Barrientos MRE, Cruz RN, Acosta MHG, Rabatte SI, Pavón LP, Gogeascoechea TMC, Blázquez MMSL

Idioma: Español
Referencias bibliográficas: 8
Paginas: 33-37
Archivo PDF: 482.50 Kb.

RESUMEN

En este trabajo, se presenta una evaluación del potencial de Redes Bayesianas para la clasificación de datos médicos. Por su doble naturaleza, cualitativa y cuantitativa, éstas permiten visualizar fácilmente las relaciones probabilistas entre variables de interés así como realizar inferencias como predicción, diagnóstico y toma de decisiones. Razones por las cuales, la medicina ha recurrido a ellas para el análisis y procesamiento de datos. La evaluación que se llevó a cabo de las Redes Bayesianas consistió en el procesamiento de bases de datos relacionadas con padecimientos médicos tales como Cáncer de Mama, Tumores Cancerígenos, Diabetes y Hepatitis. Este procesamiento se realizó utilizando algoritmos cuyo proceso de clasificación está basado en Redes Bayesianas. Lo anterior, se realizó con la finalidad de que los resultados obtenidos en el proceso de clasificación, permitan determinar si las Redes Bayesianas son una herramienta eficaz y confiable en la toma de decisiones en lo que al ámbito médico se refiere y poder convertirse en un auxiliar en el diagnóstico y tratamiento médicos.

REFERENCIAS (EN ESTE ARTÍCULO)

1. Heckerman D., Geiger D. and Chickering, D. Learning Bayesian Networks: The Combination of Knowledge and Statistical Data. Machine Learning 20, 1995; 197-243.

2. Jiménez-Andrade JL, BayesN: Un Algoritmo para Aprender Redes Bayesianas Clasificadoras a partir de datos. Tesis de Maestría en Inteligencia Artificial. Xalapa, Ver.: Facultad de Física e Inteligencia Artificial, U.V., 2003; 1-10.

3. Witten I. and Frank E., Data Mining: Practical Machine Learning Tools and Techniques. 2da. Edición Elsevier 2005.

4. Cruz-Ramírez N, Acosta-Mesa HG, Barrientos- Martínez RE and Nava-Fernández LA. How Good are Bayesian Information Criterion and the Minimun Description Lenght Principle for Model Selection? A Bayesian Networks Analysis. Advances in Artificial Intelligence. Vol. 4293, 2006; 494-504.

5. Pagina Web del repositorio de datos de la Universidad de California, http://kdd.ics.uci.edu/.

6. Gutierrez-Fragoso K, Análisis del comportamiento de MDL en el contexto del aprendizaje de la estructura de Redes Bayesianas a partir de datos. Tesis de Maestría en Inteligencia Artificial. Xalapa, Ver.: Facultad de Física e Inteligencia Artificial, U.V., 2007.

7. Cruz-Ramírez N, Acosta-Mesa HG, Carrillo-Calvet H, Nava-Fernández LA and Barrientos-Martínez RE. Diagnosis of Breast Cancer using Bayesian Networks: A case study. Computers in Biology and Medicine. Vol. 37, 2007; 1553-1564.

8. Pérez A, Larrañaga P and Inza I. Modelos gráficos probabilísticos para la clasificación supervisada empleando la estimación basada en kernels Gaussianos esféricos. III Taller Nacional de Minería de Datos y Aprendizaje. 2005; 125-134.