SISTEMA INTELIGENTE PARA EL DIAGNÓSTICO Y TRATAMIENTO DE

ENFERMEDADES SINTOMÁTICAS RESPIRATORIAS UTILIZANDO RNA COMO

APOYO AL ÁREA DE LA SALUD DEL DEPARTAMENTO DEL CÉSAR

Presentado por

Luis Felipe Ávila Quintero

Jorge Zain Yaruro Maestre
Carlos Andres Castilla García

UNIVERSIDAD POPULAR DEL CESAR

FACULTAD DE INGENIERÍAS Y TECNOLÓGICAS
INGENIERÍA DE SISTEMAS
VALLEDUPAR
2020

1
 SISTEMA INTELIGENTE PARA EL DIAGNÓSTICO Y TRATAMIENTO DE
ENFERMEDADES SINTOMÁTICAS RESPIRATORIAS UTILIZANDO RNA COMO
APOYO AL ÁREA DE LA SALUD DEL DEPARTAMENTO DEL CÉSAR

Presentado por

Luis Felipe Ávila Quintero

Jorge Zain Yaruro Quintero
Carlos Andres Castilla García

Docente
TONNY JIMENEZ MARQUEZ
Ingeniero de Sistemas
Esp. en Informatica Educativa
Msc. en Inteligencia Artificial y Computación Emergente

UNIVERSIDAD POPULAR DEL CESAR

FACULTAD DE INGENIERÍAS Y TECNOLÓGICAS
INGENIERÍA DE SISTEMAS
VALLEDUPAR
2020

2
 TABLA DE CONTENIDO

1. Introduccion .................................................................................................. ....4

2. Estado del Arte..................................................................................................5
3. Planteamiento del Problema ..........................................................................12
4. Objetivos del Proyecto....................................................................................14
4.1 Objetivo General........................................................................................15
4.2 Objetivos Específicos...............................................................................15
5. Justificación del Proyecto..............................................................................16
6. Marco Metodológico del Proyecto ................................................................17
7. Bibliografia.......................................................................................................18

3
 INTRODUCCIÓN

Con el trascender de los años, en el entorno que nos rodea la aplicación de la

inteligencia artificial ha realizado aportes relevantes, focalizándose en campos como lo
es el de la medicina. En este sentido, el uso de las redes neuronales artificiales para el
diagnóstico y tratamiento de enfermedades respiratorias se viene dando desde muchos
años atrás, logrando establecer bases importantes para nuevas investigaciones, dando
apertura tanto al diseño como a la creación de nuevos sistemas informáticos que
permitan solucionar problemas complejos y de ámbito social, que se presentan con el
día a día.

Es por esto, que, una de las enfermedades que agobian a gran parte de la población
mundial, son las infecciones respiratorias, por ende, mediante el desarrollo de esta RNA
se pretende dar un soporte bajo la aplicación de herramientas tecnológicas de apoyo al
personal que interactúa en este campo, utilizando técnicas de inteligencia artificial como
redes neuronales las cuales reproducen esquemáticamente la estructura neuronal del
cerebro para tratar de representar sus capacidades y ser empleados en sistemas de
computación.

Por otro lado, para situar y argumentar los temas que componen este trabajo de
investigación se ha estructurado su contenido en dos partes: la primera, la integran la
formulación del problema objeto de estudio, dejando como evidencia la problemática
encontrada en el area de la salud del Departamento del Cesar, asimismo, también se
puede evidenciar en la parte teórica, los objetivos de la investigación, la justificación del
proyecto, entre otros entes; los cuales hacen parte fundamental de todo el trabajo.

Asi mismo, en el desarrollo de los antecedentes o estado del arte, se realizó un análisis
de las teorías que plantearon diversos autores en sus trabajos de investigación, vistas
desde un enfoque documental, formando una estructura sólida tanto en conceptos como
en referencias; desarrollando así, el objeto de estudio y el problema que presentaba el
area de la salud en el departamento del cesar en cuanto al uso y aplicación de las RNA
en enfermedades respiratorias, determinando en el análisis realizado, la base sobre la
que se sostiene la investigación y la viabilidad de la misma. Por consiguiente, en el
desarrollo de la metodología utilizada en la investigación, se estableció la metodología
básica para redes neuronales, argumentando el paradigma desde el cual se inicia la
investigación y por el cual se cumplirán los objetivos planteados dando respuesta a la
problemática planteada.

