medigraphic.com
ISSN 1684-1859 (Impreso)

2022, Número 2

<< Anterior Siguiente >>

Revista Cubana de Informática Médica 2022; 14 (2)


Un sistema experto para el diagnóstico del trastorno depresivo basado en redes neuronales

Pocco K

Idioma: Español
Referencias bibliográficas: 40
Paginas:
Archivo PDF: 673.36 Kb.


RESUMEN

Este trabajo propone un sistema de diagnóstico del trastorno depresivo para el Centro de Salud Juan Pablo II. En este centro los especialistas aplican como método de evaluación el cuestionario BDI-II (Inventario de Depresión de Beck), que limita el proceso de diagnóstico porque solo contempla la sumatoria de un puntaje como resultado final. Por lo tanto, para mejorar el método de evaluación se propone la construcción de un modelo de diagnóstico basado en redes neuronales y la adaptación del cuestionario BDI-II recopilando ítems del cuestionario asociados a sus respectivos factores establecidos: emocional, cognitivo, físico y de motivación siendo las variables de entrada de la primera capa. El modelo tiene tres capas ocultas y finalmente se obtendrá una capa de salida con el diagnostico general y específico que detallará el resultado del paciente a fin de que el especialista realice un plan personalizado de tratamiento que se ajuste mejor a las necesidades del paciente.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Bromet, Laura Helena Andrade, Irving Hwang, Nancy A Sampson, Jordi Alonso, Giovanni de Girolamo, et al. Cross-national epidemiology of DSM-IV major depressive episode. BMC Med ENT#091;InternetENT#093;. 2011;9(90):1-16. Available from: http://www.biomedcentral.com/1741-7015/9/9030e793%40sessionmgr40061.

  2. Ramírez-Ortiz J, Castro-Quintero D, Lerma-Córdoba C, Yela-Ceballos F, Escobar-Córdoba F. Consecuencias De La Pandemia Covid 19 En La Salud Mental Asociadas Al Aislamiento Social. Rev Colomb Anestesiol. 2020;48(4):1-8.

  3. Hernández Rodríguez J. Impacto de la COVID-19 sobre la salud mental de las personas. Medicentro Electrónica. 2020;24(3):578-94.

  4. Palomino-oré C, Huarcaya-victoria J. Stress disorders caused by quarantine during the COVID-19 pandemic. Hariz Med. 2020;20(4):e1218.

  5. Yarlequé L, Alva L, Núñez E, Sánchez H, Arenas C, Matalinares M, et al. Efectos Psicológicos de la Pandemia Covid 19 en Estudiantes Unversitarios del Perú ENT#091;InternetENT#093;. Investigaciones en Salud Mental en condiciones de pandemia por el covid-19. 2020. 127-138 p. Available from: http://repositorio.urp.edu.pe/handle/URP/33115.

  6. Mingote Adán JC, Gálvez Herrer M, Pino Cuadrado P del, Gutiérrez García MD. El paciente que padece un trastorno depresivo en el trabajo. Med Segur Trab (Madr). 2009;55(214):41-63.

  7. Miras G, Martínez P, de Pablos S, Ruipérez G, Ramírez O, Tundaca SE, et al. Comparación de los sistemas de clasificación de los trastornos mentales: CIE-10 y DSM-IV. Atlas VPM. 2008;220-2.

  8. E. Ekong V, G. Inyang U, A. Onibere E. Intelligent Decision Support System for Depression Diagnosis Based on Neuro-fuzzy-CBR Hybrid. Mod Appl Sci. 2012;6(7):0-0.

  9. Chattopadhyay S. A neuro-fuzzy approach for the diagnosis of depression. Appl Comput Informatics ENT#091;InternetENT#093;. 2017;13(1):10-8. Available from: http://dx.doi.org/10.1016/j.aci.2014.01.0019.

  10. Fale MI, Abdulsalam YG. Dr. Flynxz - A First Aid Mamdani-Sugeno-type fuzzy expert system for differential symptoms-based diagnosis. J King Saud Univ - Comput Inf Sci ENT#091;InternetENT#093;. 2020;(xxxx). Available from: https://doi.org/10.1016/j.jksuci.2020.04.01610.

  11. Mohammadi Motlagh HA, Minaei Bidgoli B, Parvizi Fard AA. Design and implementation of a web-based fuzzy expert system for diagnosing depressive disorder. Appl Intell. 2017;48(5):1302-13.

  12. Calvo Gomez J, Jaramillo Gonzalez L. Deteccion del trastorno depresivo mayor en atencion primaria. Salud Publica ENT#091;InternetENT#093;. 2015;63(3):471-82. Available from: https://revistas.unal.edu.co/index.php/revfacmed/article/view/4642412.

  13. Gruenberg AM, Goldstein RD, Pincus HA. Classification of Depression: Research and Diagnostic Criteria: DSM-IV and ICD-10. Biol Depress From Nov Insights to Ther Strateg. 2008;1-12.

  14. Sanz J, Perdigón AL, Vázquez C. Adaptación española Inventario para la Depresión de Beck-II ( BDI-II ): 2 . Propiedades psicom é tricas en poblaci ó n general The spanish adaptation of Beck ' s Depression Inventory-II ( BDI-II ): Clin y Salud. 2003;14(3):249-80.

  15. Capurro ND, Rada G, Capurro D. MEDICINA BASADA EN EVIDENCIA El proceso diagnóstico. Rev Méd Chile. 2007;135:534-8.

  16. Martín J. Los diagnósticos y el DSM-IV. Fund foro ENT#091;InternetENT#093;. 2006;1-32. Available from: http://fundacionforo.com/pdfs/archivo15.pdf%0Ahttp://www.fundacionforo.com/pdfs/archivo15.pdf16.

