicadores propuestos en esta investigación.