4
2. ESTADO DEL ARTE

Hoy día, la creación de sistemas que contribuyan a la toma de decisiones tiene como
propósito mejorar la calidad de vida de los procesos médicos, utilizando la predicción y
clasificación de enfermedades buscando enriquecer el cuidado de los pacientes. En este
sentido, dichos sistemas de ayuda presentan tres componentes sistemáticos
fundamentales que son: las bases de datos (información del paciente), algoritmos de
inteligencia artificial y los usuarios finales (médicos, personal asistencial, etc.); por ende,
la integración de los componentes mencionados trae mejoras en la atención de los
mismos, reduciendo errores médicos, diagnósticos y gestionando protocolos clínicos
con mayor fiabilidad, agilidad en los procesos, etc. [1]

Es por esto, que dada la gran variedad de aplicaciones que ha presentado la inteligencia
artificial en el mundo, en el entorno clínico se han incorporado las redes neuronales
artificiales como un apoyo a las decisiones médicas, focalizando su uso en sistemas
inteligentes para el diagnóstico y tratamiento de enfermedades sintomáticas
respiratorias. En este orden de ideas, para dar argumentos que soporten el desarrollo
de este trabajo, se ha implementado a nivel internacional los siguientes trabajos de
investigación:

Título: Automatic detection of lung cancer from biomedical data set using discrete
AdaBoost optimized ensemble learning generalized neural networks. [2]

Autor: P. Mohamed Shakeel, Amr Tolba, Zafer Al-Makhadmeh & Mustafa

Musa Jaber.

Año: 2020
En esta investigación se analizarón las caracteristicas biomédicas
relacionadas con el cancer de pulmón, utilizando técnicas de
computación suave y neuronal. Inicialmente, las características del
cáncer de pulmón se obtuvieron del repositorio de conjuntos de
Metodología: datos biomédicos de ELVIRA. El ruido presente en los datos fue
eliminado dividiéndolo en diferentes contenedores, y los valores
faltantes fueron reemplazados con la ayuda de la estimación del
XP
NEURAL valor medio, normalizando los datos en términos de 0-1,
NETWORK asimismo, la repetición mínima y las características heurísticas de
Wolf se seleccionaron posteriormente para minimizar la
dimensionalidad y complejidad de las mismas, examinando la

5
 redundancia de estas y eliminando del conjunto de datos las que
no determinaban ningun valor.

Finalmente, las características de prueba se clasificaron con la

ayuda de múltiples capas del conjunto discreto optimizado
AdaBoost aprendizaje de la red neuronal generalizada
(DAELGNN), que entrenó con éxito las características y las
categorizó en cáncer de pulmón y características normales. Por
consiguiente, la eficiencia de el sistema se evaluó mediante la
herramienta MATLAB, que aseguró una tasa de error mínima
(0.0212) y una tasa de predicción alta (99.48%), mientras se
analizaban las pruebas y la funciones de entrenamiento. La exitosa
selección de las características del cáncer y la dimensionalidad de
las características reducidas ayudaron mejorar la tasa de predicción
general y minimizar la sobreajuste de las características del cáncer
de forma eficaz. En el futuro, la predicción del cáncer se puede
mejorar aún más mediante la captura y examinar los datos del
sensor, utilizando una técnica optimizada para mejorar las tasas de
predicción anteriores.

Título: Lung Pattern Classification for Interstitial Lung Diseases Using a Deep
Convolutional Neural Network. [3]

Autor: Marios Anthimopoulos, Stergios Christodoulidis,

Lukas Ebner, Andreas Christe, and Stavroula Mougiakakou

Año: 2016
En esta investigación se propuso un sistema de diagnóstico asistido
por computadora (CAD) para enfermedades pulmonares
intersticiales (EPI). Por tanto, los autores propusieron y evaluaron
Metodología: una red neuronal convolucional (CNN), diseñada para la
clasificación de Patrones ILD. La red propuesta consta de 5 redes
Clasificación de
patrones y convolucionales, con capas de 2 núcleos y activaciones
redes LeakyReLU, aplicando técnicas tanto de agrupación como de
neuronales
covolucionales clasificación utilizando un conjunto de datos de 14696 parches de

6
 imagen, derivados por 120 tomografías computarizadas de
diferentes escáneres y hospitales.

Del mismo modo, se utilizaron parches de imagen pulmonares en 7

clases, incluidos 6 patrones ILD diferentes y tejido sano, asimismo,
se diseñó una nueva arquitectura de red que captura las
características de textura de bajo nivel del tejido pulmonar. Por otro
lado, un análisis comparativo demostró la efectividad de la CNN
propuesta contra métodos anteriores en un desafío conjunto de
datos. El rendimiento de clasificación demostró que el potencial de
las CNN puede contribuir al análisis de patrones pulmonares.

Título: A Comparative Study on Chronic Obstructive Pulmonary and Pneumonia

Diseases Diagnosis using Neural Networks and Artificial Immune System [4]

Autor: Orhan Er & Cengiz Sertkaya & Feyzullah Temurtas & A. Cetin
Tanrikulu

Año: 2015
Esta investigación presento un estudio comparativo para la
realización del diagnóstico de EPOC (enfermedad pulmonar
obstructiva crónica) y neumonía mediante redes neuronales y
Metodología:
sistema inmunológico. Los resultados también fueron en
comparación con los resultados de los estudios anteriores
Algoritmo de informados por otros autores. Como conclusión, se obtuvieron
entrenamiento resultados favorables, visualizando que la red neuronal y las
LM
estructuras AIS podría utilizarse con éxito para ayudar al
diagnóstico de la EPOC y neumonía.

