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
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
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
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
Delgado Karina, Ledesma Sergio, & Rostro Horacio. (2019). Análisis de electroencefalograma usando redes neuronales artificiales. Multidisciplinary Science Journal, 29, 1–24.
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
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
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
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
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
Descargas
Publicado
Versiones
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 REVISTA COLOMBIANA DE TECNOLOGIAS DE AVANZADA (RCTA)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
