Sensibilidad y especificidad de un sistema inteligente basado en programación redes bayesianas para el diagnóstico de la enfermedad pulmonar obstructiva crónica

Bastidas Goyes, Alirio Rodrigo

Sensibilidad y especificidad de un sistema inteligente basado en programación redes bayesianas para el diagnóstico de la enfermedad pulmonar obstructiva crónica

dc.contributor.advisor	Narvaez Gonzalez, Javier Alejandro
dc.contributor.author	Bastidas Goyes, Alirio Rodrigo
dc.date.accessioned	2022-08-02T22:30:26Z
dc.date.available	2022-08-02T22:30:26Z
dc.date.issued	2014
dc.description.abstract	Antecedentes y objetivo: La enfermedad pulmonar obstructiva crónica es frecuentemente mal diagnosticada, sensibilizar a personas con síntomas respiratorios para que consulten, entrenar a personal médico y usar la espirometría como método de detección temprana son medidas utilizadas que han alcanzado algunos resultados a un costo económico considerable en el abordaje de este problema, por lo que se propone el desarrollo de un algoritmo diagnóstico basado en programación de redes bayesianas para el diagnóstico de la EPOC y que pueda ser de utilidad para disminuir los porcentajes de mal diagnóstico a un bajo costo. Metodología: construcción de un diagrama diagnóstico basado en literatura médica y opinión de expertos validado como prueba diagnóstica en un estudio de cohorte retrospectiva utilizando en las relaciones de ejecución del diagrama programación de Redes Bayesianas. Resultados: Se analizaron 510 historias 41,2% con EPOC, 22,2% ASMA, 28% ICCVI, 28,8% TBC, 2,2% bronquiectasias, la sensibilidad de la red Bayesiana para el diagnóstico de EPOC fue del 90%, especificidad del 91%, con una probabilidad de clasificación correcta del 90,2%, para el diagnóstico de Asma sensibilidad del 83%, especificidad 85% y probabilidad de clasificación correcta del 83,2%, para el diagnóstico de ICC ventricular izquierda sensibilidad del 85%, especificidad del 88% y probabilidad de clasificación correcta del 86%, para tuberculosis la sensibilidad de 77%, especificidad del 97 % y probabilidad de clasificación correcta 87% y para bronquiectasias sensibilidad del 19%, especificidad del 98% y probabilidad de clasificación correcta del 57%. Conclusión: La construcción de una red bayesiana para diagnóstico de EPOC puede llegar a tener una clasificación correcta de la EPOC hasta en un 90.7%, con sensibilidad del 90% y especificidad del 91%. Se requieren estudios de cohorte en diferentes niveles de atención para la validación prospectiva de estos resultados.	spa
dc.description.abstractenglish	Background and aim : Chronic obstructive pulmonary disease is often misdiagnosed, sensitize people with respiratory symptoms to consult, train medical personnel and using spirometry as a method of early detection measures are used that have achieved some results at considerable economic cost in addressing this issue, so the development of a diagnostic algorithm based on programming Bayesian networks for diagnosis of COPD and can be useful to reduce misdiagnosis rates at a low cost is proposed. Methodology: constructing a diagnostic diagram based on medical literature and expert opinion validated as a diagnostic test in a retrospective cohort study using relationships execution diagram programming Bayesian Networks . Results: 510 stories COPD 41.2 % , 22.2% ASMA , 28 % ICCVI , TBC 28.8 % , 2.2% bronchiectasis, the sensitivity of the Bayesian network for the diagnosis of COPD were analyzed was 90% , specificity of 91 % , with a probability of correct classification of 90.2 % for the diagnosis of asthma sensitivity 83 % , specificity 85 % and the probability of correct classification of 83.2 % for the diagnosis of left ventricular sensibility ICC 85% , specificity of 88 % and probability of correct classification of 86 % for tuberculosis sensitivity 77 % , specificity of 97% and 87 % probability of correct classification for bronchiectasis and sensitivity 19%, specificity of 98 % and probability correct classification of 57% . Conclusion : The construction of a Bayesian network for diagnosis of COPD can have a correct classification of COPD by up to 90.7 % , with 90% sensitivity and 91% specificity . Cohort studies are needed at different levels of care for the prospective validation of these results.	eng
dc.description.degreelevel	Especialización	spa
dc.description.degreename	Especialista en Epidemiología	spa
dc.format.mimetype	application/pdf
dc.identifier.instname	instname:Universidad El Bosque	spa
dc.identifier.reponame	reponame:Repositorio Institucional Universidad El Bosque	spa
dc.identifier.repourl	repourl:https://repositorio.unbosque.edu.co
dc.identifier.uri	https://hdl.handle.net/20.500.12495/8593
dc.language.iso	spa
dc.publisher.faculty	Facultad de Medicina	spa
dc.publisher.grantor	Universidad El Bosque	spa
dc.publisher.program	Especialización en Epidemiología	spa
dc.rights	Atribución-NoComercial-CompartirIgual 4.0 Internacional	*
dc.rights.accessrights	https://purl.org/coar/access_right/c_abf2
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.local	Acceso abierto	spa
dc.rights.uri	https://creativecommons.org/licenses/by-nc-sa/4.0/	*
dc.subject	Sensibilidad	spa
dc.subject	Especificidad	spa
dc.subject	Redes	spa
dc.subject	Neuronales	spa
dc.subject	Diagnostico asistido por computador	spa
dc.subject.keywords	Specificity	spa
dc.subject.keywords	Computer diagnosis	spa
dc.subject.keywords	Neural networks	spa
dc.subject.nlm	WA 105
dc.title	Sensibilidad y especificidad de un sistema inteligente basado en programación redes bayesianas para el diagnóstico de la enfermedad pulmonar obstructiva crónica	spa
dc.title.translated	Sensitivity and specificity of an intelligent scheduling system based on bayesian networks for diagnosis of chronic obstructive pulmonary disease	spa
dc.type.coar	https://purl.org/coar/resource_type/c_7a1f
dc.type.coarversion	https://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.driver	info:eu-repo/semantics/bachelorThesis
dc.type.hasversion	info:eu-repo/semantics/acceptedVersion
dc.type.local	Tesis/Trabajo de grado - Monografía - Especialización	spa