medigraphic.com
ISSN 1561-3127 (Digital)
ISSN 0864-3466 (Impreso)

2020, Número 4

<< Anterior Siguiente >>

Revista Cubana de Salud Pública 2020; 46 (4)


Sistema de apoyo al diagnóstico médico de COVID-19 mediante mapa cognitivo difuso

Mar CO, Gulín GJ, Bron FB, Garcés EJV

Idioma: Español
Referencias bibliográficas: 42
Paginas: 1-23
Archivo PDF: 977.76 Kb.


RESUMEN

Introducción: Los escenarios de convivencia de las diversas poblaciones son muy complejos, lo que contribuye con la propagación de enfermedades. Diagnosticar tempranamente enfermedades infecciosas representa una tarea fundamental para disminuir su propagación y evitar epidemias. Sin embargo, la inconsistencia en los datos de poblaciones y la imposibilidad de contar con un diagnóstico oportuno en muchos casos trae como consecuencia la proliferación de pandemias tales como la COVID-19.
Objetivo: Desarrollar un sistema de apoyo al diagnóstico médico para COVID-19 a partir de la modelación de las relaciones causales de los criterios de diagnóstico, para conformar el mapa cognitivo difuso.
Métodos: Para el desarrollo de la investigación se utilizaron métodos teóricos, empíricos y estadísticos, tales como: analítico-sintético, inductivo-deductivo, hipotético-deductivo, modelación. Como método empírico se utilizó la entrevista semiestructurada con la intención de recoger información que permitiera incluir contenidos no prescritos y precisar el conocimiento de los expertos sobre los principales indicadores para la toma de decisiones en el diagnóstico médico de la COVID-19.
Resultados: El sistema funciona a través de un mapa cognitivo difuso para modelar las relaciones causales que representan la base de la inferencia. Se utilizan técnicas de inteligencia artificial como base al diagnóstico médico. Se presenta un ejemplo demostrativo para el diagnóstico médico de la COVID-19 en el que se modelan las relaciones causales de los diferentes conceptos que describen la enfermedad provocada.
Conclusiones: El sistema diseñado constituye una herramienta viable de apoyo a la toma de decisiones en el diagnóstico médico de la COVID-19, que permite obtener criterios evaluativos a partir de la modelación de las relaciones causales, esto lo hace extensible a otros tipos de situaciones de emergencias sanitarias.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Bai Y, Yao L, Wei T, Tian F, Jin DY, Chen L, et al. Presumed asymptomatic carrier transmission of COVID-19. Jama. 2020 acceso 15/04/2020;323(14)1406-07. Disponible en: https://jamanetwork.com/journals/jama/fullarticle/2762028]

  2. WHO. Coronavirus disease 2019 (COVID-19): situation report, 67. Ginebra: WHO; 2020. acceso 15/04/2020. Disponible en: Disponible en: https://apps.who.int/iris/bitstream/handle/10665/331685/nCoVsitrep01Apr2020-eng.pdf]

  3. Xu Z, Shi L, Wang Y, Zhang J, Huang L, Zhang C, et al. Pathological findings of COVID-19 associated with acute respiratory distress syndrome. The Lancet respiratory medicine. 2020;8(4):420-422. DOI: 10.1016/S2213-2600(20)30076-X]

  4. Gao J, Tian Z, Yang X. Breakthrough: Chloroquine phosphate has shown apparent efficacy in treatment of COVID-19 associated pneumonia in clinical studies. BioScience Trends 2020;14(1):72-73. DOI: 10.5582/bst.2020.01047]

  5. Vila J, Gómez MD, Salavert M, Bosch J. Métodos de diagnóstico rápido en microbiología clínica: necesidades clínicas. Enfermedades Infecciosas Y Microbiología Clínica. 2017 acceso 15/04/2020;35(1):41-6. Disponible en: https://www.sciencedirect.com/science/article/pii/S0213005X16303500]

  6. Díaz OD, González NO. Manual para el diagnóstico y tratamiento del paciente diabético a nivel primario de salud. La Habana: Ecimed; 2016 acceso 15/04/2020. Disponible en: Disponible en: http://www.bvs.sld.cu/libros/manual_diag_ttmo_paciente_diabetico/manual_diag_ttmo_pte_diabetico_completo.pdf]

