Adrián Berrón Piña

Samuel Elí Méndez Sánchez

USO DE MODELOS MATEMÁTICOS Y ESTADÍSTICOS EN LA DETECCIÓN TEMPRANA

DEL CHAGAS

La enfermedad de Chagas

México es un país en el cual la enfermedad de Chagas es un peligro constante, ya que

alrededor de dos tercios del territorio nacional se puede dar este padecimiento (figura 1),
debido a que ahí se dan las condiciones propicias para su propagación. Asimismo, un
problema muy grande en cuanto a esta condición es su desconocimiento, ya que la
enfermedad es ignorada por la mayor parte del personal de salud, así como de la población
civil.

Figura 1

Es muy importante comprender cómo se difunde la enfermedad de Chagas para así poder
combatirla. Esta es transmitida de varios modos.El principal es provocado por la penetración
en la piel a causa de insectos infectados de la familia Triatominae, que a su vez lo contraen
al ingerir la sangre de un mamífero infectado. Asimismo, igual puede infectar un trasplante
con sangre previamente contaminada con este parásito. Por último, los mecanismos de
transporte menos frecuentes son los trasplantes de órganos, transmisión
materna-fetal,ingestión de artrópodos o carne cruda, entre otros.
Uno de los principales desafíos que hay que superar para poder reducir las afectaciones
provocadas por el Chagas es el diagnóstico de la enfermedad. Si bien se puede
diagnosticar a partir de un análisis de sangre, esto requiere de mucho esfuerzo y
arquitectura médica para llevarse a cabo. Por lo tanto, como medida para mejorar la
detección, se propone la implementación en sistemas automáticos que faciliten la detección
del parásito en imágenes de muestras de sangre captadas por microscopio. Este método
consiste en analizar un vector con 121 características relevantes en zonas de la imagen
donde existan posibles núcleos de parásitos a través de modelos probabilísticos. Existen
diversos clasificadores que utilizan métodos de visión por computadora, inteligencia artificial
y estadística para detectar al parásito.

Se propone, en este comité interdisciplinario, implementar la detección de la clasificación

hecha por el clasificador gaussiano, pues es el que presenta menor margen de error y, al
mismo tiempo, al ser un algoritmo estático, es mucho más fácil aplicarlo. Sin embargo, se
recomienda invertir en métodos de clasificación con Redes Neuronales, pues a pesar de
que su eficiencia por ahora no es la mejor, en un futuro podría tener un margen de error
mínimo, pues se ha demostrado que en otro tipo de clasificaciones de visión por
computadora pueden llegar a ser muy superiores que los estáticos.