Reconocimiento de patrones.
- 1. Canalizador a áreade cardiología o neurología Reconocimiento de patrones
- 2. Introducción Enla 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.
- 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 Parameter 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.
- 18. Filtrado Paradisminuir índices de error aplicamos tres diferentes filtros en este caso se aplicaron: FirstOrder, Discretize y Normalize.
- 19.
- 20.
- 21.
- 22.
- 23.
- 24.
- 25.
- 26.
- 27.
- 28. Filtrado Unavez aplicado los filtros anteriores podemos calcular el margen de error. Filtro Error FirstOrder 0.059 Discretize 0.059 Normalize 0.059
- 29. Clasificadores Ademásdel 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 Algunosde 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.