@article{Reyes Rodríguez_Salvador Nolasco_Basilio López_Juárez Vázquez_2023, title={Diagnóstico de infertilidad utilizando técnicas de aprendizaje profundo: un enfoque prometedor en medicina reproductiva}, volume={11}, url={https://riti.es/index.php/riti/article/view/197}, DOI={10.36825/RITI.11.23.006}, abstractNote={<p>La disminución de la tasa de fertilidad mundial es una preocupación, ya que existe la posibilidad de que la disminución de la tasa de fertilidad mundial pueda llevar a la extinción humana. La infertilidad en hombres es un tema de interés para la salud pública, debido a la disminución de la cantidad y concentración de espermatozoides, causada por hábitos de vida, enfermedades y accidentes. La identificación de factores de riesgo en la infertilidad en hombres no es común en la medicina, pero se están desarrollando técnicas de inteligencia artificial para ayudar en la identificación de estos factores de riesgo. Este artículo se enfoca en el análisis de datos mediante minería de datos, usando la base de datos <strong>Fertility</strong>, que contiene información de 100 voluntarios. La técnica escogida para el análisis de datos fueron los árboles de decisión en MATLAB. La base de datos original tenía 9 atributos y se redujo a 5 para el modelo de clasificación. En la segunda etapa, el entrenamiento y evaluación cruzada del modelo de clasificación obtuvo un 83.3% de precisión y un tiempo de entrenamiento de 1.8774 segundos. La última etapa, una prueba con el 10% de las muestras, obtuvo un 80% de aciertos. El modelo tuvo una Tasa de Verdaderos Positivos del 94.9% para la clase N y una Tasa de Falsos Negativos del 100% para la clase O</p>}, number={23}, journal={Revista de Investigación en Tecnologías de la Información}, author={Reyes Rodríguez, Guillermo Eduardo and Salvador Nolasco, José Ricardo and Basilio López, Mario Andrés and Juárez Vázquez, Sergio}, year={2023}, month={may}, pages={59–69} }