  7. Arenas Gallego A, Calderon Castro IP, Garcia C, Franko J. Responsabilidad del estado frente a los diagnósticos médicos erróneos en la prestación de servicios de salud. Colombia: Ediciones Universidad Simón Bolívar; 2018 acceso 15/04/2020. Disponible en: Disponible en: https://bonga.unisimon.edu.co/bitstream/handle/20.500.12442/3156/Resumen.pdf?sequence=4&isAllowed=y]

  8. Arribasa MM, Riverob A, Fernández E, Povedad T, Caylàe JA. Enfermedades infecciosas y microbiología clínica. Enfermedades Infecciosas y Microbiología Clínica. 2018 acceso 15/04/2020;36(Supl 1): 3-9. Disponible en: https://viivhealthcare.com/content/dam/cf-viiv/viiv-healthcare/es_ES/documents/Monografico%20SEIMC%20%202018.pdf#page=6]

  9. Lejarazu L, Rello SR, Muñoz IS. Retos diagnósticos de la gripe. Enfermedades Infecciosas y Microbiología Clínica. 2019 acceso 15/04/2020;37:47-55. Disponible en: https://www.sciencedirect.com/science/article/pii/S0213005X1930182X]

  10. Fuster VDE, Boigues FJ, Vidal A, Pastor JI. Redes bayesianas y diagnóstico médico. Una forma diferente de aprender probabilidades condicionadas. Modelling in Science Education and Learning. 2019 acceso 15/04/2020;12(2):59-76. Disponible en: https://polipapers.upv.es/index.php/MSEL/article/download/10830/11695]

  11. Ventura G, Junior F, Peña Membrillo BO. Sistema Experto Médico para Mejorar el Diagnóstico de Pacientes con Depresión del CSM Santa Lucia de Moche. [tesis de ingeniería]. [Perú]: Universidad César Vallejo; 2018. [acceso 15/04/2020]. Disponible en: http://repositorio.ucv.edu.pe/bitstream/handle/20.500.12692/38474/gupioc_vf.pdf?sequence=1]

  12. Herbert S. The New Science of Management Decision. New York: Sage Publications, Inc; 1960. acceso 15/04/2020. Disponible en: Disponible en: https://psycnet.apa.org/record/2009-05849-000]

  13. Enrique B, Franklin F. Toma de decisiones empresariales. Contabilidad y Negocios 2011;6(11):113-20.]

  14. Martínez E. Evaluación y decisión multicriterio: reflexiones y experiencias. UNESCO: Editorial Universidad de Santiago; 1998. acceso 15/04/2020. Disponible en: Disponible en: http://www.cs.put.poznan.pl/ewgmcda/pdf/MartinexBook.pdf]

  15. Leyva M. Modelo de ayuda a la toma de decisiones basado en Mapas Cognitivos Difusos tesis de doctorado. La Habana: Universidad de las Ciencias Informáticas; 2013.]

  16. Clemen RT, Reilly T. Making hard decisions with Decision Tools. 2nd rev edition Australia: Duxbury/Thomson. Pacific Grove, CA: Duxbury Press R T; 2001. acceso 15/04/2020. Disponible en: Disponible en: https://books.google.com.cu/books?hl=es&lr=&id=CNMbBQAAQBAJ&oi=fnd&pg=PP1&dq=Making+hard+decisions+with+DecisionTools.+&ots=WRRA8ropIt&sig=ne58jQb9jDLw8NBDmM9Vwa16JtI&redir_esc=y#v=onepage&q=Making%20hard%20decisions%20with%20DecisionTools.&f=false]

  17. Rocchi L, Paolotti L, Rosati A, Boggia A, Castellini C. Assessing the sustainability of different poultry production systems: A multicriteria approach. Journal of cleaner production. 2019 acceso 15/04/2020;211:103-14. Disponible en: https://www.sciencedirect.com/science/article/pii/S0959652618334139]

