Eficiencia de modelos de predicción de COVID-19 usando curvas ROC y matriz de confusión
DOI:
https://doi.org/10.23857/dc.v8i2.2715Palabras clave:
estimación, modelización, simulación, software.Resumen
Utilizando ecuaciones matemóticas es posible diseñar programas informóticos que facilitan la predicción de datos para facilitar la toma de decisiones para el diagnóstico de pacientes afectados por el COVID 19. Con el objetivo de revisar las experiencias en el uso de la curva ROC y la matriz de confusión para la evaluación de programas informóticos para determinar su precisión en pro de garantizar que la información generada por los mismos sea confiable para el diagnóstico correcto y oportuno del COVID 19, se realizó una revisión de la literatura para identificar y evaluar artículos académicos para la evaluación de la calidad de la información generada por programas informóticos en la predicción de casos positivos por COVID 19. Los resultados demuestran que las curvas ROC y la matriz de confusión son métodos íºtiles para evaluar la eficiencia de programas informóticos garantizando así una adecuada precisión de los datos. El uso de las curvas ROC y la matriz de confusión permitió evaluar con éxito la calidad de los programas informóticos usados para la predicción del COVID-19, la precisión de los modelos matemóticos no depende del algoritmo usado, sino que en gran parte depende de la técnica usada para el levantamiento de la información.
Citas
Antle, J. M. (2019). Data, economics and computational agricultural science. American Journal of Agricultural Economics, 101(2), 365-382.. DOI: 10.1093/ajae/aay103
Asanza, W. R., & Olivo, B. M. (2018). Redes neuronales artificiales aplicadas al reconocimiento de patrones. Editorial UTMACH.
Bordignon, F. R. A., & Iglesias, A. A. (2020). Introducción al Pensamiento Computacional. http://saberesdigitales.unipe.edu.ar/images/recursos/UNIPE-actividades-Bebras-v2.pdf
Civit-Masot, J., Luna-Perejón, F., Domínguez Morales, M., & Civit, A. (2020). Deep learning system for COVID-19 diagnosis aid using X-ray pulmonary images. Applied Sciences, 10(13), 4640. DOI:10.3390/app10134640
Culebras, J. M., San Mauro Martin, I., & Vicente-Vacas, L. (2020). COVID-19 y otras pandemias. Journal of Negative and No Positive Results, 5(6), 644-664. DOI: 10.19230/jonnpr.3750
del Castillo Collazo, N. (2020). Predicción en el diagnóstico de tumores de cáncer de mama empleando mí©todos de clasificación. Revista de Investigación en Tecnologías de la Información: RITI, 8(15), 96-104. DOI:10.36825/RITI.08.15.010G.
Gao, Z., Xu, Y., Sun, C., Wang, X., Guo, Y., Qiu, S., & Ma, K. (2021). A systematic review of asymptomatic infections with COVID-19. Journal of Microbiology, Immunology and Infection, 54(1), 12-16.. DOI: 10.1016/j.jmii.2020.05.001
Gordo, M. P., Weiland, G. B., García, M. G., & Choperena, G. A. (2021). Aspectos radiológicos de la neumonía COVID-19: evolución y complicaciones torácicas. Radiología, 63(1), 74-88. DOI: 10.1016/j.rx.2020.11.002
Hoo, Z. H., Candlish, J., & Teare, D. (2017). What is an ROC curve?. Emergency Medicine Journal, 34(6), 357-359. DOI:10.1136/emermed-2017-206735
Jahangiri, M., Jahangiri, M., & Najafgholipour, M. (2020). The sensitivity and specificity analyses of ambient temperature and population size on the transmission rate of the novel coronavirus (COVID-19) in different provinces of Iran. Science of the Total Environment, 728, 138872. DOI: 10.1016/j.scitotenv.2020.138872.
