Diagnóstico de infertilidad utilizando técnicas de aprendizaje profundo: un enfoque prometedor en medicina reproductiva

Autores/as

  • Guillermo Eduardo Reyes Rodríguez Universidad del Istmo, campus Tehuantepec, Santo Domingo Tehuantepec Oaxaca
  • José Ricardo Salvador Nolasco Universidad del Istmo, campus Tehuantepec, Santo Domingo Tehuantepec Oaxaca
  • Mario Andrés Basilio López Universidad del Istmo, campus Tehuantepec, Santo Domingo Tehuantepec Oaxaca
  • Sergio Juárez Vázquez Universidad del Istmo, campus Tehuantepec, Santo Domingo Tehuantepec Oaxaca https://orcid.org/0000-0002-2080-4861

DOI:

https://doi.org/10.36825/RITI.11.23.006

Palabras clave:

Infertilidad, Árboles de Decisión, Análisis de Datos, Minería de Datos, Matriz de Confusión

Resumen

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 Fertility, 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

Citas

Mundial BIRF AIF. (2020). Tasa de fertilidad, total (nacimientos por cada mujer). DataBank. https://datos.bancomundial.org/indicator/SP.DYN.TFRT.IN

World Health Organization. (2020). Infertility. https://www.who.int/news-room/fact-sheets/detail/infertility

Criado, M. A. (2022). La calidad del esperma de los humanos ha bajado a la mitad en el último medio siglo. El País. https://elpais.com/ciencia/2022-11-15/la-calidad-del-esperma-de-los-humanos-ha-bajado-a-la-mitad-en-el-ultimo-medio-siglo.html

Castrillón, O. D., Arango, J. A., Castillo, L. F. (2022). Análisis de la fertilidad por medio de técnicas de minería datos. Información tecnológica, 33 (3), 203-212. https://dx.doi.org/10.4067/S0718-07642022000300203

Velilla-Hernández, E., Velilla-Hernández, P. A, Cardona-Maya, W. (2013). Aproximación al desempeño operativo de un modelo de redes neuronales en el diagnóstico de la infertilidad masculina. Revista Colombiana de Obstetricia y Ginecología, 64 (3), 222-228. https://doi.org/10.18597/rcog.103

Causa-Andrieu, P., Couture, J. M., Benítez-Mendes, A. C., Napoli, N., Chacón, C. R. B., Ulla, M. (2017). Infertilidad en la mujer: importancia del análisis combinado de los métodos por imágenes. Reporte de casos. Ginecología y obstetricia de México, 85 (12), 846-852. https://doi.org/10.24245/gom.v85i12.1442

Mendoza, F., De la Hoz Manotas, A., Ariza, P. Sepulveda Ojeda, J. Melo, M. (2016). Fertility Analysis Method Based on Supervised and Unsupervised Data Mining Techniques. International Journal of Applied Engineering, 11 (21), 10374-10379.

Milewska, A., Jankowska, D., Cwalina, U., Citko, D., Więsak, T., Acacio,B., Milewski, R.(2017).Prediction of Infertility Treatment Outcomes Using Classification Trees. Studies in Logic, Grammar and Rhetoric, 47 (1), 7-19. https://doi.org/10.1515/slgr-2016-0043

Solarte Martínez, G. R., Soto Mejía, J. A. (2011). Arboles de decisiones en el diagnóstico de enfermedades cardiovasculares. Scientia Et Technica, 16 (49), 104-109.

Pérez López, C., Santin González, D. (2007). Minería de datos. Técnicas y herramientas: técnicas y herramientas. Ediciones Paraninfo, S. A.

Gil, D., Girela, J. L., De Juan, J., Gomez-Torres, J. J., Johnsson, M. (2012). Predicting seminal quality with artificial intelligence methods. Expert Systems with Applications, 39 (16), 12564-12573. https://doi.org/10.1016/j.eswa.2012.05.028

del Castillo Collazo, N. (2020). Incidencia en el pronóstico al aplicar reducción de variables. Un ejemplo práctico. Revista de Investigación en Tecnologías de la Información (RITI), 8 (15), 50–69. https://doi.org/10.36825/RITI.08.15.006

Corrales Gasca, P. J., Razo Granados, J. A., Violante Hernández, M. Á., Rodríguez Hernández, I. J., Ramírez Soto, R. (2015). Métodos de clasificación: Análisis de fertilidad. Pistas Educativas, 35 (111), 43-57.

Hernández Figueroa, L. J., Serna Manríquez, A., Gómez Melesio, J. A., Hurtado Mendoza, J. G., Ramírez Pérez, N. V. (2015). Análisis de métodos de clasificación para el diagnóstico de fertilidad. Pistas Educativas, 36 (114), 243-259. https://pistaseducativas.celaya.tecnm.mx/index.php/pistas/article/view/301

MathWorks. (2021). MATLAB. https://www.mathworks.com/products/matlab.html

Quinlan, J. R. (1986). Induction of decision trees. Machine learning, 1 (1), 81-106. https://doi.org/10.1007/BF00116251

Lewis, R. J. (2000). An Introduction to Classification and Regression Tree (CART) Analysis. Annual Meeting of the Society for Academic Emergency Medicine. San Francisco, California.

Chollet,F. (2018). Deep learning with Python. Manning Publications.

Powers, D. M. W. (2011). Evaluation: from precision, recall and F-measure to ROC, informedness, markedness & correlation. Journal of Machine Learning Technologies, 2 (1), 37-63. https://doi.org/10.48550/arXiv.2010.16061

Descargas

Publicado

2023-05-03

Cómo citar

Reyes Rodríguez, G. E., Salvador Nolasco, J. R., Basilio López, M. A., & Juárez Vázquez, S. (2023). Diagnóstico de infertilidad utilizando técnicas de aprendizaje profundo: un enfoque prometedor en medicina reproductiva. Revista De Investigación En Tecnologías De La Información, 11(23), 59–69. https://doi.org/10.36825/RITI.11.23.006

Número

Sección

Artículos

Artículos más leídos del mismo autor/a