Documentos de Académico
Documentos de Profesional
Documentos de Cultura
) i ( j
T
j
k
1 i
T
i i
s d d M
Vector con rasgos distintivos
de cada enfermedad r(i)
Suma de vectores s
j
que
codifican cada signo,
sntoma o resultado de
laboratorio.
Un mismo s
j
est presente
en distintas enfermedades:
superposicin de los r(i)
r(i)=
Medical queries
Paciente, con cierta presentacin clnica:
conjunto de signos y sntomas
Es un subconjunto de los s&s de la enfermedad
subyacente.
Tpicamente ambiguo.
entrada indiferente
diagnsticos
presentacin clnica posibles
s
p =
Memoria
Refinamientos
Aprendizaje a partir
de casos clnicos
(superpuesto al
aprendizaje
acadmico)
s1 s2 s3 s4 s5 s6 s7 s8 s9 s
j
caso
1
caso
2
caso
3
caso
4
etc
1/2 1/2 1 1/2 1/4 <1/4 1/2 1/2 1/4
(Hasta ahora:
aprendizaje del libro)
Simulacin de experiencia clnica:
Representacin de cada enfermedad:
Aprendizaje del libro: signos y sntomas potencialmente presentes
s1 s2 s3 s4 s5 s6 s7 s8 s9 s
j
s1 s2 s3 s4 s5 s6 s7 s8 s9 s
j
Aprendizaje de casos reales: perfil de frecuencia de signos y sntomas
Aprendizaje a partir de casos clnicos:
Captacin de prevalencia en la poblacin
Ante una query: Mapeo probabilstico de
diagnsticos posibles.
Dependencia de caractersticas locales.
) i ( j
T
j j
k
1 i
T
i i i
s d d M
Ejemplo miniatura
con datos clnicos reales
Diagnstico de sepsis neonatal
tarda
Una aplicacin mnima
Se entren una memoria con datos publicados por Martell
y colaboradores, de neonatos internados en una unidad
de cuidados intensivos neonatales (CUP-IMPASA) con
sospecha de sepsis neonatal tarda.
Se utilizaron observaciones clnicas personales
provenientes de la misma unidad neonatal como
conjunto de prueba para evaluar la capacidad del
modelo para discriminar entre neonatos spticos y no-
spticos en base a datos clnicos y resultados de
laboratorio.
Modelo
Para cada variable estudiada se reconstruyeron los valores del nmero de pacientes
correspondientes a verdaderos positivos (TP), falsos positivos (FP), verdaderos
negativos (TN) y falsos negativos (FN).
Y a partir de ellos se construyeron los vectores que guardan el perfil caracterstico
de atributos para pacientes spticos y para pacientes sanos.
[attributes_septic]
T
= [0.0604 0.4225 0.0604 0.4225 0.1509
0.3320 0.0604 0.0604 0.3621 0.0604 0.4225 0.0604
0.4225]
[attributes_healthy]
T
=[0.0142 0.4248 0.0142 0.4248 0.0566
0.3823 0.0354 0.0177 0.3859 0.0283 0.4106 0.0283
0.4106]
Conjunto de prueba (presentacin clnica)
The classification of each patient
was obtained as follows:
i) El vector con la presentacin clinica es presentado a la
memoria M. La salida, [result_vector], es una combinacin
lineal de los vectores sptico y sano.
[result_vector] = M * ([indifferent_vector] x [clinical presentation])
ii) Se tom como diagnstico (sepsis/sano) el componente
ms pesado en la combinacin lineal de salida.
Sensibilidad (100%)
&
Especificidad (80%)
Perspectivas
Utilizacin del modelo mnimo para
construir herramientas diagnsticas en
situaciones clnicas seleccionadas.
Otras reas de aplicacin (no-mdicas).
Implementacin del sistema experto
general con datos masivos ?
Nota: en ambos casos: componente artesanal