Version 1
: Received: 22 July 2024 / Approved: 22 July 2024 / Online: 23 July 2024 (00:04:01 CEST)
How to cite:
Garcia-Jimenez, A. R.; Quispe Carita, A. J.; Maquera Andrade, A. J.; Chañi Pauccar, B. V. Application Of Bayesian Networks For The Diagnosis Of Respiratory Conditions Using Symptom Data. Preprints2024, 2024071710. https://doi.org/10.20944/preprints202407.1710.v1
Garcia-Jimenez, A. R.; Quispe Carita, A. J.; Maquera Andrade, A. J.; Chañi Pauccar, B. V. Application Of Bayesian Networks For The Diagnosis Of Respiratory Conditions Using Symptom Data. Preprints 2024, 2024071710. https://doi.org/10.20944/preprints202407.1710.v1
Garcia-Jimenez, A. R.; Quispe Carita, A. J.; Maquera Andrade, A. J.; Chañi Pauccar, B. V. Application Of Bayesian Networks For The Diagnosis Of Respiratory Conditions Using Symptom Data. Preprints2024, 2024071710. https://doi.org/10.20944/preprints202407.1710.v1
APA Style
Garcia-Jimenez, A. R., Quispe Carita, A. J., Maquera Andrade, A. J., & Chañi Pauccar, B. V. (2024). Application Of Bayesian Networks For The Diagnosis Of Respiratory Conditions Using Symptom Data. Preprints. https://doi.org/10.20944/preprints202407.1710.v1
Chicago/Turabian Style
Garcia-Jimenez, A. R., Aldair José Maquera Andrade and Beckham Vieri Chañi Pauccar. 2024 "Application Of Bayesian Networks For The Diagnosis Of Respiratory Conditions Using Symptom Data" Preprints. https://doi.org/10.20944/preprints202407.1710.v1
Abstract
Este estudio examina la implementación de redes bayesianas para el diagnóstico de afecciones respiratorias utilizando datos clínicos. Se analizaron 5725 registros de una clínica privada en Francia, obtenidos de Kaggle, centrándose en seis variables clave: glucosa en sangre, frecuencia cardíaca, saturación de oxígeno, presión arterial, temperatura y estado de salud del paciente. El objetivo era crear un modelo que mejorara la precisión y eficiencia en el diagnóstico de infecciones respiratorias. Se desarrolló una red bayesiana para modelar las interacciones fisiológicas en condiciones respiratorias, destacando la influencia de la glucosa en sangre en la oxigenación y la interacción entre la frecuencia cardíaca y la saturación de oxígeno. La mediana de la temperatura corporal fue de 38,18 °C y la mediana de la frecuencia cardíaca fue de 92,00 lpm. El modelo, basado en sólidos principios médicos, considera tanto los mecanismos patológicos directos como las respuestas compensatorias del cuerpo. Se utilizó Netica para la simulación y análisis del modelo, proporcionando una visualización clara de las probabilidades condicionales y las relaciones entre las variables. Los hallazgos demuestran que las redes bayesianas son herramientas efectivas para apoyar el diagnóstico de afecciones respiratorias, proporcionando una evaluación integral del estado de salud del paciente. La matriz de confusión reveló una precisión del 94%, una especificidad del 100% y una sensibilidad del 86,53%. Además, la calidad de la prueba para el estado "enfermo" mostró una sensibilidad de hasta el 98,49% y una especificidad de hasta el 98,85%, con un área bajo la curva ROC (AUC) de 0,9592. Estos resultados indican que el modelo tiene un alto rendimiento en la clasificación correcta de los casos de salud y enfermedad normales. Este enfoque tiene el potencial de mejorar la precisión y la eficiencia del diagnóstico, especialmente en entornos clínicos que requieren decisiones rápidas y precisas. Este estudio destaca la aplicación innovadora de las redes bayesianas en medicina respiratoria, ofreciendo una herramienta prometedora para mejorar el diagnóstico y el manejo de pacientes con afecciones respiratorias, y estableciendo una base para futuras investigaciones en el uso de métodos probabilísticos en el diagnóstico médico.
Keywords
Bayesian Networks; Medical Diagnosis; Respiratory Conditions; Probabilistic Analysis
Subject
Computer Science and Mathematics, Probability and Statistics
Copyright:
This is an open access article distributed under the Creative Commons Attribution License which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
,
,
*