Por otro lado, los métodos utilizados en este estudio generalmente

mostraron mejores actuaciones que los métodos utilizados en
estudios anteriores. Del mismo modo, se evidencio que el algoritmo
de entrenamiento LM converge mejor que BP con el algoritmo de
entrenamiento de impulso para la EPOC y problema de diagnóstico
de enfermedad de neumonía, asimismo, los mejores resultados

7
 para la precisión de la clasificación fueron obtenidos de la
estructura AIS para la EPOC y diagnóstico de la enfermedad de la
neumonía.

El desempeño de clasificación del PNN fue muy cercano al

rendimiento de clasificación de la estructura AIS para el diagnóstico
de EPOC y neumonía, determinando que, las estructuras podrían
usarse con éxito para ayudar al diagnóstico de EPOC y neumonía,
sirviendo como como sistema de apoyo a las decisiones basado en
el aprendizaje para contribuir a los médicos en sus decisiones de
diagnóstico.

Título: Aplicación de redes neuronales en la predicción de mortalidad por neumonía

[5]

Autor: Pedro Julio García Álvarez

Año:
En esta investigación, el autor propuso un modelo matemático
2018
predictivo de mortalidad de la neumonía adquirida en la comunidad
de la Habana (Cuba). Para esto, se realizo un estudio analítico
Metodología: longitudinal en un universo de 73 pacientes, muestra no
probabilística de 48. Con esto, se utilizo el test de Mann Withney
para obtener variables con significación en la mortalidad. Así
METODOLOGIA mismo se calculó correlación de Pearson a las variables con
AGIL XP
significación y luego se elaboró el modelo matemático, el cual se
probó en una red neuronal creada y entrenada al efecto.
Posteriormente se llevó a la curva ROC para encontrar el área bajo
la curva, así como las coordenadas del punto de corte.

Como resultado se obtuvo para la edad de 79 ± 11 años con 50 %

femeninas. La mortalidad global estuvo en el orden del 27 %. Las
variables con diferencias de comportamiento fueron la presión
arterial sistólica (x2=0,001), así como la presión arterial diastólica
(x2=0,001). El valor de la creatinina se comportó con (x2=0,03). La

8
 frecuencia respiratoria de (x2=0,01). La presión de oxigeno de
(x2=0,036) al igual que las cifras de hemoglobina, el nivel de sodio
(Na) (x2=0,004) con marcada diferencia entre los grupos y la edad
(x2=0,003) IC=0,32. Así mismo, el autor demostró que este
modelo matemático es una herramienta útil a pie de cama del
paciente teniendo en cuenta que ayuda al juicio clínico en hacer
un pronóstico más acertado.

Título: Sistema experto para el diagnóstico de enfermedades respiratorias en el

Hospital Central de la Policía Nacional del Perú Luis N. Sáenz [6]

Autor: Harold Anderson Chacaltana La Rosa

Año:
El objetivo principal de este trabajo fue crear un sistema experto
2018
para el diagnóstico de enfermedades respiratorias, el cual será
utilizado inicialmente en el Área de Neumología del Hospital Central
Metodología: PNP Luis N. Sáenz; permitiendo con ello atender de manera
inmediata las inquietudes de los pacientes. Con el desarrollo de
XP
este sistema experto, se busco aminorar los tiempos de respuesta
Grover del diagnóstico de las enfermedades respiratorias, debido a que la
y
Commonkads afluencia de pacientes en el centro medico, no se dan abasto en la
atención, demorando en analizar los síntomas, por lo tanto, el
tiempo de consulta es mayor, como consecuencia la atención es
más prolongada de lo esperado, generando la reducción de
pacientes a atender.

Así mismo, se determino que la usabilidad del software de apoyo

para el diagnóstico de enfermedades respiratorias influye
satisfactoriamente en los procesos de enseñanza-aprendizaje, a
través de su navegabilidad intuitiva y la legibilidad y claridad de sus
contenidos a la vista de sus usuarios. La eficiencia del sistema
experto para el diagnóstico de enfermedades respiratorias influye
satisfactoriamente en los procesos de enseñanza-aprendizaje, en
cuanto a la carga de contenidos y tiempos de respuesta de las
peticiones de los médicos.

9
 La portabilidad del sistema experto para el diagnóstico de
enfermedades respiratorias influye satisfactoriamente en los
procesos de eficiencia y eficacia, en cuanto a la satisfacción de sus
usuarios al disponer del sistema en distintos navegadores web y
diversos dispositivos de hardware, características que describen a
este indicador de calidad.