  18. Moghadas M, Asadzadeh A, Vafeidis A, Fekete A, Kotter T. A multi-criteria approach for assessing urban flood resilience in Tehran, Iran. International journal of disaster risk reduction. 2019 acceso 15/04/2020;35:101069. Disponible en: https://www.sciencedirect.com/science/article/pii/S2212420918308021]

  19. Bagdanavicute I, Kelpsaite-Rimkiene L, Galiniene J, Soomere T. Index based multi-criteria approach to coastal risk assesment. J Coast Conserv. 2019;23(4):785-800. DOI: 10.1007/s11852-018-0638-5]

  20. Efe B. Fuzzy cognitive map based quality function deployment approach for dishwasher machine selection. Applied Soft Computing. 2019 acceso 15/04/2020;83:105660. Disponible en: https://www.sciencedirect.com/science/article/pii/S1568494619304405]

  21. Portilla ICB, Sánchez ICH, Tarquino IR. Diffuse cognitive maps for analysis of vulnerability to climate variability in Andean rural micro-watersheds. Dyna. 2020 acceso 15/04/2020;87(212):38-46. Disponible en: http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0012-73532020000100038]

  22. Zhang Y, Qin J, Shi P, Kang Y. High-order intuitionistic fuzzy cognitive map based on evidential reasoning theory. IEEE Transactions on Fuzzy Systems. 2018 acceso 15/04/2020;27(1):16-30. Disponible en: https://ieeexplore.ieee.org/abstract/document/8408491/]

  23. Nápoles G, Espinosa M, Grau I, Vanhoof K, Bello R. Fuzzy cognitive maps based models for pattern classification: Advances and challenges. In Soft Computing Based Optimization and Decision Models. p. 83-98 Springer, Cham; 2018 DOI: 10.1007/978-3-319-64286-4_5]

  24. McCauley SM, Christiansen MH. Language learning as language use: A cross-linguistic model of child language development. Psychological review. 2019 acceso 15/04/2020;126(1):1. Disponible en: http://livrepository.liverpool.ac.uk/3028272/1/McCauley_Christiansen_in_press_Psych_Rev.pdf]

  25. Wu Z, Xu J, Jiang X, Zhong L. Two MAGDM models based on hesitant fuzzy linguistic term sets with possibility distributions: VIKOR and TOPSIS. Information Sciences. 2019 acceso 15/04/2020;473:101-20. Disponible en: https://www.sciencedirect.com/science/article/pii/S0020025516322034]

  26. Leyva-Vázquez M, Pérez-Teruel K, Febles-Estrada A, Gulín-González J. Modelo para el análisis de escenarios basado en mapas cognitivos difusos: estudio de caso en software biomédico. Ingeniería y Universidad. 2013 acceso 15/04/2020;17:375-90. Disponible en: https://www.redalyc.org/pdf/477/47728826007.pdf]

  27. Papageorgiou K, Singh PK, Papageorgiou E, Chudasama H, Bochtis D, Stamoulis G. Fuzzy Cognitive Map-Based Sustainable Socio-Economic Development Planning for Rural Communities. Sustainability. 2019 acceso 15/04/2020;12(1):1-31. Disponible en: https://www.mdpi.com/2071-1050/12/1/305/pdf]

  28. Mar O, Ching I, Gulín J. Competency assessment model for a virtual laboratory system at distance using fuzzy cognitive map. Investigación Operacional. 2018 acceso 15/04/2020;38(2):169-77. Disponible en: http://www.invoperacional.uh.cu/index.php/InvOp/article/download/541/503]

  29. Mar O, Gulín J. Modelo para la evaluación de habilidades profesionales en un sistema de laboratorios a distancia. Revista científica. 2018 acceso 15/04/2020;3(33):332-43. Disponible en: https://dialnet.unirioja.es/descarga/articulo/7021279.pdf]

  30. Anninou AP, Groumpos PP. A new mathematical model for fuzzy cognitive maps-application to medical problems. Ingeniería de Sistemas y Tecnología de la Información, 2019 acceso 15/04/2020;1(1):63-6. Disponible en: http://siit.ugatu.su/index.php/journal/article/viewFile/10/25]

