Técnicas de ensamble aplicadas a un conjunto de datos perteneciente a pacientes de leishmaniasis cutánea para predecir la efectividad del tratamiento Glucantime
Loading...
Date
2021
Authors
Director
Journal Title
Journal ISSN
Volume Title
Publisher
Pontificia Universidad Javeriana Cali
Abstract
La leishmaniasis es una enfermedad reemergente en Colombia. Catalogada por la Organización Mundial de la Salud como “enfermedad olvidada”, debido a que está asociada directamente con las personas que viven en regiones muy pobres. Por lo tanto, existe poco interés en invertir en el desarrollo de medicamentos y estrategias para controlar esta enfermedad. El glucantime es uno de los medicamentos usados para tratar la leishmaniasis cutánea, la cual ha sido una enfermedad reemergente en Colombia. La forma de administrar este medicamento en algunas ocasiones ha causado mucho dolor y el hecho de usarlo trae la posibilidad de causar efectos colaterales. El anterior panorama ha sido de inspiración para desarrollar modelos de aprendizaje automático que permitan predecir el desenlace terapéutico del tratamiento glucantime. Con este proyecto se obtuvieron cuatro modelos de aprendizaje automático, donde inicialmente se realizó́ un proceso de preparación de los datos, y luego con ayuda de las técnicas de ensamble se construyeron dichos modelos. Se realizaron evaluaciones de los distintos modelos construidos y se permitió inferir que ningún modelo presentó un desempeño que permita confiar en sus predicciones, esto dado que la cantidad de datos no fue suficiente para que los modelos construyeran hipótesis fuertes. Sin embargo, la técnica que permitió obtener el modelo con el mejor desempeño indica que probablemente con una cantidad mayor de datos se puedan obtener mejores predicciones. CIDEIM (Centro Internacional de Entrenamiento e Investigaciones Médicas) fue el ente que proporcionó el conjunto de datos con el cual se construyeron los modelos.
Description
item.page.descriptioneng
Leishmaniasis is a re-emerging disease in Colombia. Cataloged by the World Health Organization as a "neglected disease", due to it is directly associated with people living in very poor regions. Therefore, there is a low interest when investing in the development of drugs and strategies to control this disease. Glucantime is one of the drugs used to treat cutaneous leishmaniasis, which has been a re-emerging disease in Colombia. The way of administering this medicine sometimes has caused a lot of pain and the fact of using it brings the possibility of causing side effects. The aforementioned scenario has inspired the development of machine learning models that allow to predict the therapeutic outcome of glucantime treatment. With this project, four machine learning models were obtained, where initially a data preparation process was carried out, and then with the help of assembly techniques, these models were built. Evaluations of the different built models were carried out and it was allowed to infer that no model showed a performance that allows confidence in its predictions, since the amount of data was not enough for the models to build strong hypotheses. However, the technique that allowed to obtain the model with the best performance suggests that probably with a greater amount of data better predictions can be obtained. CIDEIM (International Center for Medical Training and Research) was the entity that provided the data set with which the models were built.
Keywords
Glucantime, Cutaneous leishmaniasis, Machine learning models, Assembly techniques, CIDEIM, Leishmaniasis cutánea, Modelos de aprendizaje automático, Técnicas de ensamble y CIDEIM