Título: Deep Auscultation: Predicting Respiratory Anomalies and Diseases via

Recurrent Neural Networks [7]

Autor: Diego Perna, Andrea Tagarelli.

Año:
En este trabajo, los autores realizaron un marco de aprendizaje
2018
novedoso para los datos de sonido de auscultación respiratoria.
Con este enfoque se combinaron técnicas de extracción de
Metodología: características de vanguardia y arquitecturas avanzadas de redes
neuronales profundas.
Desarrollo Esta investigación es novedosa, dado que, fue la primera en
iterativo y Deep modelar un marco de aprendizaje basado en redes neuronales
learning
recurrentes para ayudar al médico a detectar enfermedades
respiratorias. a cualquier nivel de sonidos anormales o clases de
patología. Los resultados obtenidos en el conjunto de datos de
referencia del ICBHI mostrando que el enfoque de la investigación,
supera a los métodos de la competencia en tareas de predicción
impulsadas por anomalías y patologías, lo que avanza el estado del
arte en el análisis de enfermedades respiratorias.

Título: Diseño de una herramienta auxiliar en el diagnóstico de cáncer de pulmón

mediante la cuantificación de proteínas biomarcadoras utilizando redes neuronales
artificiales. [8]

10
 Autor: JOSE MIGUEL FLORES FERNANDEZ

Año:
En este trabajo se evaluó en conjunto un grupo de biomarcadores
2015 con el propósito de incrementar la eficiencia en la detección de
cáncer de pulmón. Por esta razón, se desarrolló una Red Neuronal
Artificial (RNA) para determinar que biomarcadores son relevantes
Metodología:
en el diagnóstico de cáncer de pulmón en suero.

La RNA se entrenó con catorce proteínas reportadas como

METODOLOGIA
RNA posibles biomarcadores de cáncer de pulmón. La RNA clasificó
correctamente 133 casos de 150 estudiados. Sin embargo, una
prueba de detección con catorce proteínas no es viable para
utilizarse como prueba de diagnóstico, debido a los costos
asociados a la evaluación de cada proteína. Un análisis de
componentes principales permitió reducir el número de
biomarcadores con el que se entrenaba la RNA a seis y
posteriormente a sólo cuatro, obteniendo los mismos resultados
que si se hubieran utilizado todas las proteínas. La RNA entrenada
con los biomarcadores Cyfra 21-1, CRP, CEA y CA125 produjo un
aumento en la sensibilidad de 18.31%, es decir, 94.5%, en
comparación con la del mejor biomarcador, Cyfra 21-1
(sensibilidad 76.19%), a una especificidad del 80%.

La RNA mejoró significativamente la sensibilidad de los

marcadores biológicos, por lo tanto, las RNAs son una
prometedora herramienta auxiliar en el diagnóstico de cáncer de
pulmón

En este orden de ideas a nivel nacional se encontró:

Título: APLICACIÓN DE ANALÍTICA DE DATOS PARA PREDICCIÓN DE

INFECCIÓN RESPIRATORIA AGUDA EN COLOMBIA. [9]

11
 Autor: Mayra Alejandra Jiménez Manjarres

Año:
Este proyecto propuso una solución al problema del pronóstico de
2019 Infección Respiratoria Aguda (IRA) en Colombia a través del diseño
de múltiples modelos por departamento, superando el alcance
establecido inicialmente de un solo modelo. Estos modelos
Metodología:
permitieron evaluar y reconocer bajo cuáles condiciones técnicas
es posible hacer pronósticos más acertados.
CRISP DM

MODELO DE Para la creación de los modelos se implementaron las técnicas de

DESARROLLO regresión lineal múltiple, LASSO y redes neuronales MLP. Para
ITERATIVO
EN CASCADA comparar estos desempeños se emplearon las métricas RMSE,
MAE, MAPE y MSE. En definitiva, la técnica que mejor desempeño
suministró en los pronósticos fue la de redes neuronales MLP.
Además, se construyó un visualizador de datos, que representa una
herramienta crucial en la interpretación de resultados. Su diseño se
realizó teniendo en cuenta la importancia de utilizar interfaces no
solo amigables sino también adecuadas para la correcta
interpretación de los modelos. Por lo tanto, el visualizador
constituye el intermediario entre el modelo y el usuario que puede
ser un profesional de salud, un experto, un analista de datos o un
ciudadano.
Si bien las métricas utilizadas son dicientes en cuanto a los
pronósticos, es importante acompañar al personal experto en
epidemiología para explicar el significado de cada una y el impacto
que podría tener una buena interpretación de resultados.

A nivel regional y local no se encontraron referentes.

3. PLANTEAMIENTO DEL PROBLEMA

Con el avance de las maquinas y la inteligencia artificial, en particular las redes

neuronales estan teniendo un gran desarrollo, cambiando la forma de extraer
conocimiento de un conjunto datos, el cual se ha ido perfeccionando a través de los
años, logrando así un impacto en diversas áreas de conocimiento, incluida la medicina.

