Sistemas inteligentes híbridos para la predicción de enfermedades hepáticas: un marco de aprendizaje automático...

Área de la Ciencia:

• Informática Médica
• Aprendizaje Automático en la Atención Médica
• Biología Computacional

Sus antecedentes:

• La enfermedad hepática es un problema de salud global importante, a menudo diagnosticado tardíamente debido a las limitaciones de los métodos tradicionales.
• Las herramientas de diagnóstico actuales para la enfermedad hepática pueden ser invasivas, costosas y no estar ampliamente disponibles.

Objetivo del estudio:

• Desarrollar un marco inteligente híbrido para la detección temprana de enfermedades hepáticas.
• Integrar la segmentación demográfica con el aprendizaje automático para mejorar la precisión diagnóstica.

Principales métodos:

• Se utilizaron dos conjuntos de datos: el Indian Liver Patient Dataset (ILPD) y un conjunto de datos a gran escala.
• Se estratificó a los pacientes por edad y género en seis grupos para el desarrollo de modelos específicos de cada segmento.
• Se evaluaron 16 algoritmos de aprendizaje automático utilizando selección de características, remuestreo y optimización de hiperparámetros, integrando modelos específicos de cada segmento en un sistema híbrido.

Principales resultados:

• Se logró una precisión del 94,2% en el ILPD y del 99,8% en el conjunto de datos grande.
• Se demostró una mejora constante de la precisión en diferentes segmentos demográficos.
• Se identificó la importancia de biomarcadores distintos según la edad y el género, lo que resalta la necesidad de diagnósticos personalizados.

Conclusiones:

• El marco propuesto ofrece una herramienta escalable y no invasiva para la detección temprana de enfermedades hepáticas.
• Combina la conciencia demográfica, el aprendizaje híbrido y la interpretabilidad para una atención médica personalizada y accesible.
• Avanza la relevancia clínica y la accesibilidad de los diagnósticos de enfermedades hepáticas.