Eficiencia de modelos de predicción de COVID-19 usando curvas ROC y matriz de confusión

Autores/as

  • Cristian Luis Inca-Balseca Escuela Superior Politécnica de Chimborazo (ESPOCH), Riobamba,
  • Ana Maribel Paredes-Proaño Pontificia Universidad Católica del Ecuador,
  • Pedro Javier Cornejo-Reyes Escuela Superior Politécnica de Chimborazo (ESPOCH), Riobamba,
  • Ángel Patricio Mena-Reinoso Escuela Superior Politécnica de Chimborazo (ESPOCH), Riobamba,

DOI:

https://doi.org/10.23857/dc.v8i2.2715

Palabras 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.

Biografía del autor/a

Cristian Luis Inca-Balseca, Escuela Superior Politécnica de Chimborazo (ESPOCH), Riobamba,

Facultad de Informática y Electrónica, Escuela Superior Politécnica de Chimborazo (ESPOCH), Riobamba, Ecuador.

Ana Maribel Paredes-Proaño, Pontificia Universidad Católica del Ecuador,

Facultad de Ciencias Exactas y Naturales, Pontificia Universidad Católica del Ecuador, Ecuador.

Pedro Javier Cornejo-Reyes, Escuela Superior Politécnica de Chimborazo (ESPOCH), Riobamba,

Facultad de Recursos Naturales, Escuela Superior Politécnica de Chimborazo (ESPOCH), Riobamba, Ecuador.

Ángel Patricio Mena-Reinoso, Escuela Superior Politécnica de Chimborazo (ESPOCH), Riobamba,

Facultad de Informática y Electrónica, Escuela Superior Politécnica de Chimborazo (ESPOCH), Riobamba, Ecuador.

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

2022-04-26

Cómo citar

Inca-Balseca, C. L., Paredes-Proaño, A. M., Cornejo-Reyes, P. J., & Mena-Reinoso, Ángel P. (2022). Eficiencia de modelos de predicción de COVID-19 usando curvas ROC y matriz de confusión. Dominio De Las Ciencias, 8(2), 1442–1460. https://doi.org/10.23857/dc.v8i2.2715

Número

Sección

Artí­culos Cientí­ficos