12
Es por esto, que, con la incorporación de las tecnologías de información y las RNA en
el proceso de diagnóstico y tratamiento de enfermedades respiratorias está mejorando
el proceso de toma de decisiones en muchos lugares del mundo, utilizando técnicas o
métodos que pueden dar a conocer el grado de influencia e incidencia obtenido bajo
este tipo de técnicas generando una toma de decisiones y una extrapolación del
comportamiento de dichas patologías objeto de estudio. [9]

En este sentido, estas decisiones deben estar garantizadas por criterios de evidencia,
guías de práctica clínica y la experiencia de entrenamiento de la red y del personal
médico, para ello, es necesario recopilar y procesar de forma adecuada la información
referente al estado de salud de los pacientes, que en este caso la patología va ligada a
las enfermedades sintomáticas respiratorias en el departamento del cesar, dejando en
claro que, esta información se concreta en distintos tipos de variables, con estas
variables se procede a la aplicación de criterios que permitan llegar a un diagnóstico
acertado, dado que, la posible evolucion de la enfermedad y las posibles complicaciones
se pueden derivar, de los resultados obtenidos en la funcionalidad de la RNA. [6]

Por otro lado, en la idea latinoamericana, países como México, Brasil o Argentina, se
han visto involucrados dentro del uso de las RNA focalizadas en el sector salud,
llegándola a utilizar en grandes entidades del sector salud como un proceso de soporte
en la toma de decisiones para el médico y a su vez cumple una labor importante
sirviendo como apoyo clínico al personal médico de la entidad en la gestión de procesos,
generando un desarrollo potencial por la rapidez y la precisión de los diagnósticos en
patologías cardiovasculares, enfermedades respiratorias, medicina nuclear,
radiografías, entre otras, llegando a predecir situaciones del presente o el futuro para el
paciente. [5]

De lo antes expuesto, Colombia no escapa a una problemática similar, donde en

diversas universidades del país se ha empezado a desarrollar e implementar este tipo
de tecnología tal como es el caso de la Universidad Nacional y la Universidad Javeriana.
las cuales son organismos que cumplen con todos los requisitos participes de la
evolución en esta disciplina, por ende, mirando este proceso, se puede decir que
muchas entidades del sector salud en Colombia requieren de implementar sistemas
inteligentes para el diagnóstico y tratamiento de enfermedades sintomáticas
respiratorias utilizando RNA como apoyo a la toma de decisiones, puesto que, para
cualquier organización médica es fundamental el apoyo tecnológico para el desarrollo
de la mejora continua en todos sus procesos, además, de ser un departamento pionero

13
en este tipo de Tecnologias que vincula la inteligencia artificial, generando un impacto
social, económico y tecnológico en el departamento del cesar. [9]

En este escenario, la problemática causal se evidencio en el area de la salud del

departamento del cesar, donde no se cuenta con un sistema inteligente que genere un
diagnóstico y el tratamiento de patologías o enfermedades sintomáticas respiratorias,
los cuales se podría resolver con el diseño, codificación, entrenamiento y puesta en
marcha de una red neuronal artificial, conllevando a un análisis de efectos tales como:
rapidez en los procesos de entrega de diagnósticos médicos y clínicos, una mejor toma
de decisiones por parte de la junta médica, una mayor evaluación y reconocimiento de
las patologías bajo condiciones técnicas que denoten un pronóstico más acertado, entre
otros efectos relevantes, los cuales son de suma importancia para los procesos clínicos
en el sector salud del departamento del Cesar.

Por consiguiente, de no realizarse este sistema inteligente para el diagnóstico y

tratamiento de enfermedades sintomáticas respiratorias utilizando RNA como apoyo al
área de la salud del departamento del césar, quedaría relegado de la gestión tecnológica
que demanda la estandarización del sector salud y su personal se medico se vería
atrasado en sus procesos tecnológicos los cuales estan soportados en la toma de
decisiones que demanda el uso o aplicación de las RNA, como lo es planteado por
diversos autores entre ellos Delgado (2002).

FORMULACION DEL PROBLEMA:

¿CÓMO MEJORARIA EL ÁREA DE LA SALUD DEL DEPARTAMENTO DEL CÉSAR

CON UN SISTEMA INTELIGENTE RNA PARA EL DIAGNÓSTICO Y TRATAMIENTO
DE ENFERMEDADES SINTOMÁTICAS RESPIRATORIAS?

4. OBJETIVOS DEL PROYECTO

4.1 Objetivo General

 Desarrollar un sistema inteligente para el diagnóstico y tratamiento de

enfermedades sintomáticas respiratorias utilizando RNA como apoyo al área de
la salud del Departamento del César

14
4.2 Objetivos Específicos

 Analizar los diagnósticos y tratamientos que se deben aplicar en las patologías

sintomáticas respiratorias
 Construir un conjunto de datos de las variables sintomáticas respiratorias de
acuerdo a los datos suministrados por el area de salud del departamento del
cesar.
 Crear una RNA para el diagnóstico y tratamiento de enfermedades sintomáticas
respiratorias.

