Aplicación de redes neuronales para la clasificación de los niveles de tensión arterial en pacientes de Ocaña – Norte de Santander
DOI:
https://doi.org/10.24054/rcta.v1i41.2415Palabras clave:
Modelo, Neurona, Nivel, Red, TensiónResumen
El objetivo de esta investigación es modelar el comportamiento de la tensión arterial teniendo en cuenta dos factores como edad y género en pacientes de la ciudad de Ocaña – Norte de Santander. Para el desarrollo del proyecto se tienen en cuenta las etapas fundamentales del análisis de datos: adecuación de la base de datos, análisis exploratorio, comprobación de modelos de inteligencia artificial con redes neuronales clasificatorias; el carácter de la investigación es exploratoria con un enfoque cuantitativo y diseño no experimental. Se probaron varios modelos de redes neuronales con diferentes números de capas ocultas y cantidad de neuronas; se encontró que el modelo con mayor precisión era con dos capas ocultas de 100 neuronas cada una, lo que lograba una precisión de 87%. En conclusión, se pudo determinar un modelo de redes neuronales que, con las características de género y edad, más tensión diastólica y sistólica, puede clasificar al paciente en los niveles hipotensión, hipertensión, normal, optima, hipertensión sistólica o detectar alguna anomalía.
Descargas
Citas
Alghamdi, A. S., Polat, K., Alghoson, A., Alshdadi, A. A., & Abd El-Latif, A. A. (2020). A novel blood pressure estimation method based on the classification of oscillometric waveforms using machine-learning methods. Applied Acoustics, 164. https://doi.org/10.1016/j.apacoust.2020.107279 DOI: https://doi.org/10.1016/j.apacoust.2020.107279
Andía, M. E., Arrieta, C., & Sing Long, C. A. (2019). A conceptual guide to use and understand Big Data in clinical research. En Revista Medica Clinica Las Condes (Vol. 30, Número 1, pp. 83–94). Ediciones Doyma, S.L. https://doi.org/10.1016/j.rmclc.2018.11.003 DOI: https://doi.org/10.1016/j.rmclc.2018.11.003
Ávila-Tomás, J. F., Mayer-Pujadas, M. A., & Quesada-Varela, V. J. (2021). Artificial intelligence and its applications in medicine II: Current importance and practical applications. Atencion Primaria, 53(1), 81–88. https://doi.org/10.1016/j.aprim.2020.04.014 DOI: https://doi.org/10.1016/j.aprim.2020.04.014
Bukhari, M. M., Alkhamees, B. F., Hussain, S., Gumaei, A., Assiri, A., & Ullah, S. S. (2021). An Improved Artificial Neural Network Model for Effective Diabetes Prediction. Complexity, 2021. https://doi.org/10.1155/2021/5525271 DOI: https://doi.org/10.1155/2021/5525271
Delgado Karina, Ledesma Sergio, & Rostro Horacio. (2019). Análisis de electroencefalograma usando redes neuronales artificiales. Multidisciplinary Science Journal, 29, 1–24. DOI: https://doi.org/10.15174/au.2019.1672
Esmaelpoor, J., Moradi, M. H., & Kadkhodamohammadi, A. (2020). A multistage deep neural network model for blood pressure estimation using photoplethysmogram signals. Computers in Biology and Medicine, 120. https://doi.org/10.1016/j.compbiomed.2020.103719 DOI: https://doi.org/10.1016/j.compbiomed.2020.103719
Hill, B. L., Rakocz, N., Rudas, Á., Chiang, J. N., Wang, S., Hofer, I., Cannesson, M., & Halperin, E. (2021). Imputation of the continuous arterial line blood pressure waveform from non-invasive measurements using deep learning. Scientific Reports, 11(1). https://doi.org/10.1038/s41598-021-94913-y DOI: https://doi.org/10.1038/s41598-021-94913-y
López-Martínez, F., Núñez-Valdez, E. R., Crespo, R. G., & García-Díaz, V. (2020). An artificial neural network approach for predicting hypertension using NHANES data. Scientific Reports, 10(1). https://doi.org/10.1038/s41598-020-67640-z DOI: https://doi.org/10.1038/s41598-020-67640-z
Martinez-Ríos, E., Montesinos, L., Alfaro-Ponce, M., & Pecchia, L. (2021). A review of machine learning in hypertension detection and blood pressure estimation based on clinical and physiological data. En Biomedical Signal Processing and Control (Vol. 68). Elsevier Ltd. https://doi.org/10.1016/j.bspc.2021.102813 DOI: https://doi.org/10.1016/j.bspc.2021.102813
Sarmiento-Ramos, J. L. (2020). Aplicaciones de las redes neuronales y el deep learning a la ingeniería biomédica. Revista UIS Ingenierías, 19(4), 1–18. https://doi.org/10.18273/revuin.v19n4-2020001 DOI: https://doi.org/10.18273/revuin.v19n4-2020001
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Karla Yohana Sánchez Mojica, Ariel Fernández Gualdron, Ericson Suarez Gutierrez, José Alejandro Neira Díaz

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.