Hepatitis Predictive Analysis Model through Deep Learning Using Neural Networks Based on Patient History

En primer lugar, una de las aplicaciones de la inteligencia artificial es la predicción de enfermedades, entre ellas la hepatitis. La hepatitis ha sido una enfermedad recurrente a lo largo de los años ya que afecta gravemente a la población, aumentando en 125.000 muertes al año. Este proceso de inflamación y daño del órgano afecta a su rendimiento, así como al funcionamiento de los demás órganos del cuerpo. En este trabajo se realiza un análisis de las variables y su influencia en la variable objetivo, además se presentan resultados de un modelo de predicción. Proponemos un modelo de análisis predictivo que incorpora redes neuronales artificiales y hemos comparado este método de predicción con otros modelos orientados a la clasificación como las máquinas de vectores soporte (SVM) y los algoritmos genéticos. Hemos planteado nuestro método como un problema de clasificación. Este método requiere un proceso previo de procesamiento de datos y análisis exploratorio para identificar las variables o factores que influyen directamente en este tipo de enfermedades. De esta forma, podremos identificar las variables que intervienen en el desarrollo de esta enfermedad y que afectan al hígado o al correcto funcionamiento de este órgano, presentando molestias al cuerpo humano, así como complicaciones como la insuficiencia hepática o el cáncer de hígado. Nuestro modelo se estructura en los siguientes pasos: en primer lugar, se realiza la extracción de los datos, que fueron recogidos del repositorio de machine learning de la Universidad de California en Irvine (UCI). Luego estos datos pasan por un proceso de transformación de variables. Posteriormente, se procesan con aprendizaje y optimización a través de una red neuronal. La optimización (fine-tuning) se realiza en tres fases: optimización de los hiperparámetros de complicación, optimización de la densidad de las capas de la red neuronal y, por último, optimización de la regularización de los abandonos. Por último, se lleva a cabo la visualización y el análisis de los resultados. Hemos utilizado un conjunto de datos de historias clínicas de pacientes, entre las variables están: edad, sexo, género, hemoglobina, etc. Hemos encontrado factores relacionados indirecta o directamente con la enfermedad. Los resultados del modelo se presentan según las medidas de calidad: Recall, Precision y MAE. Podemos decir que esta investigación deja las puertas abiertas a nuevos retos como son las nuevas implementaciones dentro del campo de la medicina, no sólo centradas en el hígado, sino también poder ampliar el entorno de desarrollo a otras aplicaciones y órganos del cuerpo humano con el fin de evitar riesgos posibles, o complicaciones futuras. Cabe destacar que el futuro de las aplicaciones con el uso de redes neuronales artificiales está en constante evolución, la aplicación de modelos mejorados como el uso de bosques aleatorios, algoritmos de ensamblaje muestran una gran capacidad de aplicación tanto en la ingeniería biomédi.