  31. Khodadadi M, Shayanfar H, Maghooli K, Mazinan AH. Fuzzy cognitive map based approach for determining the risk of ischemic stroke. IET systems biology. 2019 acceso 15/04/2020;13(6):297-304. Disponible en: https://digital-library.theiet.org/content/journals/10.1049/iet-syb.2018.5128]

  32. White E, Mazlack J. Discerning suicide notes causality using fuzzy cognitive maps. IEEE International Conference on Fuzzy Systems (FUZZ-IEEE 2011). Taipei; 2011, p 2940-2947 DOI:10.1109/FUZZY.2011.6007692]

  33. Vasquez MYL, Veloz GSD, Saleh SH, Roman AMA, Flores RMA. A model for a cardiac disease diagnosis based on computing with word and competitive fuzzy cognitive maps. Revista de la Facultad de Ciencias Médicas de la Universidad de Guayaquil. 2018 acceso 15/04/2020;19(1). Disponible en: https://www.revistas.ug.edu.ec/revistas/index.php/RFCM/article/viewFile/10/100]

  34. Ladeira MJ, Ferreira FA, Ferreira JJ, Fang W, Falcão PF, Rosa ÁA. Exploring the determinants of digital entrepreneurship using fuzzy cognitive maps. International Entrepreneurship and Management Journal. 2019 acceso 15/04/2020;15(4):1077-101. Disponible en: https://link.springer.com/article/10.1007/s11365-019-00574-9]

  35. Miao Y, Liu ZQ, Siew CK, Miao CY. Dynamical cognitive network-an extension of fuzzy cognitive map. IEEE transactions on Fuzzy Systems. 2001 acceso 15/04/2020;9(5):760-70. Disponible en: Disponible en: https://ieeexplore.ieee.org/abstract/document/963762/]

  36. Amer M, Jetter A, Daim T. Development of fuzzy cognitive map (FCM) based scenarios for wind energy. International Journal of Energy Sector Management; 2011 acceso 15/04/2020;5(4):564-84 DOI: 10.1108/17506221111186378]

  37. Giordano R, Vurro M. Fuzzy Cognitive Map to Support Conflict Analysis in Drought Management In: Glykas M. (eds) Fuzzy Cognitive Maps. Studies in Fuzziness and Soft Computing. Berlin, Heidelberg: Springer; 2010. vol 247. p 403-425. DOI: 10.1007/978-3-642-03220-2_17]

  38. Konar A, Chakraborty UK. Reasoning and unsupervised learning in a fuzzy cognitive map. Information Sciences. 2005 acceso 15/04/2020;170(2-4):419-41. Disponible en: https://www.sciencedirect.com/science/article/pii/S0020025504000945]

  39. Felix G, Nápoles G, Falcon R, Froelich W, Vanhoof K, Bello R. A review on methods and software for fuzzy cognitive maps. Artificial Intelligence Review. 2019 acceso 15/04/2020;52(3):1707-37. Disponible en: https://link.springer.com/article/10.1007/s10462-017-9575-1]

  40. Alizadeh S, Ghazanfari M. Learning FCM by chaotic simulated annealing. Chaos, Solitons & Fractals. 2009 acceso 15/04/2020;41(3):1182-90. Disponible en: https://www.sciencedirect.com/science/article/pii/S0960077908002373]

  41. Song H, Miao C, Shen Z, Roel W, Maja D, Francky C. Design of fuzzy cognitive maps using neural networks for predicting chaotic time series. Neural Networks. 2010 acceso 15/04/2020;23(10):1264-75. Disponible en: http://www.dl.edi-info.ir/Design%20of%20fuzzy%20cognitive%20maps%20using%20neural%20networks%20for%20predicting%20chaotic%20time%20series.pdf]

  42. Fukuoka Y. Artificial Neural Networks in Medical Diagnosis. In: Schmitt M., Teodorescu HN, Jain A, Jain S, Jain LC. (eds) Computational Intelligence Processing in Medical Diagnosis. Studies in Fuzziness and Soft Computing. Alemania: Physica, Heidelberg; 2002. vol 96. DOI: 10.1007/978-3-7908-1788-1_8]




2020     |     www.medigraphic.com