Conoce el modelo de predicción de pacientes vulnerables a la COVID-19 gracias al método: Machine Learning
Al día de hoy, se registraron cerca de 101 millones 190,484 de dosis suministradas a nivel nacional en México, según números oficiales declarados por la SEP.
Debido al alto riesgo de contagio en este regreso a clases, las personas menores de 12 a 17 años vienen siendo vacunadas con base en los lineamientos publicados por la Secretaría de Salud, con enfermedades pre existentes o factores de riesgo considerados comorbilidades.
Sin embargo, cerca del 65% de la población aún no recibe las vacunas necesarias para completar la inmunización al virus del SARS-CoV-2
Gracias a un grupo de investigadores del Instituto de Ciencias Nucleares de la UNAM, financiados por el Consejo Nacional de Ciencia y Tecnología, el Hospital ABC y la UAM, se podría prevenir el colapso del sistema hospitalario mediante la atención oportuna de pacientes prioritarios, gracias al método “Machine Learning” y aquí te contamos cómo.
¿Quieres iniciar tu carrera como Analista de Datos? Te dejo esta lista de cursos, para empezar desde cero con Python y terminar con Análisis de datos avanzado con Machine Learning. Da clic aquí para más información. Puedes usar el cupón MR2021 para obtener un 50% de descuento en tu primer año.
Fue un trabajo conjunto y lleno de mucha data
La revista especializada en investigaciones científicas Public Library of Science (PLOS) One, refiere que tomaron en cuenta la base de datos públicamente disponible de pacientes con COVID-19 del Gobierno Federal de México y una compilación de datos del informe que fueron proporcionados por el Sistema Nacional de Vigilancia Epidemiológica, comprendido de 475 unidades de vigilancia de la salud de enfermedades respiratorias virales (USMER) distribuidas en todo el país. Los USMER se eligen teniendo en cuenta factores demográficos y climáticos que pueden provocar variaciones en las condiciones de transmisión.
Los algoritmos obtenidos fueron entrenados con esta base de datos, cerca de 4 millones de pacientes registrados en instalaciones médicas públicas y privadas, incluidos hospitales, clínicas y laboratorios clínicos en los 32 estados al 31 de enero del 2021, incluyendo defunciones y personas que tenían una infección confirmada o que presentaban síntomas, lo que indicaba una posible infección.
Se tomaron en cuenta 3 categorías bastante extensas de describir, comprendidas por información sobre: historial médico del paciente, demografía e información médica actual o de seguimiento.
Una cuarta categoría exhibiría un alto poder predictivo como parte del algoritmo de clasificación de pacientes, incluiría mayor información sobre el seguimiento de los síntomas, pero no está disponible actualmente en la base de datos de disposición pública.
Bioestadística y Neural networks, la base de todo
Nos podríamos adentrar al mundo de la Bioestadística, la inferencia bayesiana, la prueba de hipótesis, el análisis de varianza y las técnicas de regresión, pero tomaríamos otro rumbo así que vamos de una vez con los Neural networks, o red neuronal capaz de entrenar con un gran volumen de datos y en donde le daremos a los algoritmos la capacidad de aprender gracias a la metodología Machine Learning, explicada por el Dr. Alfred Barry U’Ren Cortés Investigador del Comite Tecnico Academico del Instituto de Ciencias Nucleares de la UNAM:
Entonces tenemos 21 características que son las que tienen mayor poder predictivo, y que ayudan a clasificar a los pacientes en dos categorías: los que tienen mayor posibilidad de vivir y los que tienen más probabilidad de fallecer, y se entrena una red neuronal diferente para cada una de las etapas clínicas. En imagen:
Un aporte como este, con hasta 93.5% de eficiencia, podrá evitar sin duda alguna colapsos futuros en el sistema hospitalario del país y ser replicado seguramente con la incorporación de datos adicionales en futuras investigaciones.
Respuestas