| dc.contributor.author | Guarneros-Nolasco, Luis R | |
| dc.contributor.author | Cruz-Ramos, Nancy A. | |
| dc.contributor.author | Alor-Hernández, Giner | |
| dc.contributor.author | Rodríguez-Mazahua, Lisbeth | |
| dc.contributor.author | Sánchez-Cervantes, José L. | |
| dc.date.accessioned | 2022-06-30T14:59:18Z | |
| dc.date.available | 2022-06-30T14:59:18Z | |
| dc.date.issued | 2021-10-09 | |
| dc.identifier.other | https://doi.org/10.3390/math9202537 | |
| dc.identifier.uri | http://repositorios.orizaba.tecnm.mx:8080/xmlui/handle/123456789/609 | |
| dc.description.abstract | Las enfermedades cardiovasculares (ECV) son una de las principales causas de muerte en el mundo. En las ECV, el corazón es incapaz de llevar suficiente sangre a otras regiones del cuerpo. Dado que un diagnóstico eficaz y preciso de las ECV es esencial para la prevención y el tratamiento de las mismas, las técnicas de aprendizaje automático (AM) pueden utilizarse de forma eficaz y fiable para distinguir a los pacientes que sufren una ECV de los que no padecen ninguna afección cardíaca. En concreto, los algoritmos de aprendizaje automático (AM) desempeñan un papel fundamental en el diagnóstico de las ECV mediante modelos predictivos que permiten identificar los principales factores de riesgo que influyen en el desarrollo de las ECV. En este estudio, analizamos el rendimiento de diez MLA en dos conjuntos de datos para la predicción de ECV y dos para el diagnóstico de ECV. El rendimiento del algoritmo se analiza en los dos y cuatro mejores atributos/características de los conjuntos de datos con respecto a cinco métricas de rendimiento -exactitud, precisión, recuperación, puntuación f1 y roc-auc- utilizando la técnica de división entrenamiento-prueba y la validación cruzada k-fold. Nuestro estudio identifica los dos y cuatro mejores atributos de los conjuntos de datos de ECV analizando el rendimiento de las métricas de precisión para determinar que son los mejores para predecir y diagnosticar la ECV. Como conclusiones principales, los diez clasificadores ML mostraron un diagnóstico adecuado en la clasificación y el rendimiento predictivo con la métrica de precisión con los dos mejores atributos, identificando tres atributos principales para el diagnóstico y la predicción de una ECV, como la arritmia y la taquicardia; por lo tanto, pueden implementarse con éxito para mejorar los esfuerzos actuales de diagnóstico de ECV y ayudar a los pacientes de todo el mundo, especialmente en las regiones donde falta personal médico. | es |
| dc.description.sponsorship | Consejo Veracruzano de Investigación Científica y Desarrollo Tecnológico (COVEICYDET) | es |
| dc.language.iso | en_US | es |
| dc.publisher | MDPI | es |
| dc.subject | Big Data; Health prevention; Machine Learning; Medical data | es |
| dc.subject | Research Subject Categories | es |
| dc.title | Identifying the Main Risk Factors for Cardiovascular Diseases Prediction Using Machine Learning Algorithms | es |
| dc.type | Article | es |