5. JUSTIFICACIÓN DEL PROYECTO

Las redes neuronales artificiales son sistemas de cálculo que se asemejan a las redes
neuronales biológicas al utilizar nodos interconectados. En este sentido, el
procedimiento consiste en entrenar las RNA para que aprendan patrones complejos de
relaciones entre las variables predictoras y de un resultado esperado. Bajo esta
apreciación, el interés en la aplicación de las RNA en campos como la medicina durante
los últimos años ha aumentado de manera progresiva, reflejando publicaciones en áreas
fundamentales como el reconocimiento de imágenes, análisis de ondas, procedimientos
de farmacología, epidemiología, predicción de resultados y procesos diagnósticos en
toma de decisiones. [10]

Por lo tanto, la investigación propuesta se justifica teóricamente por presentar

contrastaciones de autores que se apoyarán en la implementación de sistemas
inteligentes RNA para el diagnóstico y tratamiento de enfermedades sintomáticas
respiratorias como apoyo en la toma de decisiones, orientadas desde un contexto
tecnificado, es decir, que contengan la colaboración de la ingeniería para formular,
diseñar y adecuar la problemática encontrada para dar respuestas productivas
enmarcadas en el tiempo.

De igual forma se justifica en lo práctico porque presenta aportes digitales que según
los estudios en la sociedad del conocimiento los sistemas inteligentes RNA son una
herramienta efectiva para llevar los procesos de toma de decisiones en diversos
entornos, tal como se ha demostrado en el ámbito clínico, logrando mejorar la
competitividad del entorno bajo el uso de la inteligencia artificial, mejorando el

15
rendimiento de los procesos médicos de manera atractiva e interactiva utilizando las
herramientas TIC.

Por último, se justifica en lo metodológico porque, las organizaciones pertenecientes al

sector salud que implementen los sistemas inteligentes RNA, como soporte al avance
de la mejora continua logran mejores perspectivas en los entornos de la practicidad,
conllevando a la agilidad de sus procesos y a la obtención de méritos referentes en el
uso o aplicación de la tecnología. Además, el proyecto utiliza técnicas y métodos
metodológicos que permiten recabar la información y colocar los resultados como
posibles antecedentes para otros estudios.

6. METODOLOGIA DEL PROYECTO

6.1 Tipo de Investigación

La investigación de este proyecto está enmarcada en un modelo de investigación

cuantitativo, dado que, analiza una realidad objetiva a partir de mediciones numéricas y
análisis estadísticos para determinar predicciones o patrones de comportamiento del
fenómeno o problema planteado. En este sentido, este enfoque utiliza la recolección de
datos para comprobar hipótesis, que se han planteado con antelación al proceso
metodológico, empleando experimentaciones y análisis de causa-efecto, por
consiguiente, se debe resaltar que este tipo de investigación conlleva a un proceso
secuencial y deductivo, que al término de la investigación se debe lograr una
generalización de resultados, predicciones, control de fenómenos y la posibilidad de
elaborar réplicas con dicha investigación. [11]

Asi mismo, el diseño de la investigación se encuentra enmarcado bajo un diseño de tipo

descriptivo y correlacional, puesto que, el diseño experimental se utiliza para establecer
una relación entre la causa y el efecto de una situación; y el diseño correlacional es una
técnica de diseño de investigación no experimental que ayuda a los investigadores a
establecer una relación entre dos variables estrechamente relacionadas. [11]

6.2 Método de la Investigación

Para la construcción de los objetivos planteados en el proyecto y el desarrollo del

sistema inteligente para el diagnóstico y tratamiento de enfermedades sintomáticas
respiratorias utilizando RNA se utilizó la metodología Neural Network, también conocida
como metodología básica para redes neuronales artificiales. [12]

16
En este sentido, una aplicación de redes neuronales artificiales, comprende varias fases
o etapas, para el desarrollo y validación de la estructura se tienen las siguientes fases:

 Definición de la red neuronal: Se determina el número de neuronas de las

capas de entrada, oculta y salida, así como también las diferentes funciones de
activación que se utilizarán en las neuronas de la capa oculta y salida.

 Entrenamiento de la red neuronal: En esta etapa se define el tipo de

entrenamiento que se realizará, si es aprendizaje supervisado o no supervisado,
también se determinan los algoritmos de entrenamiento.

 Utilización de la red neuronal: La fase de utilización es propiamente la

ejecución de la estructura de la red, se inicia cuando se presenta una entrada a
la red y termina generando una salida en función a las entradas proporcionadas.