Jewell, N. P., Lewnard, J. A., & Jewell, B. L. (2020). Predictive mathematical models of the COVID-19 pandemic: underlying principles and value of projections. Jama, 323(19), 1893-1894. DOI:10.1001/jama.2020.6585
Jin, C., Chen, W., Cao, Y., Xu, Z., Tan, Z., Zhang, X., ... & Feng, J. (2020). Development and evaluation of an artificial intelligence system for COVID-19 diagnosis. Nature communications, 11(1), 1-14. DOI: 10.3389/fbioe.2020.00898
Kitchenham, B., Brereton, O. P., Budgen, D., Turner, M., Bailey, J., & Linkman, S. (2009). Systematic literature reviews in software engineering–a systematic literature review. Information and software technology, 51(1), 7-15. DOI:10.1016/j.infsof.2008.09.009
Legorreta, G, Alanís, R, Arana L ., & Aceves, F.. (2018). Evaluación de la eficiencia de predicción a deslizamientos usando un modelo cartográfico-hidrológico: caso de estudio Cuenca la Carbonera, flanco SE del Volcán Pico de Orizaba. Investigaciones Geográficas (Mx), (95), 1-15.. DOI:10.14350/rig.58387
López, F. J. A., Avi, J. R., & Fernández, M. V. A. (2018). Control estricto de matrices de confusión por medio de distribuciones multinomiales. Geofocus: Revista Internacional de Ciencia y Tecnología de la Información Geográfica, (21), 6. DOI:10.21138/GF.591
López-Cabrera, J. D., Díaz, J. A. P., Morales, R. O., & Díaz, M. P. (2020). Revisión crítica sobre la identificación de covid-19 a partir de imágenes de rayos x de tórax usando tí©cnicas de inteligencia Artificial. Revista Cubana de Transformación Digital, 1(3), 67-99. https://www.researchgate.net/profile/Jose-Lopez-Cabrera/publication/
Lu, J., Behbood, V., Hao, P., Zuo, H., Xue, S., & Zhang, G. (2015). Transfer learning using computational intelligence: A survey. Knowledge-Based Systems, 80, 14-23. https://core.ac.uk/download/pdf/208710604.pdf
Mangal, A., Kalia, S., Rajgopal, H., Rangarajan, K., Namboodiri, V., Banerjee, S., & Arora, C. (2020). CovidAID: COVID-19 detection using chest X-ray. arXiv preprint arXiv:2004.09803. DOI: 10.1016%2Fj.media.2020.101794
Márquez Díaz, J. (2020). Inteligencia artificial y Big Data como soluciones frente a la COVID-19. Revista de Bioí©tica y Derecho, (50), 315-331. https://scielo.isciii.es/scielo.php?pid=S1886-58872020000300019&script=sci_arttext&tlng=en
Minaee, S., Kafieh, R., Sonka, M., Yazdani, S., & Soufi, G. J. (2020). Deep-covid: Predicting covid-19 from chest x-ray images using deep transfer learning. Medical image analysis, 65, 101794. DOI: 10.1016%2Fj.media.2020.101794
Mosquera, R., Castrillón, O. D., & Parra, L. (2018). Máquinas de Soporte Vectorial, Clasificador Naí¯ve Bayes y Algoritmos Gení©ticos para la Predicción de Riesgos Psicosociales en Docentes de Colegios Píºblicos Colombianos. Información tecnológica, 29(6), 153-162. DOI:10.4067/S0718-07642018000600153
Obuchowski, N. A., & Bullen, J. A. (2018). Receiver operating characteristic (ROC) curves: review of methods with applications in diagnostic medicine. Physics in Medicine & Biology, 63(7), 07TR01. DOI: 10.1088/1361-6560/aab4b1
Predicting mortality risk in patients with COVID-19 using artificial intelligence to help medical decision-making. MedRxiv. DOI: 10.1101/2020.03.30.20047308
Sánchez-Oro, R., Nuez, J. T., & Martínez-Sanz, G. (2020). La radiología en el diagnóstico de la neumonía por SARS-CoV-2 (COVID-19). Medicina Clínica, 155(1), 36. DOI:10.1016%2Fj.medcli.2020.03.004
Sedik, A., Iliyasu, A. M., El-Rahiem, A., Abdel Samea, M. E., Abdel-Raheem, A., Hammad, M., ... & Ahmed, A. (2020). Deploying machine and deep learning models for efficient data-augmented detection of COVID-19 infections. Viruses, 12(7), 769. DOI:10.3390/v12070769
Wu, G., Yang, P., Xie, Y., Woodruff, H. C., Rao, X., Guiot, J., ... & Lambin, P. (2020). Development of a clinical decision support system for severity risk prediction and triage of COVID-19 patients at hospital admission: an international multicentre study. European Respiratory Journal, 56(2). DOI: 10.1183/13993003.01104-2020
You, J., Leskovec, J., He, K., & Xie, S. (2020, November). Graph structure of neural networks. In International Conference on Machine Learning (pp. 10881-10891). PMLR. http://proceedings.mlr.press/v119/you20b.html
Yucalar, F., Ozcift, A., Borandag, E., & Kilinc, D. (2020). Multiple-classifiers in software quality engineering: Combining predictors to improve software fault prediction ability. Engineering Science and Technology, an International Journal, 23(4), 938-950. DOI: 10.1016/j.jestch.2019.10.005
Zhang, K., Liu, X., Shen, J., Li, Z., Sang, Y., Wu, X., ... & Wang, G. (2020). Clinically applicable AI system for accurate diagnosis, quantitative measurements, and prognosis of COVID-19 pneumonia using computed tomography. Cell, 181(6), 1423-1433. DOI: 10.1016/j.cell.2020.04.045
Zimmerman, N., Presto, A. A., Kumar, S. P., Gu, J., Hauryliuk, A., Robinson, E. S., ... & Subramanian, R. (2018). A machine learning calibration model using random forests to improve sensor performance for lower-cost air quality monitoring. Atmospheric Measurement Techniques, 11(1), 291-313. DOI: 10.5194/amt-11-291-2018
Publicado
Cómo citar
Número
Sección
Licencia
Authors retain copyright and guarantee the Journal the right to be the first publication of the work. These are covered by a Creative Commons (CC BY-NC-ND 4.0) license that allows others to share the work with an acknowledgment of the work authorship and the initial publication in this journal.