Please use this identifier to cite or link to this item: http://ricaxcan.uaz.edu.mx/jspui/handle/20.500.11845/3611
Full metadata record
DC FieldValueLanguage
dc.contributor1186284en_US
dc.contributor.advisorJosé María Celaya Padillaen_US
dc.contributor.advisorYamilé López Hernándezen_US
dc.contributor.advisorCarlor Eric Galván Tejadaen_US
dc.contributor.advisorAlejandra García Hernándezen_US
dc.contributor.advisorPedro Daniel Alaniz Lumbrerasen_US
dc.coverage.spatialGlobalen_US
dc.creatorTorres Pasillas, Hugo Alexis-
dc.date.accessioned2024-06-19T17:10:27Z-
dc.date.available2024-06-19T17:10:27Z-
dc.date.issued2024-06-21-
dc.identifierinfo:eu-repo/semantics/publishedVersionen_US
dc.identifier.urihttp://ricaxcan.uaz.edu.mx/jspui/handle/20.500.11845/3611-
dc.identifier.urihttp://dx.doi.org/10.48779/ricaxcan-430-
dc.descriptionThe emergence of the SARS-CoV-2 virus led to one of the worst global health crises in recent decades. Although numerous efforts were made by researchers, doctors, and other sectors around the world, the results have not been as satisfactory, highlighting that our healthcare system is not fully prepared to face these types of situations. Since the onset of the pandemic, one of the main contributors to its high spread worldwide was the lack of effective diagnostic methods that are easy to produce and distribute, allowing for the detection of a large proportion of infected individuals. Additionally, there was a lack of methods to infer the severity level of illnesses in patients, which hindered the more effective management of available resources. Therefore, in this study, we evaluated the use of machine learning models combined with patients' metabolic profile data for its use as effective diagnostic and prognostic tools (predicting severity level in sick patients) for COVID-19. The results show reliable models capable of diagnosing patients with high precision and sensitivity. During training, the model achieves a balanced accuracy of 95.8% (precision=98.8%, sensitivity=92.9%, and specificity=96.0%), while in the test set (with blind data), the balanced accuracy is 91.7% (sensitivity, specificity, and precision=91.7%). On the other hand, the model also performs well in classifying sick patients who develop severe illness (precision, sensitivity, and balanced accuracy of 79%). Thus, the proposed model demonstrates high potential as a medical tool alternative to existing ones or as a possible approach for future disease diagnosis, with performance similar to that achieved by said techniques, and with the capability to also predict the severity level of patients.en_US
dc.description.abstractEl surgimiento del virus SARS-CoV 2 ha sido causante de una de las peores crisis sanitarias globales de las últimas décadas. A pesar de los distintos esfuerzos realizados por investigadores, médicos y otros sectores en todo el mundo, los resultados no han sido tan satisfactorios, evidenciando que el sistema de salud como se ha concebido hasta el momento no se encuentra completamente preparado para enfrentar este tipo de situaciones. Desde el inicio de la pandemia, uno de los principales causantes de su alta propagación alrededor del mundo fue la falta de métodos de diagnóstico eficaces, fáciles de producir y distribuir, que permitieran la detección de una gran proporción de las personas infectadas. Así mismo, se carecía de métodos para inferir el nivel de severidad de las enfermedades en los pacientes, lo que dificultó la gestión más efectiva de los recursos disponibles. Por ello, en este trabajo realizamos una investigación sobre el uso de modelos de aprendizaje automático, combinado con datos del perfil metabólico de los pacientes, para su uso como herramientas eficaces de diagnóstico y pronóstico (predicción de nivel de severidad en pacientes enfermos) de COVID-19. Los resultados muestran modelos confiables, capaces de diagnosticar con una alta precisión y sensibilidad a los pacientes. Durante el entrenamiento, el modelo alcanza una exactitud balanceada de 95.8% (precisión=98.8%, sensibilidad = 92.9% y especificidad=96.0%), mientras que en conjunto de prueba (con datos ciegos), la exactitud balanceada es de 91.7% (sensibilidad, especificidad y precisión=0.91.7%). Por otro lado, el modelo obtiene también un desempeño alto para clasificar a los pacientes enfermos que desarrollan una enfermedad grave (precisión, sensibilidad, y exactitud balanceada de 79%). Así, el modelo propuesto muestra un alto potencial como una herramienta médica alternativa a las existentes o bien como un posible enfoque en enfermedades futuras, con un desempeño similar a los logrados por dichas técnicas, y con la capacidad de realizar también una predicción del nivel de severidad de los enfermos.en_US
dc.language.isospaen_US
dc.publisherUniversidad Autónoma de Zacatecasen_US
dc.relation.isbasedonMaestro en Ciencias del Procesamiento de la Informaciónen_US
dc.relation.urigeneralPublicen_US
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United States*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
dc.subject.classificationINGENIERIA Y TECNOLOGIA [7]en_US
dc.subject.otherCOVID-19en_US
dc.subject.otherDiagnósticoen_US
dc.subject.otherPronósticoen_US
dc.subject.otherAprendizaje automáticoen_US
dc.subject.otherMetabolitosen_US
dc.subject.otherSelección de característicasen_US
dc.titleUso de Metabolitos para el Desarrollo de Modelo de Aprendizaje Automático para el Diagnóstico y Predicción de Enfermedad Grave del COVID-19en_US
dc.typeinfo:eu-repo/semantics/masterThesisen_US
Appears in Collections:*Tesis*-- M. en Ciencias del Proc. de la Info.

Files in This Item:
File Description SizeFormat 
TESIS-MCPI_HugoAlexisTorresPasillas.pdfTFM, Maestría en Ciencias del Procesamiento de la Información, programa Categoría 1 del Sistema Nacional de Posgrados CONAHCYT3,3 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons