Predicción, análisis y pronóstico de
covid-19 utilizando un modelo de árbol
de decisión.
Prediction, analysis and forecasting of
covid-19 using a decision tree model
Jefferson Castellanos Maldonado – Xavier Haro Guerrero.
Universidad de Guayaquil. Facultad de Ciencias Matemáticas y Físicas
ABSTRACT
• The spread of the SARS-CoV-2 virus, which
causes the Covid-19 disease as it is known
worldwide, has generated a series of studies and
investigations to try to counteract its effects
throughout the planet, with artificial intelligence
being one of the most important tools used for this
purpose by applying the different machine learning
algorithms. The present work aims to develop a
machine learning model based on Artificial
Intelligence (AI) using the supervised learning
algorithm, decision tree. In addition, the creation and
structuring of a database that allows us to predict,
analyze and forecast the degree of affectation in
patients infected with Covid-19 for their
corresponding hospitalization or home isolation. The
methodology used in this project is directed to the
scientific method which allowed us to investigate
and examine all kinds of studies, results and
investigations. The database used was obtained
from the repositories of the North American Johns
Hopkins University, which has updated information
on Covid-19, from governments, national and sub-
national agencies around the world. 90% of the
database records were used for algorithm training
and 10% to perform the corresponding tests,
resulting in a 95% precision percentage.
• Key words: Covid 19 - Artificial Intelligence
- Machine learning - Decision Trees –
Analysis -Prediction and Forecast
RESUMEN
La propagación del virus SARS-CoV-2, causante de
la enfermedad Covid-19 como es conocida
mundialmente, ha generado una serie de estudios e
investigaciones para tratar de contrarrestar sus
efectos en todo el planeta, siendo la inteligencia
artificial una de las herramientas más utilizadas para
dicho fin mediante la aplicación de los diferentes
algoritmos de aprendizaje automático. El presente
trabajo tiene como objetivo elaborar un modelo de
aprendizaje automático basado en Inteligencia
Artificial (IA) utilizando el algoritmo de aprendizaje
supervisado, árbol de decisión. Además, la creación
y estructuración de una base de datos que nos
permita predecir, analizar y pronosticar el grado de
afectación en los pacientes contagiados de Covid-
19 para su correspondiente hospitalización o
aislamiento domiciliario. La metodología utilizada en
este proyecto se encuentra dirigida al método
científico el cual nos permitió indagar y examinar
todo tipo de estudios, resultados e investigaciones.
Los dataset utilizados fue obtenido de los
repositorios de la universidad norteamericana Johns
Hopkins, que posee información actualizada sobre
el Covid-19, provenientes de gobiernos, agencias
nacionales y subnacionales de todo el mundo. Se
utilizó el 90% de los registros de la base de datos
para el entrenamiento del algoritmo y el 10% para
realizar las pruebas correspondientes, dando como
resultado un porcentaje de precisión del 95%.
Palabra’s clave: covid-19, inteligencia
artificial, aprendizaje automático, árboles de
decisión, análisis, predicción, pronóstico.
1. INTRODUCCIÓN
Las repercusiones que ha tenido el virus covid-19
en todo el planeta han sido alarmantes, debido a
esto, la comunidad científica en el área de la
biomedicina, ha trabajado de manera intensiva en
desarrollar soluciones que permitan conocer a
profundidad la forma en la que se propaga esta
enfermedad.
Las técnicas de aprendizaje automático
son el principal eje de la inteligencia artificial. Estas
tecnologías posibilitan analizar gran cantidad de
datos de manera rápida, para identificar patrones o
modelos, los cuales se pueden emplear para tomar
decisiones óptimas o predecir situaciones. Aplicando
estos conocimientos en el área médica sería posible
predecir el número de personas afectadas por covid-
19 de un género, edad y país específicos, debido al
gran volumen de datos estudiados.
Esta investigación tiene como objetivo analizar bases
de datos con registros actualizados sobre el COVID-
19 y extraer la información necesaria en base a los
síntomas que presentan las personas para así poder
determinar la gravedad de los pacientes contagiados.
Para el desarrollo del proyecto se proponen las
siguientes etapas:
a) Obtención de datos
b) Extracción de Características
c) Entrenamiento
Las etapas pueden modificarse en base a
circunstancias, por ejemplo, que los datos no sean
actualizados o validados.
En la etapa de resultados se aplicarán metodologías
de aprendizaje automático que permitirán predecir la
gravedad del paciente a través de características
basadas en su sintomatología.
Covid-19
El covid-19 fue declarado en diciembre del año 2019,
inmediatamente se reveló que “era causado por un
nuevo coronavirus que está relacionado
estructuralmente con el virus que genera el síndrome
respiratorio agudo severo (SARS)” (Calvo et al.,
2020).
En la ciudad de Wuhan se dio aviso sobre la
aparición de un brote epidemiológico de un
padecimiento respiratorio grabe pronto se reconoció
el agente: apareció un reciente coronavirus, conocido
como covid-19 (Villegas-Chiroque, n.d.).
El comportamiento del virus no está del todo
esclarecido, el covid-19 al ser una enfermedad
reciente, varios estudios recomiendan que el sistema
inmunológico no podría protegernos de este
adversario mortal, el sistema nervioso podría ser
también delicado al SARS CoV2 o agravar la
reacción del sistema inmunológico, lo que lleva a
consecuencias graves de afectaciones respiratorias
centrales, cerebrovasculares, convulsiones y otras
afecciones como perdida de olfato y gusto (Pérez,
2020).
La nueva aparición de esta enfermedad por
coronavirus nuevo (COVID-19), originado por el
síntoma respiratorio agudo grave coronavirus 2
(SARS-CoV-2), se presenta un rápido crecimiento de
pacientes infectados en todo el mundo. La refutación
inmune del infectado por SARS-CoV-2 parece
presentar un papel crítico en la patogénesis de la
enfermedad y las manifestaciones clínicas. El SARS-
CoV-2 no solo pone en marcha las respuestas
inmunitarias antivirales, también puede causar
respuestas inflamatorias incontroladas con la
particularidad de una liberación marcada de citocinas
proinflamatorias en pacientes con COVID-19 grave,
lo que lleva a una linfopenia, disfunción de linfocitos
y anomalías de granulocitos y monocitos (Yang et al.,
2020).
1.1. Predicción y pronóstico
Las predicciones eficientes son las
consecuencias de un tipo de decisión. “Éstos
vienen en una variedad de estilos; el más común
es el modelo de elección discreta. Básicamente,
este tipo de modelo funciona haciendo una serie
de preguntas que pueden utilizarse para priorizar
un conjunto de decisiones”
La palabra “pronosticar”, cuando se la utiliza
refiriendo a un análisis delictual táctico
individualmente, narra la causa de formar una
predicción de cuándo y dónde los futuros sucesos
de un esquema, una cadena o una tendencia
delictuales, sucederán. Los pronósticos se crean
experimentando eventos conocidos en una serie
con la finalidad de identificar patrones que
puedan ser adivinados. La gran parte de los
investigadores delictuales llevan un estudio
táctico durante sus carreras para intentar
pronosticar una serie, un patrón o un instinto
delictual (Jorquera & Rivera, 2012).
La fase inicial para efectuar pronósticos,
es la compilación de datos efectivos y confiables.
“Un pronóstico no puede ser más preciso que los
datos en que se basa. Cuando se mide una
variable a lo largo del tiempo, las observaciones
en diferentes periodos con frecuencia están
relacionadas o correlacionadas” (Ruelas Santoyo,
2014).
2. INTELIGENCIA ARTIFICIAL
La inteligencia artificial tiene como destreza que
los ordenadores realicen funciones que
normalmente requiere que un humano lo haga.
Pero para brindar una teoría más precisa,
podemos decir que la IA es la habilidad que
tienen las máquinas para usar algoritmos,
aprenden de un bloque de información y utilizan
lo aprendido para poder tomar decisiones como
lo haría un ser humano. Pero existen diferencias
entre un ser humano y una maquina basada en
IA estas no necesitan descansar y pueden revisar
grandes cantidades de datos al mismo tiempo.
También el margen de error es sumamente
menor en los equipos que realizan la misma tarea
que un ser humano (Lasse Rouhiainen, 2018).
La (IA) tienen como objetivo que los
computadores realicen tareas que puedan ser
hechas por la mente. Como lo es el raciocinio se
las puede denominar “inteligentes”. Otras como
percepción, visión, asociación, predicciones y
planificación que hacen que seres humanos y
animales tomen decisiones. La inteligencia no es
un espacio en específico, sino un amplio espacio
estructurado lleno de diferentes destrezas para
procesar información. De la misma manera la
inteligencia artificial usa diferentes técnicas para
realizar varias tareas. Es una tecnología que
podemos encontrar en todas partes en el hogar,
vehículos, oficinas, entidades bancarias,
hospitales, aviones, también en el internet de las
cosas que cada vez se conectan a más sensores
físicos de los aparatos, ropa etc. Algunos se
encuentran fuera de nuestro planeta, como robots
satélites que están orbitando en el espacio
(Margaret A. Boden, 2016).
El termino de inteligencia artificial se basan en la
doctrina de las metodologías, filosofías aquellos
que laboran en la solución de problemas de
raciocinio, juegos de intelecto predicciones etc.
Mediante equipos informáticos en general tareas
que sean relacionadas con inteligencia que
comúnmente es realizadas por humanos. Esto ha
servido para cubrir un amplio tramo en la
investigación que de una forma u otra se dedican
a indagar en el área de la automatización de las
decisiones que toma el intelecto humano. Es
complicado encontrar una serie de características
que abarque conceptualmente todas las áreas en
la que practica. No existe una definición clara de
inteligencia artificial. por cada autor lleva una
propia interpretación de su investigación
(Delgado, 1996).
2.1. Aportes a la medicina
Los aprendizajes automáticos han sido utilizados en
la medicina desde el principio de la informática
legado al recóndito arraigo en el campo de la
innovación, pero al pasar el tiempo existe más
información relacionada con las ciencias de la
salud, de esta forma se da a conocer un nuevo
campo de las ciencias de la computación llamado
big data. Información médica de grandes cantidades
están conformadas como bases de datos que
pueden estar estructuradas como no estructuradas
si sus datos son válidos y bien interpretados pueden
brindar grandes beneficios al optimizar y disminuir
los costos y los tiempos de servicio en el área de la
salud, pero también pueden ser utilizados para
realizar predicciones sobre enfermedades, para
mejorar los tratamientos, capacitar a los médicos en
lugares de difícil acceso y mejorar la calidad de
vida.
El día de mañana, el vínculo entre hombre-máquina
en el campo de le medicina será más angosto; de
esta manera las máquinas tendrán la labor de
extracción, barrido y búsquedas de correlaciones, la
tarea del médico seria solo de interpretar estas
correlaciones y hallar nuevos tratamientos para
mejorar su efectividad en (Arias et al., 2019).
2.2. Aprendizaje automático
El aprendizaje automático es utilizado en diferentes
acontecimientos mientras haya información
relevante que podamos examinar, el aprendizaje
automático le dará entendimiento. Cada aprendizaje
es distinto. Estas se dividen en lo siguiente:
El problema
Es esencial en situaciones donde se
necesite identificar patrones y realizar predicciones
de comportamientos apoyados en datos reales.
Identificar semejanzas podría representar cualquier
cosa, desde reconocer caracteres hasta el
sostenimiento predictivo y la sugerencia de artículos
a las personas de cosas que hayan comprado con
anterioridad. De igual manera la computadora no
entiende la información y el problema. Una persona
debe enseñarle a la computadora utilizando
aprendizajes anteriores, si la persona no le plantea
de una forma concreta el problema, así tengamos el
algoritmo mejor capacitado y con bases de datos
muy extensas no obtendremos los resultados
deseados.
La data
Es la variedad de datos que se recopilan
el último año. Esta parte es clave porque es donde
se realiza el entrenamiento de los algoritmos (Alan
T. Norman, 2021). El aprendizaje es basado en el
incremento de conocimientos y habilidades para
cumplir con tareas asignadas. Una alegoría habitual
en el área del aprendizaje automático es estimar la
solución de problemas. Después de que haya
culminado con la solución del problema, debe estar
apto para hacer un reconocimiento de la
problemática y utilizar estrategias que hayan
aprendido con anterioridad. El agente autónomo
debe tener la destreza de hacer distintas tareas de
diferentes formas, si se puede y esto va a depender
de las circunstancias. Debe ser autosuficiente para
tomar decisiones y buscar el camino que más
convenga y así solucionar un problema y
personalizar las decisiones si así lo requiere. Es por
esto que unos de los objetivos principales es
construir sistemas que sean capaces de adaptarse
sin que tengan que ser entrenados con anterioridad
si se presentan nuevos problemas para resolver. El
mecanismo de un aprendizaje humano manera que
no admita replicar esta conducta con un ordenador
es un logro muy anhelado (Moreno -Eva et al.,
1994).
2.2.1. Uso del aprendizaje automático
en la medicina
En el área médica podría beneficiarse de
una relación cercana a la informática, de esta forma
se mejoran los procesos que son complejos y que
tienen errores como la valoración diferencial. Esto
es realizado por el aprendizaje automático, una de
la rama de la inteligencia artificial está constituida
por sistemas que son idóneos para aprender que
arrancan de un bloque de datos de entrenamiento y
mejorar las técnicas de clasificación y predicciones.
En otros países los últimos años ha evolucionado la
implementación de registros electrónicos y los
institutos nacionales de la salud tienen datos
clínicos muy importante almacenados. Para que
toda esta información se transforme en
conocimiento, necesitan ser ejecutados y
analizados mediante técnicas estadísticas
complejas, como se realizan en diferentes países
utilizando: razonamientos basados en sucesos,
redes neuronales, clasificadores bayesianos,
regresión o máquinas de soporte vectorial, esto
permite que sea más fácil el diagnóstico de
enfermedades como: apendicitis, cáncer de mama,
hepatopatía crónica (Lugo-Reyes et al., 2014).
2.3. Aprendizaje supervisado
También conocido como tarea predictiva es el más
utilizado en la actualidad, se da inicio desde un
grupo de datos que se encuentra etiquetado, esto
nos indica que se encuentra conformado por
información que contiene la variable que nos
interesa predecir. Con el uso de algoritmos de
Machine learning se produce un modelo de
predicción el cual es entrenado con este grupo de
datos. Y cuando este ya haya aprendido se procede
a realizar una medición de rendimiento del modelo
con el que se está trabajando. Este tipo de
aprendizaje supervisado se lo puede utilizar para
hacer predicciones o clasificaciones (Ávila
Bernabeu et al., 2018).
El Aprendizaje supervisado necesita de un
monitor como maestro. El aprendizaje supervisado
es un modelo al cual tenemos que enseñarle
mediante un conjunto de datos que estén
debidamente etiquetados, lo que nos indica que
ciertos datos ya se encuentran etiquetados con la
respuesta verdadera. Luego de esto, el equipo
recibe un nuevo conjunto de datos para que el
algoritmo de aprendizaje supervisado evalúe los
datos con los cuales fue entrenado y de esta forma
obtener los resultados correctos a partir de los datos
etiquetados (García Cambronero & Moreno Gomez,
2006).
2.3.1. Tipos de aprendizaje
supervisado
El aprendizaje supervisado se divide de la siguiente
forma:
2.3.1.1 Clasificación
Tenemos la expectativa de que este algoritmo nos
dé como resultado a qué grupo pertenece el
elemento estudiado. El trabajo de estos algoritmos
es encontrar similitudes en los datos que le
brindamos y clasificarlos en grupos. Después
realiza una comparación con los nuevos datos
ingresados y procede a clasificarlos en uno de los
grupos y de esta manera puede hacer una
predicción de que se trata. Las variables que vayan
a ser utilizadas para la predicción pueden ser
directas o categóricas. Las cuales son:
1. Binaria: (si, no) (negro, blanco) etc.
2. Múltiples: comparaciones (articulo1,
articulo,2, articulo3…) etc.
3. Ordenado: (mínimo, intermedio, máximo)
etc.
De esta manera se identifican los distintos tipos de
variables que podemos encontrar en estos modelos
de algoritmos(Sandoval Serrano, 2018).
2.3.1.2. Regresión
Los modelos de regresión de variables múltiples son
muy importantes en el área de la investigación
clínica, pueden ser tan como para la creación de
puntuaciones o para realizar predicciones o en
hacer investigaciones que estén relacionadas a
producir nuevas teorías. En la innovación de estos
modelos, hay que considerar: a) el manejo
adecuado de las técnicas estadísticas, debe estar
conforme al tipo de información utilizable: b) tener
en cuenta la cantidad de variables por cada evento
no puede superar 10:1 para no tener una
sobresaturación en el modelo, c) tener en cuenta los
problemas de los procesos automáticos al escoger
las variables, d) probar el modelo terminado
relacionando las cualidades de calibración y
discriminación. Deberá ser probada estas mismas
medidas, pero con un grupo de registros distintos
(Núñez et al., 2011).
2.4. Aprendizaje no supervisado
Se torna un problema cuando el modelo toma una
decisión al seleccionar las características entre los
datos proporcionados. Es el modelo el que debe
llegar a la conclusión de que clase se obtendrá los
patrones. En la toma de decisiones también se
vuelve un problema, si son correcta o no, la lógica
difusa entra hacer su trabajo, el uso de
agrupamiento difuso. Los agrupamientos se
encargan de particionar un grupo de datos en un
grupo de subclases y están son llamadas clusters.
El grupo es una recopilación de objetos que tienen
las mismas características que otros y así pueden
ser considerados conjuntamente como un grupo
(Cáceres Tello, 2014).
2.5. Semi supervisado
Se puede determinar que este aprendizaje es un
hibrido entre el supervisado y no supervisado que
mencionamos anteriormente, ya que trabaja en los
datos que se encuentran etiquetados y los que no
de igual manera. De esta forma, se posiciona ente
aprender de forma supervisada o no supervisada.
En la vida real, esta información etiquetada puede
ser rara en diferentes entornos y los datos que no lo
son en numerosos, este aprendizaje es útil. Para
dar un resultado más óptimo de la predicción que el
que nos da solo usando los que se encuentran
etiquetados en el modelo.
2.6. Refuerzo
Este tipo de aprendizaje automático les admite a los
equipos analizar automáticamente cómo se
comporta en diferentes entornos para poder
optimizar su eficiencia, eso significa, que es un
enfoque potenciado por el entorno. Este modelo de
aprendizaje es basado en la compensación o
penalización, esta potente herramienta se la utiliza
para entrenar modelos de inteligencia artificial para
mejorar la eficiencia de trabajo de sistemas
sofisticados como los que son empleados en la
robótica (Sarker, 2021).
2.7. Usabilidad de los datos
En conclusión, para poder entrenar el modelo, el
conjunto de los datos va a ser dividido en la
siguiente relación de 80:20, esto nos indica que el
80% de los datos son entrenamiento y el porcentaje
restante para las pruebas. La información que fue
seleccionada para el entrenamiento es utilizada
para datos de entrada y de salida del algoritmo. El
modelo aprenderá de la información de
entrenamiento. Utilizamos técnicas de medición
para observar la precisión del algoritmo (Delgado
Castillo et al., 2016).
3. HERRAMIENTAS UTILIZADAS
Entre las herramientas utilizadas se encuentra
Google Colaboratory, también conocido como
Colab, el cual es un servicio de notebook que
posibilita la escritura y ejecución de código en el
lenguaje de programación Python para múltiples
usuarios.
Para la investigación y consulta de términos se
utilizó el gestor de búsqueda académica Google
Scholar, obteniendo la fundamentación teórica de
fuentes científicas y fidedignas.
El lenguaje de programación empleado fue
Python debido al óptimo desempeño en su
sintaxis, además de ser multiplataforma orientado
a objetos. Se trata de un software libre que es
muy popular en la actualidad demostrando un
impacto tecnológico considerable. Para poder
trabajar con esta tecnología va a ser necesario un
grupo de herramientas que hagan efectivo su uso
y sencillo de comprender. El lenguaje de
programación de Python cumple con buenas
expectativas y es tomado en cuenta para el
desarrollo de softwares. Esto quiere decir que
puede ser utilizado para cualquier evento que se
presente, podrá ser ejecutado en cualquier
entorno, es adaptable y podrá ser modificado las
veces que sean necesarias si así lo necesita. En
el pasado surgieron algunas eventualidades que
fueron relevantes que dejaron una huella en el
futuro del desarrollo de softwares, como cuando
fue lanzada la primera versión de Linux y no
demoro mucho y en salir la versión del lenguaje
de programación de Python.
Son herramientas esenciales para la elaboración
de programas como lo es el papel y lápiz para un
escritor “Python ha ido ganando en adeptos en
comunidades como la de software libre, científica
y educacional, por su sencillez y posibilidad de
concentrarse en los problemas actuales” (Holguín
et al., 2014).
El
lenguaje de programación Python es de altas
prestaciones y multifuncional. En el trascurso del
tiempo el uso de esta tecnología ha ido
incrementado al punto de convertirse en uno de
los más utilizados para el desarrollo de softwares.
Este leguaje es compatible con plataformas y
sistemas operativos distintos. Como los que ya
conocemos Linux, Windows y Mac. Pero también,
son utilizados en dispositivos inteligentes, la
compañía Nokia utilizo este lenguaje para
desarrollar su sistema operativo Symbian. Python
es un lenguaje que no tiene un ámbito en
específico como lo son otras plataformas que
solamente se dedica a la creación de páginas
web o aplicaciones móviles. Esta herramienta es
multipropósito y puede ser utilizada para
aplicaciones científicas, telecomunicaciones,
interfaces gráficas y juegos para equipos móviles.
“Empresas y organizaciones del calibre de
industrial Light & Magic, Walt Disney, la Nasa,
Google, Yahoo!, Red Hat y Nokia hacen uso
intensivo de este lenguaje para desarrollar sus
productos y servicios” (Fernández Arturo, 2013).
Hay diferentes lenguajes de programación,
pero Python tiene algunas ventajas que lo hacen
muy interesante, ya sea en el ámbito educativo o
profesional. A continuación, mencionamos las
siguientes:
•El código en Python es mucho más comprimido
a diferencia de los demás y es denominado como
un lenguaje de alto nivel.
•La sintaxis de este lenguaje de programación es
muy legible y fácil de entender.
•Tiene una interfaz que es interactiva con el
usuario y esto nos ayuda al momento de hacer
las pruebas y contestar ciertas interrogantes que
tengamos a cerca del lenguaje.
•Python identifica los errores de sintaxis que
cometen los programadores y brindan
información para ser solucionados.
•Puede ser utilizado como un lenguaje orientado
a objeto.
•Cuentan con estructuras de datos que pueden
ser modificados de una forma sencilla.
Python es una herramienta que está en
constante cambio y es cada vez mejor por que
los desarrolladores hacen el lanzamiento de una
nueva versión cada 6 meses. Estas a su vez
mejoran la compatibilidad de los programas de
versiones anteriores (Marzal & Gracia, 2002).
Para realizar el presente trabajo investigativo
usamos Python como lenguaje de programación,
por las ventajas anteriormente mencionadas, por
la facilidad de comprensión de su y por la
variedad de información que podemos encontrar
para el desarrollo eficiente del código.
4. TRABAJOS RELACIONADOS
(Gerevini et al., 2020) propone en su
investigación el uso de herramientas poderosas
de aprendizaje automático para ayudar en la
lucha contra Covid-19. En su trabajo presenta un
estudio y una herramienta concreta basada en el
aprendizaje automático para predecir el riesgo de
muerte de un paciente en diferentes momentos
de la hospitalización, en base a alguna
información demográfica, puntuaciones de
radiografías de tórax y varios hallazgos de
laboratorio. Nuestros modelos de aprendizaje
automático utilizan conjuntos de árboles de
decisión entrenados y probados con datos de
más de 2000 pacientes. Una evaluación
experimental de los modelos muestra un buen
desempeño en la resolución de la tarea
abordada.
(Ma et al., 2020) presentó en su estudio para el
desarrollo y validación de modelo pronóstico de
riesgo de mortalidad en pacientes contagiados de
COVID-19, el uso de clasificadores supervisados
de Random Forest y XGBoost como modelos
predictores para las variables de clasificación.
Tanto Random Forest como XGBoost son
algoritmos de aprendizaje automático basados en
modelos de clasificación basados en árboles de
decisión. Random Forest utiliza embolsado en el
entrenamiento, mientras que XGBoost hace uso
de re-etiquetas en el entrenamiento. Sin
embargo, sus modelos de caja negra son difíciles
de interpretar el riesgo de mortalidad en los
pacientes. Aquí solo los usamos para calcular la
importancia relativa de cada variable en el
modelo discriminativo para las dos etiquetas
sobreviviente y no sobreviviente de los pacientes
de la muestra.
(Assaf et al., 2020) desarrolla en su investigación
un modelo de árbol de decisión de clasificación y
regresión (CRT) para predecir con precisión el
riesgo de Covid-19 construido en la interfaz
SPSS 25. Además, utilizó el método de
clasificación iterativa CRT para la selección
automática de características y prediciendo la
variable objetivo, dividiendo reglas para clasificar
la población en clases homogéneas. El modelo
utilizó la medida de impurezas de Gini para
probar la ganancia de cada división y la selección
automática de cortes óptimos de variables
continuas. Se utilizó una validación cruzada de
diez veces para la prueba y validación del
modelo.
(Hao et al., 2020) en su investigación, predicción
temprana de los requisitos de nivel de atención
en pacientes con Covid-19, buscó predecir en
algunos hospitales de Massachusetts, (USA), los
requisitos del nivel de atención en función de los
datos clínicos y de laboratorio. Se aplicaron
varios métodos de clasificación y los datos se
dividieron en un entrenamiento (80%) y un
conjunto de prueba (20%). Se emplearon
múltiples árboles de decisión en paralelo durante
la fase de entrenamiento, donde cada árbol se
entrena utilizando un conjunto de muestras
aleatorias del conjunto de entrenamiento original.
En la fase de prueba, RF utilizaron los
clasificadores de árboles de decisión entrenados
para clasificar una muestra de prueba y luego
combina todos los clasificadores por mayoría de
votos.
5. Árboles de decisión
Los árboles de decisión tienen la particularidad
de graficar de forma analítica y representar todos
los sucesos que puedan partir de una decisión
que se presente en un determinado momento.
Esto nos facilita escoger una decisión de una
manera más acertada basado desde el punto de
vista de la probabilidad, ante un conjunto de
opciones que podrían ser una posible decisión.
Los árboles facultan la revisión de resultados y
definir de forma gráfica como fluye el modelo. los
resultados de manera gráfica facilitan la
búsqueda de subgrupos específicos y
características que probablemente no se
encuentre con estadística tradicional. Las
técnicas estadísticas de segmentación de los
árboles de decisión tienen como función: extraer,
predecir, reducir los datos y filtrar las variables,
identificar interacciones, la combinación de
categorías y modificación de variables continuas,
esto con el fin de identificar relaciones entre los
grupos y realizar predicciones en sucesos futuros
(Berlanga et al., 2013).
Los árboles de decisión son modelos de
predicción y la misión principal es aprender de
forma inductiva a partir de sugerencias y
construcción lógica. Tienen un parecido a los
sistemas que realizan predicciones
fundamentados en reglas. Son útiles para graficar
y categorizar condiciones que se presentan de
manera subsecuente para la resolución de
problemas. El modelo de clasificación es uno de
los más utilizados y quizás más conocido. La
inteligencia que obtuvo durante el aprendizaje
inductivo se lo grafica en la forma de un árbol. Un
árbol que se encuentra representado por un
grupo de nodos, hojas y ramificaciones. El primer
nodo con el cual se inicia el árbol es conocido
como nodo raíz, escoge uno de los atributos de
prueba y divide el grupo de entrenamiento en
diferentes subconjuntos; para cada segmento se
produce un nodo nuevo y así consecutivamente.
Existen nodos con objetos que tienen más de una
clase se produce un nodo interno; Cuando estos
objetos tienen una sola clase, se crea una hoja
en la que se le va asignar la etiqueta de la clase.
En la fase dos del algoritmo los nuevos objetos
son clasificados por el árbol; luego el árbol es
desplazado desde el nodo raíz hasta una de las
hojas, a partir de la membresía del objeto de una
de las clases. El árbol será el que determine el
camino a seguir y tomen las decisiones en cada
nodo interno, en relación al atributo que se
encuentre presente(Ramírez et al., 2009).
Figura 1: Árbol de decisión.
Los árboles de decisión están formados por
nodos y su lectura se realiza de arriba hacia
abajo. Tomado de (Sempere, 1993).
Los árboles de clasificación y regresión son
herramientas que nos brindan modelos que
satisfacen objetivos de predicción y explicativos.
Dos de las características más relevantes de este
método son, primera, el fácil análisis gráfico a
través de los árboles y, segundo, la simplificación
de las reglas de lenguaje natural.
5.1. Clasificación basada en
árboles de decisión
Los modelos de árboles decisión por
clasificación es quizás uno de los más utilizados.
Estos son conocidos como modelos predictivos,
estos pertenecen a un conjunto de modelos
analíticos que son utilizados para hacer
predicciones, dicha técnica procede a clasificar
un grupo de datos en ramificaciones que forman
la estructura de un árbol invertido, y después este
modelo es usado para realizar predicciones de
una variable en específico. Tiene como ventaja
que pueden manejar extensos conjuntos de datos
y de complejidad considerables, y también, es
sencillo de usar y los resultados son fáciles de
interpretar. El algoritmo particiona los datos en
dos, hay que tomar en cuenta que cada parte
debe estar representada por las mejores clases
potenciales para su respectiva clasificación. La
respuesta que recibiremos será el grafico de un
árbol invertido, los nodos internos muestran los
valores de los atributos de cada uno de los datos
y las hojas son las decisiones de una clase en
específico. Para realizar nuevas clasificaciones a
futuro, cada nuevo escenario que se presente va
a ser evaluado por dicho árbol. Existen
interrogantes al momento de crear el árbol como
hasta donde hacer la división de los datos y
adonde me voy a detener. Una de las metas de
esta técnica es conseguir el árbol más pequeño
para que sea fácil interpretar los datos y de esta
forma tener menos errores al momento de
predecir nuevos registros a diferencia de árboles
más complejos (Ramírez et al., 2018).
Figura 2: tipos de árboles. Tomado de (Freddy
Hernández, 2021).
El desempeño de un árbol de decisión se mide a
través de la siguiente fórmula:
𝟏
𝒏
𝑳𝒏 (𝑻) = ∑ 𝟏𝑻(𝒙 𝒊 )≠𝒀𝒊
𝒏
𝒊=𝟏
En la ecuación presentada, 1 representa una los temas tratados previamente, además, revisar
función que se analiza como 1, cuando la y analizar diferentes bases de datos con registros
situación de valuación que se ha especificado es médicos para generar el modelo. Se realizó el
verdadera, o 0 si es falsa: 𝑻(𝑿𝟏 ) simboliza la estado del arte en donde se determina
etiqueta especificada por el árbol T al vector 𝑿𝒊 . gradualmente la utilización de técnicas de
Por esta razón, 𝑳𝒏 (𝑻) cuenta la cantidad de clasificación a través de algoritmos de árboles de
errores que T comete clasificando 𝑫𝒏 . Pese a decisión.
que el árbol conseguido es apropiado para el Para el levantamiento de información en base a
conjunto de entrenamiento 𝑫𝒏 , suele dar expedientes y registros médicos, se analizaron
resultados deficientes para otros conjuntos de diferentes bases de datos públicas (locales y
datos. Este evento que se lo denomina como extranjeras) que se adaptaron a las métricas
overfitting se crea, por ejemplo, cuando el grupo preestablecidas fundamentadas por la
que pertenece al entrenamiento 𝑫𝒏 es distribuido sintomatología de un paciente infectado por el
hasta que todas las hojas de T son puras, es virus.
decir cuando 𝑳𝒏 (𝑻) = 𝟎. Tabla 1: Escala de advertencia temprana NEWS 2
Para reducir este inconveniente se utiliza el (National Early Warning Score 2).
proceso de poda del árbol (también conocido
como BFOS) para encontrar un sub árbol de T
que reduce el error de clasificación para un
segundo grupo de datos llamado corpus set,
incluso luego de a ver podado el algoritmo pude
ser demasiado grande y muy específico. El
objetivo es construir un sistema de clasificación
de árbol de decisión que no tenga el problema de
overfitting, y de esta forma haga uso de un grupo
reducido de características de clasificación y
tenga un mejor rendimiento cuando el número de
clases sea muy elevado(Minguillón & Pujol,
2002).
En la tabla se detallan los valores para clasificar e
6. METODOLOGÍA identificar los pacientes que necesiten atención
medica inmediata. Recuperado de “Protocolo de
En los estudios verificados sobre algoritmos atención para COVID-19 (SARS-CoV-2) de la
de predicción de COVID-19 mediante árboles de Sociedad Mexicana de Medicina de
decisión, son significativos los siguientes Emergencias”(Sofía Romero Hernández et al., n.d.),
argumentos: la base de datos de registros Vol., pp. 11-12.
actualizados constituida por los casos
confirmados de COVID-19 a nivel mundial, la
selección de características, y el entrenamiento
de los datos. La base de datos antes mencionada
contiene los registros que serán utilizados para el
entrenamiento del algoritmo de aprendizaje
supervisado por clasificación; árboles de
decisión. Las características y variedad de los
registros de COVID-19 se incorporarán en la
exactitud y sensibilidad del algoritmo a estudiar. Tabla 2: En la tabla se define el rango de valores en
6.1. PROCESAMENTO Y ANÁLISIS cuanto al nivel de gravedad que presenten los
pacientes. Recuperado de “Protocolo de atención
6.1.1 Técnicas de recolección de datos
para COVID-19 (SARS-CoV-2) de la Sociedad
Para poder realizar una óptima recopilación Mexicana de Medicina de Emergencias”(Sofía
de los datos se utilizaron diferentes instrumentos Romero Hernández et al., n.d.), Vol., pp. 11-12.
de investigación para artículos científicos,
enciclopedias y libros vinculados con el asunto o
argumento de consulta: aprendizaje automático,
árboles de decisión, aprendizaje supervisado,
covid-19 y técnicas de clasificación. De esta
manera se consiguió reunir información acerca de

Tabla 3: Respuesta ante escala CURB-65 y CRB-65
(Sofía Romero Hernández et al., n.d.).
Las tablas mostradas previamente contienen la
información necesaria para reconocer el nivel de
gravedad de un paciente de COVID-19 en base a
su sintomatología.
La selección de características fue de gran
relevancia en la elaboración del modelo, debido a
que influyó en el momento de generar resultados
óptimos de manera que podemos conseguir
información de entrada para determinar la
gravedad de las personas infectadas por este
virus.
Figura 3: Diagrama del Proceso de Clasificación
6.2.1 Estructura del data set
1.Dificultad para respirar (representada por 0 =
no; 1 = sí)
2.Saturación: Cantidad de oxígeno disponible en
la sangre.
3.Dolor de cabeza (representada por 0 = no; 1 =
sí)
4.Dolor abdominal (representada por 0 = no; 1 =
sí)
5.Dolor muscular (representada por 0 = no; 1 =
sí)
6.Dolor de garganta (representada por 0 = no; 1 =
sí)
7.Tos (representada por 0 = no; 1 = sí)
8.Temperatura: Valor en C°.
9.Diarrea (representada por 0 = no; 1 = sí)
10. Fatiga (representada por 0 = no; 1 = sí)
11.Pérdida de olfato (representada por 0 = no; 1
= sí)
12.Pérdida de apetito (representada por 0 = no; 1
= sí)
Figura 4: Diagramas de tendencias de análisis de las
características.
6.3. Entrenamiento
Para determinar la gravedad de las personas
contagiadas de COVID-19 se desarrolló un
prototipo aplicando el algoritmo de aprendizaje
supervisado, árboles de decisión. El dataset que
fue utilizado contiene 1400 registros de pacientes
atendidos en el hospital público, este prototipo
tomó el 80% de los registros, determinados en la
base de datos para su entrenamiento y el valor
de porcentaje faltante fue orientado a pruebas. La
técnica de clasificación empleó la extracción de
características, para el entrenamiento y para las
pruebas.
En esta técnica se definieron los parámetros
“criterion=gini”; para especificar la función de
impureza, la cual, valida el desempeño en la
división de los datos, y “max_depth=3” para
especificar la profundidad máxima del árbol.
7. PRUEBAS
Al momento de realizar la división de los datos
adquiridos se determinó que el 20% de los
mismos se destinaría para las pruebas del
algoritmo, mientras que el valor restante se
utilizaría para realizar el entrenamiento.
Verificación del algoritmo “Árboles de decisión”
A continuación, se visualiza la matriz de
confusión resultante de las pruebas desarrolladas
por el modelo. Esta herramienta también es
conocida como “matriz de error o tabla de
contingencia; los elementos que aparecen en la
diagonal nos indican el número de clasificaciones
realizadas correctamente, y aquellos que
aparecen fuera suponen migraciones o fugas”
(Muñoz, 2016).
Figura 5: Se muestran los resultados obtenidos del
algoritmo árboles de decisión.
En la Figura se puede visualizar la precisión
alcanzada con el algoritmo de árboles de decisión,
la cual es: 0.9571428571428572. En la Tabla se
presenta la matriz de confusión con las siguientes
cifras: 98 resultados que predice el modelo, 170
resultados que predice correctamente la clase
negativa, 9 resultados que predice
incorrectamente negativos cuando es positivo y 3
resultados que predice incorrectamente positivos
cuando es negativo. De esta manera es posible
verificar la precisión con un 95%.
Figura 6: Curva ROC.
La curva ROC es un instrumento estadístico
empleado en el estudio de ordenación del volumen
discriminante de un examen diagnóstico
dicotómico. Esto es, un test fundamentado en una
variable de decisión, cuyo propósito es distribuir a
los sujetos de una población en dos conjuntos:
uno que represente un acontecimiento en
particular y otro que no (Valle Benavides, 2017).
En otras palabras, las curvas ROC son “gráficos
en los cuales se representa la sensibilidad en
función de los falsos positivos (1-especificidad) de
la prueba diagnóstica, donde cada punto de la
curva representa un par Sensibilidad/(1-
especificidad) correspondiente a un nivel de
decisión determinado” (Armesto & España, 2011) .
.
Figura 7: Curva de sensibilidad
A través de la librería sklearn se obtuvo la curva de
precisión-sensibilidad y sus valores asociados.
Luego fue empleada la
función precision_recall_curve(), que elige como
indicadores las salidas reales y las posibilidades
alcanzadas para la clase positiva. Esta función
retorna vectores de precisión, sensibilidad y las
entradas para los valores mencionados.
La función auc() selecciona como entradas la
sensibilidad y la precisión regresando el valor del
área bajo la curva, el cual puede ser tomado como
síntesis del desempeño del modelo. Para
conseguir el valor de AUC, se emplea la
función roc_auc_score() (dato de entrada conocido
previamente). En esta ocasión retorna la
estimación de AUC, contenida entre 0.5
(clasificador al azar) y 1.0 (clasificador óptimo).
8. CONCLUSIONES
Se determino y se ha comprobado, que referente
al estudio y a los análisis experimentales que han
sido efectuados en otros modelos de predicción,
que el modelo de árboles de decisión a diferencia
de otros nos devolvió resultados muy
prometedores. En repercusión, logramos obtener
una precisión de 0.95, por lo visto podríamos decir
que es un buen resultado para conseguir la
clasificación y predicción si un paciente necesita
ser hospitalizado o mandarlo con aislamiento
domiciliario.
Identificar la gravedad de un paciente de covid-19
mediante árboles de decisión es un trabajo que
muestra obstáculos en su proceso, por esta razón
no se puede determinar la certeza del modelo
entrenado, ni afirmar con total seguridad la
gravedad de cada paciente contagiado, debido a
que existen personas asintomáticas.
Para determinar los síntomas característicos del
covid-19 se efectuó un análisis de diferentes
fuentes bibliográficas en “Google Scholar”
fundamentadas en estudios, investigaciones,
revistas científicas e historiales clínicos de acceso
público para su correspondiente examen.
Para desarrollar el modelo se seleccionó la técnica
de aprendizaje supervisado, árboles de decisión,
debido a que no existía un algoritmo previo
enfocado al reconocimiento e identificación del
nivel de gravedad de pacientes infectados con
covid-19.
El algoritmo de árboles de decisión tuvo como
resultado un porcentaje de precisión de 95,7%,
demostrando la efectividad del modelo, en el cual
se determinaron los parámetros “criterion=gini”;
para expresar la función de impureza y
“max_depth=3” para especificar la profundidad
máxima del árbol.
9. BIBLIOGRAFÍA
Alan T. Norman. (2021). Aprendizaje Automático En
Acción - Alan T. Norman - Google Libros.
https://books.google.com.ec/books?hl=es&lr=&id=iTI
REAAAQBAJ&oi=fnd&pg=PT14&dq=Aprendizaje+A
utomático+En+Acción&ots=hVScAnf7K0&sig=eA3O
8OPKjwCM-
JuIpGjtmvDXKas&redir_esc=y#v=onepage&q=Apre
ndizaje Automático En Acción&f=false
Arias, V., Salazar, J., Garicano, C., & Contreras, J.
(2019). na introducción a las aplicacionesde la
inteligencia artificial en Medicina:Aspectos
históricos. Revista Latinoamericana de
Hipertensión. Vol. 14 - No 5, .
Assaf, D., Gutman, Y., Neuman, Y., Segal, G., Amit,
S., Gefen-Halevi, S., Shilo, N., Epstein, A., Mor-
Cohen, R., Biber, A., Rahav, G., Levy, I., & Tirosh,
A. (2020). Utilization of machine-learning models to
accurately predict the risk for critical COVID-19.
Internal and Emergency Medicine, 15(8), 1435–
1443. https://doi.org/10.1007/s11739-020-02475-0
Ávila Bernabeu, A., del Mar Ayala Gutiérrez, M.,
Celia Barnosi Marín, A., Luis Callejas Rubio, J.,
Camacho Lovillo, M., Jesús Castillo Palma, M.,
Cordero Coma, M., de Ramón Garrido, E., Javier
García Hernández, F., García Madrid, A., García
Robles, A., González León, R., Jiménez Rodríguez,
E., José Lirola Cruz, M., Martín Gómez, A., Martín
Ibañez, J., del Pilar Martínez Tirado, M., Moreno
Higueras, M., Javier Muñoz Vico, F., … Ángel
Molina, M. (2018). 3 Presentación Revisión: 4
Aprendizaje Automático en Medicina 15
Osteoporosis Corticoidea LiTeRATURA
COMenTADA: 23 Artritis Reumatoide 29 síndrome
Antifosfolipídico 32 esclerodermia 34 vasculitis 37
síndrome de sjögren 39 nefrología 40 Hipertensión
Pulmonar 43 Miopatías inflamatorias 45 sarcoidosis
47 Oftalmología 48 inmunología 50 Pediatría 51
Dermatología 53 Digestivo 55 enfermedad de
Behçet.
Berlanga, V., Rubio Hurtado, M. J., & Vilà Baños, R.
(2013). Cómo aplicar árboles de decisión en SPSS.
REIRE. Revista d’Innovació i Recerca En Educació,
6(1), 65–79–79.
https://doi.org/10.1344/REIRE2013.6.1615
Cáceres Tello, J. (2014). Reconocimiento de
patrones y el aprendizaje no supervisado.
http://www-
etsi2.ugr.es/depar/ccia/rf/www/tema1_00-
01_www/node6.html.
Calvo, C., García López-Hortelano, M., de Carlos
Vicente, J. C., Vázquez Martínez, J. L., Ramos, J.
T., Baquero-Artigao, F., Navarro, M. L., Rodrigo, C.,
Neth, O., Fumadó, V., Menendez Suso, J. J.,
Slocker Barrio, M., Bustinza Arriortua, A., Jordán
García, I., & Pilar Orive, J. (2020).
Recommendations on the clinical management of
the COVID-19 infection by the «new coronavirus»
SARS-CoV2. Spanish Paediatric Association
working group. Anales de Pediatria, 92(4), 241.e1-
241.e11.
https://doi.org/10.1016/J.ANPEDI.2020.02.001
Cerda, J., & Cifuentes, L. (2012). Uso de curvas
ROC en investigación clínica: Aspectos teórico-
prácticos. Revista Chilena de Infectología, 29(2),
138–141. https://doi.org/10.4067/S0716-
10182012000200003
Delgado Castillo, D., Rainer Martín Pérez, I.,
Leonardo Hernández Pérez, I., Rubén Orozco
Morález, I., & Juan Lorenzo Ginori, I. V. (2016).
Algoritmos de aprendizaje automático para la
clasificación de neuronas piramidales afectadas por
el envejecimiento Machine learning algorithms for
classification of pyramidal neurons affected by
aging. Revista Cubana de Informática Médica,
2016(3), 559–571. http://scielo.sld.cu
Delgado, M. (1996). La Inteligencia Artificial realidad
de un Mitomoderno.
http://hera.ugr.es/honoriscausa/16912512.pdf
Fernández Arturo. (2013). Python 3 al descubierto.
https://books.google.com.ec/books?hl=es&lr=&id=f4
BNDAAAQBAJ&oi=fnd&pg=PT3&dq=python&ots=U
biiX6I4uB&sig=XSn7jM0UKK7_q6iiYdqhctYD6IA&re
dir_esc=y#v=onepage&q=python&f=false
Freddy Hernández. (2021). Modelos Predictivos.
https://fhernanb.github.io/libro_mod_pred/index.html
#estructura-del-libro
García Cambronero, C., & Moreno Gomez, I.