 Mantenimiento de la red neuronal: Sobre el mantenimiento se puede decir que

la mayoría de las redes se entrenan para solucionar problemas dinámicos, por
lo tanto, es necesaria e indispensable una validación continua para garantizar
una buena utilización. A medida que transcurra el tiempo podrán surgir nuevos
conjuntos de datos reales aún desconocidos por la red, y de esta forma, será
necesario un nuevo aprendizaje o, dependiendo del caso realizar una nueva
definición.

8. ANALISIS

La incorporación de las tecnologías de información y las RNA en el proceso de

diagnóstico y tratamiento de enfermedades respiratorias está mejorando el proceso de
toma de decisiones en muchos lugares del mundo, utilizando técnicas o métodos que
pueden dar a conocer el grado de influencia e incidencia obtenido bajo este tipo de
técnicas generando una toma de decisiones y una extrapolación del comportamiento de
dichas patologías objeto de estudio.

En este sentido, estas decisiones deben estar garantizadas por criterios de evidencia,
guías de práctica clínica y la experiencia de entrenamiento de la red y del personal
médico, para ello, es necesario recopilar y procesar de forma adecuada la información
referente al estado de salud de los pacientes, que en este caso la patología va ligada a
las enfermedades sintomáticas respiratorias en el departamento del cesar, dejando en
17
claro que, esta información se concreta en distintos tipos de variables, con estas
variables se procede a la aplicación de criterios que permitan llegar a un diagnóstico
acertado, dado que, la posible evolución de la enfermedad y las posibles complicaciones
se pueden derivar, de los resultados obtenidos de la funcionalidad de la RNA. De esta
manera, Se pretende identificar las enfermedades derivadas de síntomas respiratorios
a través un aplicativo basado en redes neuronales artificiales que ayude a soportar la
toma de decisiones del personal médico, en cuanto a diagnóstico de enfermedad y
tratamiento.

9. DISEÑO
Como primera medida, se construye una red neuronal artificial Backpropagation
dinámica, es decir, el número de entradas y salidas dependerá de las características
estructurales del conjunto de datos con que se entrena la red neuronal. El número de
capas ocultas y el número de neuronas son abiertas para que el usuario final pueda
definir cuál es la mejor configuración de red según su criterio o según los resultados de
pruebas realizadas con antelación. Se definen un numero inicial de 17 entradas las
cuáles serán las siguiente:

 Disnea
 tos_con_sangre
 sibilancia
 fatiga
 perdida_peso
 fiebre
 sudores_nocturnos
 dolor_corporal

Para la capa de salida se cuenta con dos neuronas, como lo son el diagnostico o
enfermedad identificada y la variable correspondiente al tratamiento indicado para dicha
enfermedad. Lo pesos y los umbrales para cada neurona son asignados aleatoriamente

Entre los valores que podemos encontrar en el dataset de entrenamiento se encuentran

los siguientes diagnósticos y tratamientos recomendados.

 tuberculosis - Isoniazida y Rifampina

 bronquitis - Albuterol y Levalbuterol

18
  EPOC - Albuterol e Ipratropio
 asma - Albuterol y Metaproterenol
 bronquictasia - Cloxacilina y Ciprofloxacino
 Neumonia - Amoxicilina Moxifloxacino y Azitromicina
 Gripa común - Paracetamol e Ibuprofeno
 Resfriado común - Paracetamol e Ibuprofeno

En caso de que los datos ingresados no correspondan a los validados durante el

proceso de entrenamiento, pues el sistema arroja una salida con un mensaje de
advertencia, “se requieren más síntomas para determinar diagnostico “, y al no identificar
ningún diagnostica, la segunda salida arrojara un mensaje de N/A

Ilustración 1Arquitecturade red utilizada en el caso de estudio

para la captura de datos de la capa de entrada de la red, se obtienen los datos por
teclado, en el que se suministran los síntomas respiratorios. Estos datos son
normalizados posteriormente para el procesamiento ágil de la red neuronal. Una vez
calculado el valor numérico para cada síntoma, este valor es ingresado a cada una de
las neuronas de entrada según el síntoma identificado. A partir de este momento, con
los datos de entrada ya suministrados, la red neuronal puede iniciar el procesamiento
de la información para calcular los errores e identificar cual configuración de red es la
adecuada para el proceso de estimación e identificación del diagnóstico.

10. PRUEBAS
En el proceso de pruebas se realizaron tareas relacionadas con procesos matemáticos
para calcular la efectividad de la red. Se calcularon los errores arrojados por la red en
las iteraciones correspondientes a distintas configuraciones de su arquitectura. Los
errores más bajos obtenidos se evidencian en la arquitectura de red con 2 o más capas
ocultas y utilizando función de activación Sigmoide. Se realizaron pruebas con diferente

19
número de neuronas y se determinó que el número óptimo para este procesamiento
esta entre las 10 y las 15 neuronas dentro de cada capa oculta.

