Proyecto inicial de reconocimiento de patrones e inteligencia artificial.

1. Canalizador a
área de
cardiología o
neurología
Reconocimiento de
patrones

2. Introducción
 En la actualidad se ha hecho más
frecuente escuchar que algunas persona
enferman del corazón o bien sufre aguna
enfermedad del sistema nervioso, eso
hace necesario que exista un sistema
rápido de canalización de pacientes
desde emergencias.
 Viendo esta problemática se pensó en un
canalizador de pacientes.

3. Descripción del problema
 Según los síntomas (datos) obtenidos de
pacientes que acuden a emergencias, se
pretende canalizar a los pacientes a las
diferentes especialidades dentro de un
hospital.
 Entonces, según el atributo que le
corresponda a cada paciente es que se
decidirá la clase a la que pertenece:
• Cardiología
• Neurología

4. Descripción de datos
 El universo inicial está compuesto por 97
casos de los cuales tenemos 100 atributos
(síntomas).

5. Tratado de datos
 Para el tratado de los datos y separar las
clases, es necesario binarizar los datos

6. Tratado de datos
 Con los datos binarizados, es posible
realizar los cálculos necesarios para
separar clases. Esto se hace con la tabla
de separabilidad.

8. Tratado de datos
 Los promedio obtenidos entre clases son:
.45
.1
.1
.3
G1
G1
G2
G2 Los promedios
son muy
bajos.

9. Limpieza de datos
 En este proceso se hicieron un sin número
de intentos, desde cambios de algunos
atributos hasta el cambio de toda la
población. Para visualizar resultados, es
necesario cambiar los datos o ejemplos
con los que se empezaron para poder
llegar a un resultado óptimo de
separación de clases y posteriormente
cargarlo a Weka.

10. Limpieza de datos
 Los datos quedaron de la siguiente forma:
Hombre DtcicoI entumecimientoBrazIz DcabezaM
Mujer DtcicoI DcuelloM náuseas DespaldaL indigestión
Adolescente fatiga RespDif DtcicoI
Hombre DtcicoI RespDif Dextremsup
Hombre vértigos DcabezaM DoidosI DespaldaM DtcicoI
Hombre DtcicoI entumecimientoBrazIz DcabezaM
Mujer DtcicoI DcuelloM náuseas DespaldaL indigestión
Hombre DtcicoI entumecimientoBrazIz DcabezaM
Mujer DtcicoI DcuelloM náuseas DespaldaL indigestión
Adolescente fatiga RespDif DtcicoI entumecimientoBrazIz
Hombre vértigos DcabezaM DoidosI entumecimientoBrazIz
Hombre DtcicoI entumecimientoBrazIz DcabezaM
Hombre vértigos DcabezaM DoidosI
Hombre DtcicoI entumecimientoBrazIz DcabezaM

11. Limpieza de datos
Los datos están en forma de abreviatura a razón de las palabras
técnicas que utiliza el médico. Los atributos que se seleccionaron
para eliminar fueron:
 Y
 E
 Presión arterial alta
 Presión arterial normal
 Presión arterial baja
 Taquicardia
 Labios azules
 Niño
 Mujer
 Hombre
 Adolescente

12. Limpieza de datos

14. Tratado de datos
 Los promedios obtenidos con los nuevos
datos fueron los siguientes:
G1
.6
.3
G2
.3
.6
Los valores
entre clases
suben.

15. Tratado de datos
 Los datos aún no son los mejores pero se
acercan al objetivo, para lograrlo hay
que probar agregando más atributos y
más ejemplos para trabajar. Ahora
tenemos 135 ejemplos y 53 atributos.

16. Filtrado
 Para meter los datos a weka, se cortó la tabla
binarizada y se guardó en un archivo con
extensión .csv, posteriormente entramos a la parte
de ‘Explorer’ y se carga el archivo.

17. Filtrado

18. Filtrado
 Para disminuir índices de error aplicamos
tres diferentes filtros en este caso se
aplicaron: FirstOrder, Discretize y
Normalize.

19. Filtrado (First Order)

20. Filtrado (First Order)

21. Filtrado (First Order)

22. Filtrado (Discretize)

23. Filtrado (Discretize)

24. Filtrado (Discretize)

25. Filtrado (Normalize)

26. Filtrado (Normalize)

27. Filtrado (Normalize)

28. Filtrado
 Una vez aplicado los filtros anteriores
podemos calcular el margen de error.
Filtro Error
FirstOrder 0.059
Discretize 0.059
Normalize 0.059

29. Clasificadores
 Además del árbol J48 tenemos otros
clasificadores que no necesariamente se
visualizan gráficamente (en forma de
árbol).
 Se aplicaron cuatro clasificadores con los
que cuenta Weka para ver la diferencia
en la clasificación; cabe mencionar que
los clasificadores se utilizan según los
datos que se introduzcan.

30. Clasificadores
Validación/Clasificad
or
Naive Bayes Decision Table Random Forest SMO
Use training set .007 .029 0 0
Supplied test set .007 .029 0 0
Cross-validation .007 .103 .007 .007
Percentage split (66%) 0 .037 0 0

31. Conclusiones
 Algunos de los datos utilizados en este trabajo fueron
sacados de fuentes poco confiables, por lo que los
resultados no son precisos. Sin embargo notando cómo se
comportan los datos se puede comprobar que el
procedimiento se siguió correctamente.
 También es notorio que la población de pacientes con
síntomas cómo los mostrados en este documento no
acercan al resultado que se esperaba. Se necesitan
pacientes reales con síntomas reales para poder hacer
una canalización, sino exitosa sí cercana a la realidad.
 En cuanto a los márgenes de error obtenidos, varían
dependiendo de los datos; en este caso solo se utilizaron
135 ejemplos contra 53 atributos, de haber sido más datos
y/o más atributos, estos márgenes de error cambiarían.