Recomendados
Recomendados
Más contenido relacionado
Similar a Diapositivas_Defensa_TFG.pptx
Similar a Diapositivas_Defensa_TFG.pptx (20)
Último
Último (20)
Diapositivas_Defensa_TFG.pptx
- 1. 1 Uso de técnicas estadísticas y de inteligencia artificial para análisis de datos de pacientes de COVID-19 Paul Sebastián Patacho Mungarrieta Escuela de Ingeniería Industrial Vigo, 25 de Noviembre de 2022
- 2. 2 AGENDA • Seguimiento del trabajo realizado • Definición de Inteligencia Artificial (IA) • Base de datos de pacientes de COVID-19 • Contexto y preparación • Algoritmos de IA utilizados • Resultados • Conclusiones y discusión
- 3. Trabajo Realizado 3 Antecedentes Hipótesis Estudio de la base de datos Entrenamiento de los modelos Análisis y comparación Conclusiones
- 4. Clasificación: No supervisado Supervisado: Regresión Clasificación 4 w1 X1 w2 X2 wp Xp … … ℎₖ 𝑋 f(x) Inteligencia Artificial f(x) f(x) f(x) f(x)
- 5. La base de datos Preparación Contexto 5 División en cohortes: Entrenamiento y evaluación. Discretización de variables Origen – Acceso – Temporalidad Características: Tamaño muestral Tipos de variables Criterios de aceptación
- 6. Selección de las variables 6 Estudio teórico de las variables Estudio estadístico Contexto de la base de datos Variables utilizadas Variables Predictoras: 1.Edad 2.EPOC 3.Diabetes 4.Temperatura -ºC 5.Saturación de oxígeno (%) 6.Presión arterial media -mmHg 7.Glóbulos blancos por mm3 8.Linfocitos por mm3 9.Plaquetas por mm3 10.AST -U/L 11.ALT -U/L 12.Ferritina -μg/L 13.INR 14.Dímero D -mg/mL 15.Creatinina -mg/dL 16.Nitrógeno Ureico -mg/dL 17.Glucosa -mg/dL 18.Sodio -mmol/L 19.Interleucina-6 -pg/mL 20.Proteína C reactiva -mg/L 21.Troponina -ng/mL 22.Procalcitonina -ng/mL Sociales: 6 Comorbilidades: 16 Biomarcadores: 19 2 1 16 19 Variable Diana: Mortalidad 19 5 2 19 1 P<0.05
- 7. Modelos Características Implementación 7 Árboles de decisión Redes Neuronales Regresión Logistica Bosques aleatorios Proteína C <= 10 1 1 + 𝑒− 𝛽₀+𝛽₁𝑋
- 8. 8 Fortalezas Interpretabilidad “La posibilidad de presentar la base subyacente para la toma de decisiones de una manera comprensible para seres humanos” -W. James Murdoch Debilidades • Compensación sesgo varianza • Sobreajuste • Mínimos Locales
- 9. Resultados 9 Árboles de decisión Redes Neuronales Regresión Logística Bosques aleatorios Características Implementación
- 10. Gráfico de barras de la importancia de los coeficientes de la regresión logística Sensibilidad 1 - Especificidad Curva ROC Distribución de la regresión Punto de corte Índice de Youden Variables estadísticamente significativas 10 P<0.05 Regresión Logística PC 0.22
- 11. 11 Conclusiones Regresión Logística Colaborar en la asistencia sanitaria Calidad de los datos > Algoritmo Proyecto Futuro
- 12. Distribución de la regresión Punto de corte Índice de Youden Variables estadísticamente significativas 12 P<0.05 Coeficientes: Regresión Logística Sensibilidad 1 - Especificidad PC 0.22 Fallecidos Probabilidad estimada de muerte Frecuencia absoluta Sobrevivientes Probabilidad estimada de muerte Frecuencia absoluta
- 13. 13 Histograma de la predicción para los fallecidos Probabilidad estimada de muerte Frecuencia absoluta Histograma de la predicción para sobrevivientes Probabilidad estimada de muerte Frecuencia absoluta Originales
- 14. 14
- 15. 15
- 16. 16
- 17. 17
- 18. 18
- 19. 19
Notas del editor
- Puede consumer mucho tiempo, si no se explica todo lo que se realiza entonces whats the point? Comentar que esto se divide en mas eestudios y pasos?
- N = 4711 Coh Ent: 2357, Coh Ev: 2354 Se realiza una revisión estadística de las cohortes para comprobar que ambas son representaciones no sesgadas de la población. Las variables se discretizan para representar valores normales y anormales.
- Social: Duración de estancia hospitalaria, edad y raza (género)
- explain neural network in one minute - Buscar con Google Se le llama aprendizaje automático al algoritmo detrás de estos modelos que realiza tareas de optimización de una función de coste. Entrenando el modelo
- Las debilidades las resolví usando un algoritmo iterativo, que reentrenaba los modelos probando distintos estados iniciales y parámetros. De esta manera se pudo obtener el resultado mas adecuado