Aplicación de la computación evolutiva en el diagnóstico del infarto agudo del miocardio: Hospital de San José, Bogotá DC, Colombia. 2012
Application of evolutionary computation in the diagnosis of acute myocardial infarction: Hospital de San José, Bogotá DC, Colombia. 2012
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Mostrar biografía de los autores
La evaluación de los pacientes con dolor torácico representa un reto para los profesionales de la salud, al ser el infarto cardíaco fuente importante de muertes en el mundo. Se presenta un algoritmo genético (AG) para seleccionar el mejor conjunto de reglas que puedan soportar su diagnóstico. Los individuos fueron representados como una combinación de 17 operaciones lógicas OR o AND (determinados como 1 ó 0) que relacionaban las 18 variables de la escala de Braunwald. Se seleccionó una población de 200 individuos y a partir de ellos se generaron 200 hijos por recombinación y mutación (95% y 5% de probabilidad respectiva), durante 200 iteraciones (generaciones). La función de correspondencia fitness fue calculada a partir de la evaluación del fenotipo de cada individuo en el conjunto de entrenamiento (119 pacientes). Tras validar las reglas resultantes en el conjunto de pruebas (40 pacientes) se alcanzó una precisión del 85% en el diagnóstico. Este resultado es parecido al desempeño de los médicos de urgencias y podría servir de apoyo en el diagnóstico diferencial del síndrome coronario agudo. Abreviaturas: CE, computación evolutiva; SCA, síndrome coronario agudo; AG, algoritmo genético; PG, programación y genética.
Visitas del artículo 433 | Visitas PDF 326
Descargas
1. Erhardt L, Herlitz J, Bossaert L, Halinen M, Keltai M, Koster R, et al. Task force on the management of chest pain. Eur Heart J. 2002 Aug; 23(15):1153-76.
2. Evolution strategies and evolutionary programming. In: Dumitrescu D. Evolutionary computation. Boca Raton, Florida: CRC Press; 2000. p. 261-79.
3. Braunwald E, Jones RH, Mark DB, Brown J, Brown L, Cheitlin MD, et al. Diagnosing and managing unstable angina. Agency for Health Care Policy and Research. Circulation. 1994, 90(1): 613-22.
4. Bojarczuk CC, Lopes HS, Freitas AA. Genetic programming for knowledge discovery in chest-pain diagnosis. IEEE Eng Med Biol Mag. 2000 Jul-Aug; 19(4):38-44.
5. Zhou X, Wang H, Wang J, Wang Y, Hoehn G, Azok J, et al. Identification of biomarkers for risk stratification of cardiovascular events using genetic algorithm with recursive local floating search. Proteomics. 2009 Apr; 9(8):2286-94.
6. Lopez JA, Nugent C, Black ND, Smith AE. Automated synthesis of prediction models for neural network based myocardial infarction classifiers. Proceedings of the 23rd Annual International Conference of the IEEE; 2001 Oct. 25-28; Istanbul, Turkey. p. 3803-06.
7. Nugent CD, Lopez JA, Smith AE, Black ND. Prediction models in the design of neural network based ECG classifiers: a neural network and genetic programming approach. BMC Med Inform Decis Mak. 2002; 2:1.
8. Ming L, Yan-chun L, Xin-min W, Xiao-gang D. The application of GA-BP algorithm to intelligent diagnosis of coronary heart disease. Proceedings of the International Conference on Computer, Mechatronics, Control and Electronic Engineering (CMCE), IEEE. 2010 Aug. 24-26: Changchun, China. p. 367-70
9. Sepulveda-Sanchis J, Camps-Valls G, Soria-Olivas E, Salcedo-Sanz S, BousonoCalzon C, Sanz-Romero G, Marrugat de la Iglesia J. Support vector machines and genetic algorithms for detecting unstable angina. Comput Cardiol . 2002; 29: 413-16.
10. Ha Jw, Eom J, Kim S, Zhang B. Evolutionary hypernetwork models for aptamerbased cardiovascular disease diagnosis. Proceedings of the GECCO conference companion on Genetic and evolutionary computation. 2007 July 7-11: London, England. p. 2709-16.