(2006). ALGORITMOS DE APRENDIZAJE: KNN &
KMEANS.
http://www.it.uc3m.es/~jvillena/irc/practicas/08-
09/06.pdf
Gerevini, A. E., Maroldi, R., Olivato, M., Putelli, L., &
Serina, I. (2020). Prognosis Prediction in Covid-19
Patients from Lab Tests and X-ray Data through
Randomized Decision Trees.
Hao, B., Sotudian, S., Wang, T., Xu, T., Hu, Y.,
Gaitanidis, A., Breen, K., Velmahos, G. C., &
Paschalidis, I. C. (2020). Early prediction of level-of-
care requirements in patients with COVID-19. ELife,
9, 1–23. https://doi.org/10.7554/eLife.60519
Holguín, C., Díaz-Ricardo, Y., & Antonio Becerra-
García, R. (2014). El lenguaje de programación
Python/The programming language Python.
http://www.linuxjournal.com/article/2959
Jorquera, F. V., & Rivera, G. M. (2012). Análisis
delitual técnicas y metodologías para la reducción
del delito.
Lasse Rouhiainen. (2018). INTELIGENCIA
ARTIFICIAL 101 COSAS QUE DEBES SABER HOY
SOBRE NUESTRO FUTURO INTELIGENCIA
ARTIFICIAL. www.planetadelibros.com
Lugo-Reyes, S. O., Maldonado-Colín, G., & Murata,
C. (2014). Inteligencia artificial para asistir el
diagnóstico clínico en medicina. Revista Alergia
México, 61(2), 110–120.
https://doi.org/10.29262/RAM.V61I2.33
Ma, X., Ng, M., Xu, S., Xu, Z., Qiu, H., Liu, Y., Lyu,
J., You, J., Zhao, P., Wang, S., Tang, Y., Cui, H.,
Yu, C., Wang, F., Shao, F., Sun, P., & Tang, Z.
(2020). Epidemiology and Infection
cambridge.org/hyg Original Paper Development and
validation of prognosis model of mortality risk in
patients with COVID-19.
https://doi.org/10.1017/S0950268820001727
Margaret A. Boden. (2016). Inteligencia Artificial -
Margaret A. Boden - Google Libros.
https://books.google.com.ec/books?hl=es&lr=&id=L
CnYDwAAQBAJ&oi=fnd&pg=PT3&dq=inteligencia+
artificial+&ots=drRsAT8Ho7&sig=dCGQrU2d5L9qU
AfK3paa_l6SxWA&redir_esc=y#v=onepage&q=inteli
gencia artificial&f=false
Marzal, A., & Gracia, I. (2002). Introducción a la
programación con Python.
Minguillón, J., & Pujol, J. (2002). Árboles de
decisión.
https://idus.us.es/bitstream/handle/11441/75448/Árb
oles de decisión.pdf?sequence=1
Moreno -Eva, A., Béjar, A.-J., Belanche, L., Cortés,
U., Gavaldà, R., Manuel, J., López, G.-B., Martín,
M., & Sànchez, M. (1994). Aprendizaje automático.
www.edicionsupc.es
Muñoz, J. M. S. (2016). Análisis de Calidad
Cartográfica mediante el estudio de la Matriz de
Confusión. Pensamiento Matemático.
Núñez, E., Steyerberg, E. W., & Núñez, J. (2011).
Estrategias para la elaboración de modelos
estadísticos de regresión. Revista Española de
Cardiología, 64(6), 501–507.
https://doi.org/10.1016/J.RECESP.2011.01.019
Pérez, L. C. V. (2020). La COVID-19: reto para la
ciencia mundial | Velázquez Pérez | Anales de la
Academia de Ciencias de Cuba.
http://www.revistaccuba.sld.cu/index.php/revacc/arti
cle/view/763/792
Ramírez, Cruz, R. E. B. M. N., Mesa, Acosta, H. G.,
Suárez, Rabatte, I., León, Pavón, Patricia, Morales,
& Blázquez, S. L. (2009). Árboles de decisión como
herramienta en el diagnóstico médico.
www.uv.mx/rm
Ramírez, P. E., Grandón, E. E., Ramírez, P. E., &
Grandón, E. E. (2018). Predicción de la Deserción
Académica en una Universidad Pública Chilena a
través de la Clasificación basada en Árboles de
Decisión con Parámetros Optimizados. Formación
Universitaria, 11(3), 3–10.
https://doi.org/10.4067/S0718-50062018000300003
Ruelas Santoyo, E. A. L. G. (2014). Comparación de
predicción basada en redes neuronales contra
métodos estadísticos en el pronóstico de ventas. 1–
16.
https://www.redalyc.org/pdf/2150/215037911008.pdf
Sandoval Serrano, L. J. (2018). Algoritmos de
aprendizaje automático para análisis y predicción de
datos. Revista Tecnológica, 11, 36–40.
Sarker, I. H. (2021). Machine Learning: Algorithms,
Real-World Applications and Research Directions.
SN Computer Science 2021 2:3, 2(3), 1–21.
https://doi.org/10.1007/S42979-021-00592-X
Sempere, J. M. (1993). Aprendizaje de árboles de
decisión. J.R. Quinlan. C, 4.
Sofía Romero Hernández, A., Saavedra Uribe, J.,
Iván Zamarrón López, E., Rubén Pérez Nieto, O.,
Flavio Figueroa Uribe, A., Alberto Guerrero
Gutiérrez, M., López Fermín, J., Elena Uribe Moya,
S., Soriano Orozco, R., Antonio Morgado Villaseñor,
L., Flores Ramírez, R., David Salmerón, J., Carlos
Gasca Aldama, J., Salvador Sánchez Diaz, J.,
Deloya Tomas, E., Madrigal Sánchez, D., Jaziel
López Pérez, F., de Guadalupe Villa Cortés, P.,
Luisa Saucedo Barrientos, A., … Alfredo Díaz
Martínez, M. (n.d.). Protocolo de atención para
COVID-19 (SARS-CoV-2) de la Sociedad Mexicana
de Medicina de Emergencias.
Villegas-Chiroque, M. (n.d.). Editorial COVID-19
pandemic: fight or flight R E M Pandemia de
COVID-19: pelea o huye.
https://doi.org/10.3390/jcm9020575
Yang, L., Liu, S., Liu, J., Zhang, Z., Wan, X., Huang,
B., Chen, Y., & Zhang, Y. (2020). COVID-19:
immunopathogenesis and Immunotherapeutics.
Signal Transduction and Targeted Therapy 2020
5:1, 5(1), 1–8. https://doi.org/10.1038/s41392-020-
00243-2