Revista Internacional de Avances en Tecnología
Acceso abierto
ISSN: 0976-4860
ISSN: 0976-4860
Samy Ghoneimy, Hossam M. Faheem, Noha Gamal
Una de las ventajas que tenemos hoy en día en la lucha contra el coronavirus (COVID-19) que no fue tan avanzada en el brote de SARS de 2003 es el big data análisis y los principales avances en inteligencia artificial y tecnologías de inteligencia artificial. Las vigilancias estadísticas de los Estados Unidos de América han incluido a la neumonía/influenza como la séptima causa principal de muerte. Las temporadas severas de influenza pueden resultar en más de 60,000 muertes en exceso y más de 200,000 hospitalizaciones. Estados Unidos fue testigo de cincuenta y cinco mil muertes (55 000 personas) causadas por neumonía/influenza entre el número total de novecientas mil muertes (900 000 personas) (% 6,0) durante el brote de influenza en 2018. Los pacientes de 65 años o más se encuentran en riesgo particular de muerte por neumonía viral así como por influenza no complicada con neumonía. Las muertes en estos pacientes representan el 89% de todas las muertes por neumonía y/o influenza. La industria de la salud necesita investigadores interesados en aplicar el aprendizaje automático para la vigilancia, la predicción y el diagnóstico de enfermedades. Muchas investigaciones relacionadas con la atención médica afirman que el aprendizaje automático (ML) es la tecnología que salvará vidas y renovará los servicios de atención médica. Esta tecnología desafía el enfoque reactivo tradicional de la atención médica. Son las cualidades predictivas, proactivas y preventivas que salvan vidas las que la convierten en una capacidad críticamente esencial en todos los sistemas de salud. Para ayudar en la predicción de brotes de neumonía/influenza, se pueden aplicar técnicas de regresión y clasificación como Ridge, regresión/clasificación de árboles de decisión, regresión lineal múltiple, clasificación de regresión logística, K-Vecino más cercano y regresión de máquina de vectores de soporte para predecir futuros instancias basadas en conjuntos de datos de capacitación y validación confiables. Las predicciones precisas ayudarán a las partes interesadas en el cuidado de la salud y a los gobiernos a abordar las necesidades médicas y físicas durante la temporada de brotes. En este artículo, explotamos una metodología para predecir el número de muertes por influenza y neumonía en ciudades de EE. UU. utilizando diferentes algoritmos de aprendizaje supervisado por máquina. Cada algoritmo se implementa, se ajusta al conjunto de datos de entrenamiento, se valida mediante el conjunto de datos de validación y se evalúa por medio del error cuadrático medio (RMSE) y la métrica R2. KNN es el que mejor se adapta al conjunto de datos al proporcionar una precisión del 92,6 %. El algoritmo menos ajustado es la regresión logística al dar un 51 % de precisión. Los algoritmos probados restantes dan niveles de precisión del 80% al 92%. Las métricas de evaluación, R2 y RMSE se obtienen de forma analítica y programática mediante simulación basada en Python. Los resultados de ambos métodos están bien emparejados. Los resultados prometedores alientan la idea de mejorar el rendimiento del predictor. Se implementa un nuevo predictor (KMR-Stack) mediante la integración de los tres mejores algoritmos ajustados (KNN, regresión lineal múltiple, Ridge) en una pila. KMR-Stack superó la relación de precisión de KNN al brindar una precisión del 94,9 %. En KMR, Stack, se realizó otra mejora en comparación con otros modelos de apilamiento introducidos en la literatura. La mejora incluida en la dinámica de elegir los regresores del modelo base. Por lo tanto, el uso integrado apilado de diferentes algoritmos de aprendizaje automático mostró mayores precisiones de predicción en comparación con el uso de cada algoritmo individual, por lo tanto, mejora la vigilancia de la influenza y contribuye potencialmente al desarrollo de una defensa sólida. estrategia, que colectivamente mejorará la salud humana.