Predicción de evolución post covid19 en pacientes, usando herramientas de la big data
DOI:
https://doi.org/10.33936/rehuso.v8i2.5911Palabras clave:
COVID-19, predicción, minería de datos, orange data mining, prevenciónResumen
Esta investigación tiene como objetivo predecir la evolución post COVID-19 en pacientes del Hospital General de Portoviejo (IESS), identificando patrones similares en la propagación de casos futuros de esta enfermedad. Como metodología se efectuó un estudio de tipo descriptivo, retrospectivo, con enfoque cuantitativo y empleo del método de análisis documental, donde se realizó la extracción de información desde la base de datos del referido hospital, en el período 2020-2022. Para el análisis de los datos se utilizó el software Orange Data Mining, que es una herramienta de código abierto con una amplia gama de métodos de análisis de datos y aprendizaje automático. Del total de 18316 pacientes, se trabajó con una muestra intencional de 3678, por contar estos con los datos requeridos para el análisis. Entre los principales resultados se destaca que las personas más propensas a tener Covid, están en el rango de edades entre los 63 y 70 años; el sexo más expuesto es el masculino; los síntomas más comunes por los afectados son la insuficiencia respiratoria y enfermedad renal crónica, cuestiones que ayudan a predecir cuáles serán los pacientes que pudieran ser más propensos a contraer la enfermedad. A modo de conclusión se resalta que la aplicación de herramientas de minería de datos facilita la predicción y evolución futura de enfermedades como la analizada, facilitando la toma de decisiones en materia de prevención y control de la pandemia a las autoridades sanitarias.
Descargas
Citas
Banluesapy S. & Jirapanthong, W. (2022, del 10 al 11 de noviembre). A Prediction Model for Screening COVID-19 Patients [conference]. 2022 6th International Conference on Information Technology (InCIT), Nonthaburi, Thailand. https://10.1109/InCIT56086.2022.10067446.
Byeon, H. (2021). Predicting high-risk groups for COVID-19 anxiety using adaboost and nomogram: Findings from nationwide survey in South Korea. Applied Sciences, 11(21), 1-15. https://doi.org/10.3390/app11219865
Brownlee, J. (2016). Machine Learning Mastery with Python: Understand Your Data, Create Accurate Models, and Work Projects End-to-End. Machine Learning Mastery. https://n9.cl/lnk4v
Herrera, C. E., Lage, D., Betancourt, J., Barreto, E., Sánchez, L., y Crombet, T. (2021). Nomograma de predicción para la estratificación del riesgo en pacientes con COVID-19. European Journal of Health Research:(EJHR), 7(2), 1-19. https://doi.org/10.32457/ejhr.v7i2.1592
Crespo, M. (2019). Análisis de la Encuesta de Salud Nacional y Examen de Nutrición de Estados Unidos (NHANES) usando machine learning. [Tesis de maestría, Universidad Oberta de Catalunya].UOC. https://hdl.handle.net/10609/99127
García, S., Ramírez-Gallego, S., Luengo, J., & Herrera, F. (2016). Big Data: Preprocesamiento y calidad de datos. Big Data monografía, (237), 17-23. https://n9.cl/spesd
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer. https://n9.cl/yumt2
Leung, C. K., Chen, Y., Hoi, C. S.H., Shang, S., Wen, Y. & Cuzzocrea, A. (2020, del 07 al 11 de septiembre). Big Data Visualization and Visual Analytics of COVID-19 Data [conference]. 24th International Conference Information Visualisation (IV). Melbourne, Australia. https://doi.org/10.1109/IV51561.2020.00073
Medel-Ramírez, C. & Medel-López, H. (2020). Data Mining for the Study of the Epidemic (SARS- CoV-2) COVID-19: Algorithm for the Identification of Patients (SARS-CoV-2) COVID 19 in Mexico. SSRN. https://dx.doi.org/10.2139/ssrn.3619549
Naeem, M., Jamal, T., Diaz-Martínez, J., Butt, S. A., Montesano, N., Tariq, M. I., De-La-Hoz-Franco, E. & De-La-Hoz-Valdiris, E. (2022). Trends and future perspective challenges in big data. In J-S. Pan., V.E. Balas. y C. M. Chen. (Eds.), Advances in Intelligent Data Analysis and Applications. Smart Innovation, Systems and Technologies (pp. 309-325). Springer, Singapore. https://doi.org/10.1007/978-981-16-5036-9_30
Ong, A. K. S., Prasetyo, Y. T., Yuduang, N., Nadlifatin, R., Persada, S. F., Robas, K. P. E., Chuenyindee Thanatorn & Buaphiban, T. (2022). Utilization of random forest classifier and artificial neural network for predicting factors influencing the perceived usability of COVID-19 contact tracing “Morchana” in Thailand. International Journal of Environmental Research and Public Health, 19(13),2-28. https://doi.org/10.3390/ijerph19137979
Pérez-Milena, A., Leyva-Alarcón, A., Barquero-Padilla, R. M., Peña-Arredondo, M., Navarrete-Espinosa, C. & Rosa-Garrido, C. (2022). Valoración y seguimiento de los pacientes con sospecha de COVID-19 en la primera ola pandémica en una zona urbana de Andalucía. Atención Primaria, 54(1), 1-8. https://doi.org/10.1016/j.aprim.2021.102156
Raftarai, A., Mahounaki, R. R., Harouni, M., Karimi, M. & Olghoran, S. K. (2021). Predictive models of hospital readmission rate using the improved AdaBoost in COVID-19. In T. Saba. y A. Rehman. (Ed.), Intelligent Computing Applications for COVID-19 (pp. 67-86). CRC Press. https://doi.org/10.1201/9781003141105
Inca Ruiz, G. P. y Inca León, A.C. (2020). Evolución de la enfermedad por coronavirus (COVID-19) en Ecuador. La ciencia al servicio de la salud, 11(1), 5-15. https://dx.doi.org/10.47244/cssn.Vol11.Iss1.441
Sujatha, R., Venkata Siva, B., Chatterjee, J. M., Rahul Naidu, P., Jhanjhi, N. Z., Charita, C., Mariya, E. & Baz, M. (2022). Prediction of Suitable Candidates for COVID-19 Vaccination. Intelligent Automation & Soft Computing, 32(1) https://n9.cl/ktzk3
Thange, U., Shukla, V. K., Punhani, R. & Grobbelaar, W. (2021, del 19-21 de enero). Analyzing COVID-19 Dataset through Data Mining Tool “Orange” [conference]. In 2021 2nd International Conference on Computation, Automation and Knowledge Management (ICCAKM). Dubai, United Arab Emirates 10.1109/ICCAKM50778.2021.9357754
Villena-Ortiz, Y., Giralt, M., Castellote-Bellés, L., Lopez-Martínez, R. M., Martinez-Sanchez, L., García-Fernández, A. E., Ferrer-Costa, R., Rodriguez-Frias, F. & Casis, E. (2021). Estudio descriptivo y validación de un modelo predictivo de severidad en pacientes con infección por SARS-CoV-2. Advances in Laboratory Medicine/Avances en Medicina de Laboratorio, 2(3), 399-408. https://doi.org/10.1515/almed-2021-0006
Wickham, H., & Grolemund, G. (2017). R for Data Science. O'Reilly Media. https://n9.cl/etad3
Publicado
Número
Sección
Licencia
Derechos de autor 2023 Gilberto Horacio Fernández Cedeño, Marely del Rosario Cruz Felipe, Ermenson Ricardo Ordóñez-Ávila, José Gabriel Moreira Vélez
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
