Modelos explicables de Aprendizaje Automático para la predicción de complicaciones perinatales en mujeres embarazadas con diabetes
Fecha
2021-12-20
Profesor Guía
Formato del documento
Tesis
ORCID Autor
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad de Valparaíso
Ubicación
ISBN
ISSN
item.page.issne
item.page.doiurl
Facultad
Facultad de Ciencias
Departamento o Escuela
Instituto de Estadistica
Determinador
Recolector
Especie
Nota general
Título de Ingeniero Estadístico
Resumen
La diabetes es considerada uno de los desafíos sanitarios de mayor crecimiento del siglo XXI, esto debido al aumento exponencial de esta afección en los últimos 20 años. A continuación se realizará un estudio a 11.100 gestantes que padecen diabetes atendidas entre los años 2015 al 2021 en el hospital San Camilo de la región de Valparaíso, en la provincia de San Felipe. Esto con el objetivo de conocer el impacto de variables clínicas y sociodemográficas en la predicción de las complicaciones perinatales a través de modelos explicables de machine learning.
Del estudio realizado se obtuvo que las variables como el hipotiroidismo, la edad y la obesidad son los factores de riesgo que presentan una mayor asociación con las pacientes diabéticas. Por otro lado, el mejor clasificador para la predicción en la mayoría de las complicaciones resulto ser el bosque aleatorio. Por último, fue posible conocer mediante el método de SHAP el aumento de la probabilidad de presencia de una complicación a través de la interacción entre las variables regresoras.
Descripción
Lugar de Publicación
Auspiciador
Palabras clave
DIABETES GESTACIONAL, VARIABLES (ESTADISTICA), REGRESION LOGISTICA