  17. Alarcón RD. Towards new diagnostic systems: Process, questions, and dilemmas. Rev Psiquiatr Salud Ment. 2010;3(2):37-9.

  18. Lameda Montero CI. Métodos relacionados con diagnósticos de fallas con síntomas imprecisos mediante comparación de casos. Rev Digit Investig y Postgrado. 2015;5(3):3.

  19. Srivastava AK, Kumar Y, Singh PK. Computer aided diagnostic system based on SVM and K harmonic mean based attribute weighting method. Obes Med ENT#091;InternetENT#093;. 2020;19(August):100270. Available from: https://doi.org/10.1016/j.obmed.2020.10027019.

  20. Eadie LH, Taylor P, Gibson AP. A systematic review of computer-assisted diagnosis in diagnostic cancer imaging. Eur J Radiol ENT#091;InternetENT#093;. 2012;81(1):e70-6. Available from: http://dx.doi.org/10.1016/j.ejrad.2011.01.09820.

  21. Doi K. Computer-Aided Diagnosis in Medical Imaging: Achievements and Challenges. 2009;96-96.

  22. García Leal O, Pedroza Cabrera F. Sistemas basados en conocimiento: Una alternativa poco explorada en psicología. J Behav Heal Soc Issues. 2011;3(1):5.

  23. Mumtaz W, Qayyum A. A deep learning framework for automatic diagnosis of unipolar depression. Int J Med Inform ENT#091;InternetENT#093;. 2019;132(September):103983. Available from: https://doi.org/10.1016/j.ijmedinf.2019.10398323.

  24. Nunes LC, Pinheiro PR, Pequeno TC. An expert system applied to the diagnosis of psychological disorders. Proc - 2009 IEEE Int Conf Intell Comput Intell Syst ICIS 2009. 2009;3(December):363-7.

  25. Li X, La R, Wang Y, Niu J, Zeng S, Sun S, et al. EEG-based mild depression recognition using convolutional neural network. Med Biol Eng Comput. 2019;57(6):1341-52.

  26. Srimadhur NS, Lalitha S. An End-to-End Model for Detection and Assessment of Depression Levels using Speech. Procedia Comput Sci ENT#091;InternetENT#093;. 2020;171(2019):12-21. Available from: https://doi.org/10.1016/j.procs.2020.04.00326.

  27. Yasin S, Hussain SA, Aslan S, Raza I, Muzammel M, Othmani A. EEG based Major Depressive disorder and Bipolar disorder detection using Neural Networks:A review. Comput Methods Programs Biomed. 2021;202.

  28. Uyulan C, Ergüzel TT, Unubol H, Cebi M, Sayar GH, Nezhad Asad M, et al. Major Depressive Disorder Classification Based on Different Convolutional Neural Network Models: Deep Learning Approach. Clin EEG Neurosci. 2021;52(1):38-51.

  29. Vargas Cajahuanca G, Gallegos Cazorla C, Salgado Valenzuela C, Salazar de la Cruz M, Huamán Sánchez K, Bonilla Untiveros C, et al. Guía de práctica clínica basada en evidencias para el tratamiento de depresión en adultos en un hospital especializado en salud mental. Lima, Perú. An la Fac Med. 2019;80(1):123-30.

  30. Muscas C. Special section on applied measurements for power systems. IEEE Trans Instrum Meas. 2011;60(9):3006.

  31. MINSA. Guía técnica para el cuidado de la salud mental del personal de la salud en el contexto del COVID-19. Minist Salud. 2020;38.

  32. Delgado A. Aplicación de las Redes Neuronales en Medicina. Rev la Fac Med. 1999;47(4):221-3.

  33. Pérez Londoño SM, Cadena Zapata JM, Cadena Zapata JA. Probabilistic Neural Networks Application in the Diagnosis of Transformer Incipient Faults. 2008;(39):48-53.

  34. Hurtado-Cortés LL, Villarreal-López E, Villarreal-López L. Detección y diagnóstico de fallas mediante técnicas de inteligencia artificial, un estado del arte Resumen. Dyna. 2016;83(199):19-28.

  35. Mirón Cao A, Anderson LR, Daniel S, Paulino Flores LA, Huayna Dueñas AM, León T. Sistemas Expertos y sus Aplicaciones. Univ Inca Garcilaso la Vega ENT#091;InternetENT#093;. 2019;2(1):1-99. Available from: https://luna16.grand-challenge.org/description/35.

  36. Grossi E, Buscema M. Introduction to artificial neural networks. Eur J Gastroenterol Hepatol. 2007;19(12):1046-54.

  37. Trujillano J, March J, Badia M, Rodríguez A, Sorribas A. Aplicación de las redes neuronales artificiales para la estratificación de riesgo de mortalidad hospitalaria. Gac Sanit. 2003;17(6):504-11.

  38. Abe S. Overview of Neural Networks. Neural Networks Fuzzy Syst. 1997;(April):1-5.

  39. Tia TK. Simulation Model for Rational Unified Process (Rup) Software Development Life Cycle. Sistemasi. 2019;8(1):176.

  40. Rajput S. What are the reasons to choose Laravel MVC for web development?What are Reason to choose Laravel MVC web Dev ENT#091;InternetENT#093;. 2020;1-5. Available from: https://osf.io/fgq3z/40.




2020     |     www.medigraphic.com