Entrenamiento prospectivo y prueba de una red neural artificial como auxiliar diagnóstico en el dolor abdominal agudo en un servicio de urgencias

Carlos M Cardozo Zepeda; Francisco Guadarrama Quijada; Jesús Reyes Corona; Rosamelia Fernández Capistrán; Dora M  Becerra; Manuel Adolfo Hernández; Miguel Lázaro León; Jesús Martínez Sánchez

2000, Número 5

Siguiente >>

Med Crit 2000; 14 (5)

Entrenamiento prospectivo y prueba de una red neural artificial como auxiliar diagnóstico en el dolor abdominal agudo en un servicio de urgencias

Cardozo ZCM, Guadarrama QF, Reyes CJ, Fernández CR, Becerra DM, Adolfo HM, Lázaro LM, Martínez SJ

Texto completo

Cómo citar este artículo

Artículos similares

Idioma: Español
Referencias bibliográficas: 24
Paginas: 159-164
Archivo PDF: 169.90 Kb.

RESUMEN

Objetivo: Investigar el valor de una red neural artificial (RNA) para predecir la necesidad de tratamiento quirúrgico en pacientes con dolor abdominal agudo.
Diseño: Reporte de casos.
Lugar: Servicio de Urgencias de un centro médico privado de la Ciudad de México.
Pacientes: Un total de 130 pacientes con dolor abdominal agudo.
Intervenciones: Ninguna.
Métodos: Se construyó una RNA con 14 parámetros de entrada, 13 capas ocultas y un parámetro de salida. Los parámetros de entrada incluyeron datos clínicos y de laboratorio colectados por los médicos del servicio de urgencias. La RNA fue entrenada en 65 pacientes y probada en otros 65.
Resultados: La RNA predijo correctamente el diagnóstico en 100% (18/18) de los pacientes quirúrgicos y en 95% (45/47) de los pacientes médicos de la RNA probada.
Conclusión: Estos resultados sugieren que la RNA puede ser útil en el diagnóstico de dolor abdominal agudo.

REFERENCIAS (EN ESTE ARTÍCULO)

Gill BD, Jenkins JR. Cost-effective evaluation and management of the acute abdomen. Surg Clin North Am 1996;76(1): 71-82.
Szolovits P, Patil RS, Schwartz WB. Artificial intelligence in medical diagnosis. Ann Intern Med 1988; 108: 80-87.
Baxt WG, Skora J. Prospective validation of artificial neural network trained to identify acute myocardial infarction.Lancet 1996; 6(347): 12-14.
Scott JA, Fisher RE, Palmer EL. Neural networks in ventilation-perfusion imaging. Part II. Effects of interpretive variability. Radiology 1996;198(3): 707-713.
Cross SS, Harrison RF, Kennedy L. Introduction to neural networks. Lancet 1997;346(12):1075-1079.
Gurriere MR, Detsky AS. Neural networks: What are they. Ann Intern Med 1991;115(11): 906-907.
Baxt WG. Use of an artificial neural network for the diagnosis of myocardial infarction. Ann Intern Med 1991; 115(11): 843-848.
Principe JC, Lefebvre WC, Euliano NR. Data fitting with linear models. In: Neural Systems: Fundamentals through simulation. Principe, 1996.
Reggia JA, Tuhrim S (eds). Computer assisted medical decision making. In: Computers and medicine. New York: Springer-Verlag, 1985.
De-Dombal FT. Computer-aided decision support-glittering prospects, practical problems, and Pandora’s box. Baillieres Clin Obstet Gynaecol 1990;4(4): 841-849.
Baxt WG. Application of neural networks to clinical medicine. Lancet 1995;346:1135-1138.
Baxt WG, Skora J. Prospective validation of artificial neural network trained to identify acute myocardial infarction. Lancet 1996;6(347):12-14.
McAdam WA, Brock BM, Armitage T, Davenport P, Chan M, de-Dombal FT. Twelve years’ experience of computeraided diagnosis in a district general hospital. Ann R Coll Surg Engl 1980; 72(2):140-146.
Anatol TI, Holder Y. A scoring system for use in the diagnosis of acute abdominal pain in childhood. West Indian Med J 1995;44(2):67-69.
Eberhart RC, Dobbins RW, Hutton LV. Neural network paradigm comparisons for appendicitis diagnosis. In: Proceedings of the Fourth Anual IEEE Symposium on Computer-Based Medical Systems 1991;298:304.
Somoza E, Somoza JR. A neural-network approach to predicting admission decisions in a psychiatric emergency room. Med Desis Making 1993;13:273-280.
Skabo Z, Kao PF, Mathews WB, Ravert HT, Musachio JL, Scheffel U, Dannals RF. Positron emission tomography of 5-HT reuptake sites in the human brain with C-11 McN5652 extraction of characteristic images by artificial neural network analysis. Behav Brain Res 1996;73(1-2):221-224.
Edenbrant L, Heden B, Pahlm O. Neural networks for analysis of ECG complexes. J Electrocardiol 1993;26:74.
Klopel B. Aplication of neural networks for EEG analysis considerations and first results. Neuropsychobiology 1994;29:39-46.
Doig GS et al. Modeling mortality in the intensive care unit. Comparing the performance of a back-propagation associative-learning neural network with multivariate logistic regression. In: Proceedings of the Fifth Annual Symposiumon Computers applied to Medical Care 1993;361:65.
Ebell MH. Artificial neural networks for predicting failure to survive following in-hospital cardiopulmonary resuscitation. J Fam Pract 1993;36:297-303.
De Dombal FT, Leaper DJ, Staniland JR et al. Computeraided diagnosis of acute abdominal pain. Br Med J 1972;2:9-13.
Horrocks JC, McCann AP, Staniland JR et al. Computeraided diagnosis: Description of an adaptable system and operation experience with 2,043 cases. Br Med J 1972;2:5-9.
Kazmierczak SC, Catrou PG, Van Lente F. Diagnostic accuracy of pancreatic enzymes evaluated by use of multivariate data analysis. Clin Chem 1993;39(9):1960-1965.