medigraphic.com
ISSN 1684-1859 (Impreso)

2019, Número 1

<< Anterior Siguiente >>

Revista Cubana de Informática Médica 2019; 11 (1)


Diagnóstico del riesgo de hipertensión arterial en niños aplicando sistemas neuroborrosos

Morales HA, Casas CG, González REF

Idioma: Español
Referencias bibliográficas: 20
Paginas: 33-46
Archivo PDF: 716.60 Kb.


RESUMEN

La prevención de la hipertensión arterial no siempre es trasladada a la edad pediátrica y muchos de los algoritmos de clasificación aplicados a su diagnóstico no ofrecen información relevante. El objetivo del presente trabajo es diagnosticar el riesgo de hipertensión arterial en niños mediante el empleo de sistemas neuroborrosos. Fueron aplicados tres sistemas neuroborrosos al diagnóstico de esta enfermedad y los datos de experimentación fueron obtenidos por el proyecto PROCDEC de escolares en Santa Clara, Cuba. Se analizaron 24 variables en 624 niños de 8 a 11 años, clasificados en normotensos y en riesgo de padecer hipertensión. Tras aplicar los sistemas neuroborrosos de estudio, se evaluó el desempeño de cada uno de ellos y se analizaron las reglas generadas durante el entrenamiento del mejor. Fue determinado que con el algoritmo NSLV se obtienen un conjunto de reglas que facilitan el diagnóstico del riesgo de hipertensión arterial en niños.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Mancia G, Fagard R, Narkiewicz K, Redon J, Zanchetti A, Böhm M, et al. 2013 ESH/ESC guidelines for the management of arterial hypertension: the Task Force for the Management of Arterial Hypertension of the European Society of Hypertension (ESH) and of the European Society of Cardiology (ESC). Blood pressure. 2013;22(4):193-278.

  2. Lurbe E, Cifkova R, Cruickshank JK, Dillon MJ, Ferreira I, Invitti C, et al. Management of high blood pressure in children and adolescents: recommendations of the European Society of Hypertension. Journal of hypertension. 2009;27(9):1719-42.

  3. Santi M, Simonetti BG, Leoni-Foglia CF, Bianchetti MG, Simonetti GD. Arterial hypertension in children. Current opinion in cardiology. 2015;30(4):403-10.

  4. Rosas-Peralta M, Medina-Concebida LE, Borrayo-Sánchez G, Madrid-Miller A, Ramírez-Arias E, Pérez-Rodríguez G. Hipertensión arterial sistémica en el niño y adolescente. Revista Médica del Instituto Mexicano del Seguro Social. 2016;54(1).

  5. Sans S, Fitzgerald AP, Royo D, Conroy R, Graham I. Calibración de la tabla SCORE de riesgo cardiovascular para España. Revista española de cardiología. 2007;60(5):476-85.

  6. Das S, Ghosh PK, Kar S, editors. Hypertension diagnosis: a comparative study using fuzzy expert system and neuro fuzzy system. Fuzzy Systems (FUZZ), 2013 IEEE International Conference on; 2013: IEEE.

  7. Smith S. A learning system based on genetic algorithms. Ph D Dissertation (Computer Science), Univ of Pittsburgh. 1980.

  8. Jin Y. Fuzzy modeling of high-dimensional systems: complexity reduction and interpretability improvement. IEEE Transactions on Fuzzy Systems. 2000;8(2):212-21.

  9. Abrishami Z, Tabatabaee H. Design of a fuzzy expert system and a multi-layer neural network system for diagnosis of hypertension. Bull Environ Pharmacol Life Sci. 2015;4:138-45.

  10. Kaur R, Kaur A, editors. Hypertension diagnosis using fuzzy expert system. International Journal of Engineering Research and Applications (IJERA) National Conference on Advances in Engineering and Technology, AET-29th March; 2014.

  11. Kaur A, Bhardwaj A, Been UAH. Genetic neuro fuzzy system for hypertension diagnosis. Heart. 2014;19:25.

  12. Cabrera L, Morales A, Casas G, Denoda L, González E. Multiclasificador para diagnosticar hipertensión arterial infantil combinando algoritmos genéticos con medidas de diversidad. In: Carlos Narciso Bouza Herrera JFGR, María del Mar Rueda García, Agustin Santiago Moreno, editor. Experiencias en la modelación de la toma de decisiones en la salud humana, medio ambiente y desarrollo humano2015. p. 208-25.

  13. Triguero I, González S, Moyano JM, García S, Alcalá-Fdez J, Luengo J, et al. KEEL 3.0: an open source software for multi-stage analysis in data mining. International Journal of Computational Intelligence Systems. 2017;10(1):1238-49.

  14. Ishibuchi H, Nakashima T, Murata T. Performance evaluation of fuzzy classifier systems for multidimensional pattern classification problems. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics). 1999;29(5):601-18.

  15. Booker LB, Goldberg DE, Holland JH. Classifier systems and genetic algorithms. Artificial intelligence. 1989;40(1-3):235-82.

  16. Ishibuchi H, Yamamoto T, Nakashima T. Hybridization of fuzzy GBML approaches for pattern classification problems. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics). 2005;35(2):359-65.

  17. Gonzalez A, Perez R. A learning system of fuzzy control rules based on genetic algorithms. Genetic algorithms and soft computing, Physica-Verlag. 1996:202-25.

  18. González A, Pérez R, Verdegay JL. Learning the structure of a fuzzy rule: a genetic approach. Fuzzy Systems and Artificial Intelligence. 1994;3(1):57-70.

  19. González A, Pérez R. Improving the genetic algorithm of SLAVE. Mathware & Soft Computing. 2009;16(1):59-70.

  20. Yevtushenko SA. System of data analysis “Concept Explorer”. Proceedings of the 7th national conference on Artificial Intelligence KII2000.




2020     |     www.medigraphic.com