Predicción del desenlace terapéutico de la leishmaniasis utilizando aprendizaje automático sobre SNPs

Abstract
El aprendizaje automático ha permitido avances significativos en el campo de la medicina, especialmente en la predicción del resultado del tratamiento de enfermedades. Este estudio de caso explora modelos y técnicas de aprendizaje automático para predecir el éxito o el fracaso del tratamiento de la leishmaniasis basándose en polimorfismos de nucleótido único (SNPs) en secuencias de ADN. Esto es crucial porque el tratamiento de la leishmaniasis puede tener efectos adversos para el cuerpo humano, lo que hace esencial predecir si los individuos con leishmaniasis deben someterse al tratamiento. Se emplearon técnicas de aprendizaje automático no supervisado para la selección de los SNPs más significativos. Posteriormente, se utilizaron técnicas de aprendizaje supervisado para la predicción y se evaluó el rendimiento del modelo. Este enfoque integral tiene como objetivo determinar la eficacia del tratamiento de la leishmaniasis y si los individuos deben o no someterse al régimen prescrito.
Description
item.page.descriptioneng
Machine learning has enabled significant advancements in the field of medicine, particularly in predicting the outcome of disease treatment. This case study explores machine learning models and techniques to predict the success or failure of leishmaniasis treatment based on single nucleotide Polymorphisms (snps) in dna sequences. This is crucial because leishmaniasis treatment can have adverse effects for the human body, making it essential to predict whether individuals with leishmaniasis should undergo treatment. Unsupervised machine learning techniques were employed for the selection of the most significant snps. Subsequently, supervised learning techniques were utilized for prediction, and the performance of the model was assessed. This comprehensive approach aims to determine the efficacy of leishmaniasis treatment and whether individuals should or should not undergo the prescribed regimen.
Keywords
Citation