11. IMPLEMENTACION Y SIMULACION

Para el proceso de implementación y simulación de la red se utilizan una serie de
patrones similares a los utilizados para el entrenamiento, tales patrones corresponden
a los síntomas con sus correspondientes enfermedades y tratamientos.

Se cargan los datos para el entrenamiento de la red

Una vez cargados los datos, pueden ser observados en la tabla principal de datos, en
donde podremos verificar visualmente que los datos corresponden a los indicados para
le entrenamiento. Se define la cantidad de capas ocultas de la red y el número de
neuronas correspondientes para cada capa, así como también se selecciona el tipo de
función de activación según sea la necesidad del usuario o según el tipo de datos que

20
se vayan a entrenar. El sistema asigna los pesos y umbrales de manera aleatoria a cada
una de las neuronas que conforman la red.

Posteriormente se procede a entrenar la red, la cual mostrara una gráfica en tiempo real
con el comportamiento del error por cada iteración que realice el sistema. Al finalizar el
proceso se guardará un archivo de texto con toda la información correspondiente a la
configuración optima determinada para el mejor entrenamiento para la de la red
neuronal.

Finalmente se procede a simular utilizando los patrones definidos anteriormente, se

ingresan los datos en los campos de entrada y se genera la salida esperada como lo
son el nombre de la enfermedad y el medicamento utilizado para el tratamiento de dicha
enfermedad.

21
 12. CONCLUSION
Se logra determinar que los sistemas basados en redes neuronales artificiales son una
opción muy viable para este tipo de problemas a resolver que se presentan diariamente
en el área de la salud y muchas otras áreas. Como podemos apreciar en el este estudio,
las enfermedades respiratorias, pueden ser en parte, identificadas a través de su
sintomatología, cabe resaltar que, aunque los síntomas son muy parecidos en la
mayoría de enfermedades respiratorias, existen algunas diferencias que se pueden
aprovechar al momento de realizar el entrenamiento de la red. La identificación de estas
enfermedades respiratorias son pieza clave en la labor de las clínicas y hospitales, pues
de esto depende la vida de muchos pacientes y las redes neuronales artificiales como
evidenciamos en este estudio, aportan grandes herramientas confiables para estos
procesos.

Referencias Bibliograficas

[1] M. A. J. Manjarrés, Aplicación de analítica de datos para predicción de infección

respiratoria aguda en Colombia, Bogota (Colombia): Uniandes, 2019.

[2] A. T. ,. A.-M. y. M. M. J. P. Mohamed Shakeel, «Automatic detection of lung cancer from

biomedical data set using discrete AdaBoost optimized ensemble learning generalized
neural networks,» neural computing and aplications , vol. 32, pp. 777-790, 2019.

[3] S. C. L. E. A. C. a. S. M. Marios Anthimopoulos, «Lung Pattern Classification for Interstitial

Lung Diseases Using a Deep Convolutional Neural Network,» IEEE TRANSACTIONS ON
MEDICAL IMAGING, vol. 35, pp. 1207 - 1215, 2016.

[4] c. s. f. t. c. t. orhan er, A Comparative Study on Chronic Obstructive Pulmonary and

Pneumonia Diseases Diagnosis using Neural Networks and Artificial Immune System,
2015.

[5] P. J. G. Álvarez, «Neuronal networks as predictors of death in pneumonia,» Revista Medica

Electrónica, vol. 40, nº 5, 2018.

[6] H. A. C. L. Rosa, Sistema Experto para el Diagnóstico de Enfermedades Respiratorias en

el Hospital Central de la Policía Nacional del Perú Luis N. Sáenz, Lima (Peru): universidad
inca garcilaso de la vega, 2018.

[7] D. Perna y A. Tagarelli, «Deep Auscultation: Predicting Respiratory Anomalies and

Diseases via Recurrent Neural Networks,» IEEE, 2018.

22
[8] J. M. F. FERNANDEZ, Diseño de una herramienta auxiliar en el diagnóstico de cáncer de
pulmón mediante la cuantificación de proteínas biomarcadoras utilizando redes neuronales
artificiales, CIUDAD DE MEXICO (MEXICO): CIATEJ, 2015.

[9] M. A. J. Manjarres, APLICACIÓN DE ANALÍTICA DE DATOS PARA PREDICCIÓN DE

INFECCIÓN RESPIRATORIA AGUDA EN COLOMBIA, BOGOTA (COLOMBIA):
UNIANDES, 2019.

[10] J. M. M. B. A. R. A. S. J. Trujillano, «Aplicación de las redes neuronales artificiales para la

estratificación de riesgo de mortalidad hospitalaria,» Gaceta Sanit, vol. 17, nº 6, 2003.

[11] R. H. Sampieri, Metodologia de investigacion 6ta edicion, mexico : mc graw hill, 2014.

[12] i. artificial, «metodologia red neuronal,» [En línea]. Available:

https://sitiointeligenciaa.wordpress.com/metodologia/.

23