Diario de Enfermedades Infecciosas y Medicina Preventiva
Acceso abierto

abstracto

Aplicación de técnicas de minería de datos en el diagnóstico de tuberculosis (TB): una comparación de la red neuronal de perceptrón multicapa (MLP) y la eficiencia del sistema de inferencia neurodifuso adaptativo (ANFIS)

Azamossadat Hosseini, Hamid Moghaddasi, Reza Rabiei, Sara Mohebi Mushaei

Antecedentes: minería de datos Las técnicas para el diagnóstico de enfermedades ayudan a la predicción y control de diversas enfermedades, incluida la tuberculosis (TB). Este estudio tuvo como objetivo comparar la eficiencia de dos modelos principales de diagnóstico de TB: MLP (Multilayer Perceptron Neural Network) y ANFIS (Adaptive Neuro-Fuzzy Inference System) para averiguar qué datos modelo basado en minería es más eficiente en la detección de tuberculosis.

Materiales y métodos: En este estudio analítico, la base de datos utilizada fue para pacientes hospitalizados en un hospital especializado en enfermedades pulmonares y enfermedades respiratorias. La base de datos incluía 1159 registros, de los cuales 599 pertenecían a pacientes infectados con TB y 560 registros a pacientes no infectados. Con ayuda de 13 factores efectivos en el diagnóstico de la enfermedad y utilizando el conjunto de Registros de TB, se probaron y evaluaron los dos modelos de MLP y ANFIS. Finalmente, usando la prueba de la razón, dos modelos se compararon en función de sus valores de AUC para ver cuál es más eficiente. La sensibilidad, especificidad, exactitud, y RMSE de los dos modelos también se compararon.

Resultados: La eficiencia de MLP fue de 0.9921 y la eficiencia de ANFIS fue de 0.8572. Sensibilidad, especificidad, precisión y RMSE se registraron como 93,50 %, 94,80 %, 94,30 % y 0,1788, respectivamente. Estos valores para ANFIS equivalía a 79,60%, 92,60%, 85,63% y 0,3345, respectivamente. De acuerdo con estos resultados, hubo una importante diferencia entre los niveles de eficiencia de los modelos MLP y ANFIS (p-value˂0.0001).

Conclusión: El MLP indicó un valor de AUC más alto en comparación con ANFIS. Los resultados también mostraron una mayor sensibilidad, especificidad y precisión, pero un RMSE más bajo para MLP. En general, MLP demostró ser superior a ANFIS para el diagnóstico de TB.