Browsing by Author "Marroquin Marroquin, Urlish Kleyber"

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    Enfoque predictivo para la reactividad a la prueba del virus de la inmunodeficiencia humana (VIH) basado en algoritmos de Machine Learning
    (Universidad Peruana Unión, 2023-11-30) Marroquin Marroquin, Urlish Kleyber; López Gonzales, Javier Linkolk
    En la actualidad existen muchos métodos de predicción que se utilizan en el campo de la salud; no obstante, los estudios actuales requiere mayor estudio e indagación en la reactividad de resultados de las pruebas del virus de la inmunodeficiencia humana (VIH) utilizando modelos predictivos basados en Machine Learning, sin embargo, si se lograra predecir la reactividad positiva de la prueba de VIH de una persona con anterioridad, se podría realizar las acciones oportunas con antelación para poder brindarle una atención oportuna a la persona, además así poder asignar la preparación del tratamiento antirretroviral (TARV) y esquema de tratamiento a utilizar adecuado. Por tal motivo, este estudio propone un enfoque predictivo para la reactividad a la prueba del virus de la inmunodeficiencia humana (VIH) basado en algoritmos de Machine Learning. Los datos utilizados proceden de los registros del personal de salud que pertenecen a una brigada móvil y que realizan funciones de tamizaje de VIH a través del Aplicativo Móvil de Tamizaje ITS (App VIH) del Ministerio de Salud del Perú (Minsa). La metodología utilizada consistió en evaluar cuatro modelos de machine learning con los algoritmos “Decision Tree Classifier, Random Forest Classifier, Extra Trees Classifier y Extreme Gradient Boosting”, con la intención de comparar sus resultados y elegir al mejor modelo que presente el mejor desempeño, para luego ser utilizado a través de una interfaz gráfica, que permita determinar si una persona posee Reactividad Positiva o Negativa al resultado de la Prueba de VIH. Los resultados demostraron que el mejor modelo de machine learning para el estudio fue Extra Trees Classifier con un Accuracy Score de 98.19% en comparación con Decision Tree Classifier con el menor Accuracy Score de 98.03%; calculado a través de la precisión promedio usando el puntaje de validación cruzada con 10 interacciones de los datos de entrenamiento; esto indica que el modelo predice con una precisión del 98% la prueba de VIH. Por tal motivo, este modelo podrá ser usado en la toma de decisiones relacionadas con las personas que puedan contraer el VIH y así brindarles un tratamiento antirretroviral (TARV) adecuado, además de la misma forma, apoyar a las labores realizadas por las brigadas móviles urbanas en temas relacionados con el VIH.
  • Thumbnail Image
    Item
    Modelo predictivo basado en Machine Learning para el pronóstico de deserción a la vacunación contra el virus del papiloma humano (VPH)
    (Universidad Peruana Unión, 2021-02-22) Marroquin Marroquin, Urlish Kleyber; Saboya Rios, Nemias
    En la actualidad, una de las enfermedades que está causando gran cantidad de muertes en Perú, es el cáncer de cuello uterino ocasionado por el virus del papiloma humano (VPH), sin embargo, gracias a la aplicación de la vacuna contra esta enfermedad se puede prevenir y proteger por ciertas cepas del VPH. El estudio consistió en la elaboración de un modelo predictivo utilizando Machine Learning para el pronóstico de deserción en la vacunación contra el VPH en niñas del grupo etario de 9 a 13 años de edad. Los datos que se utilizaron proceden del “Sistema de vacunación contra el VPH” del Ministerio de Salud del Perú (Minsa). La metodología consistió en desarrollar cuatro modelos de aprendizaje supervisado: Decision Tree Classifier, Random Forest Classifier, Extra Trees Classifier y Extreme Gradient Boosting con la intención de comparar los resultados y elegir al modelo que presente mejor desempeño para su respectiva calibración y poder ser utilizado a través de una interfaz gráfica. Los resultados demostraron que el mejor modelo de aprendizaje fue Random Forest Classifier, con un Accuracy Score 63.6140%, AUC de 63.6183%, precisión de 64%, Recall de 63% y F1-score de 63%; esto indica que el modelo clasifica el 64% de los casos como niñas que desertan a la vacunación contra el VPH.