Data Mining Aplicado a la Predicción y Tratamiento de Enfermedades

Transcripción

1 Data Mining Aplicado a la Predicción y Tratamiento Enfermedas Carlos A Vega Investigación, Universidad Popular Autónoma l Estado Puebla, Puebla, Pue. C.P , México Genoveva Rosano Investigación, Universidad Popular Autónoma l Estado Puebla, Puebla, Pue. C.P , México Juan M López Investigación, Universidad Popular Autónoma l Estado Puebla, Puebla, Pue. C.P , México José L Cenjas Investigación, Instituto Tecnológico Morelia, Morelia, Mich. C.P , México Heberto Ferreira Investigación, Universidad Nacional Autónoma México, Campus Morelia. Morelia, Mich. C.P , México RESUMEN Éste artículo propone una metodología aplicación algoritmos predicción, utilizando técnicas minería datos, en la cual se incorporan mecanismos validación a partir los requerimientos l análisis los datos, incluyendo la verificación la significancia (selección y presentación los mismos) y mecanismos validación los resultados con base en métricas calidad la información, los cuales garantizan la efectividad en la construcción l conocimiento. Se utiliza como caso estudio el análisis clínico tratamiento síndrome doloroso abdominal, apoyándose una base datos estandarizada en esta área especialidad. Palabras Claves: Aplicación algoritmos Data Mining, cisiones, Data Mining aplicado a la predicción y tratamiento enfermedas, Algoritmos predicción, Data Mining aplicado al sector salud. INTRODUCCIÓN Hoy en día hay una cantidad excesiva información que necesita ser estudiada, analizada y purada para convertirla en conocimiento, dicha información es indispensable y necesaria para la búsqueda soluciones reales en la toma cisiones. Es por esto, que los sistemas información son tan importantes hoy en día, por que a través ellos se almacena esta información, en don es muy necesaria la medición la calidad los datos almacenados. [13] La gran pregunta es cómo puedo obtener éste conocimiento?, una respuesta es utilizando técnicas, algoritmos y mecanismos validación minería datos, la cual se encarga obtener la información analizada los patrones los cuales surge el conocimiento, es por esto que es indispensable medir la calidad la información que se analizarán con la minería datos. Las herramientas Data Mining barren las bases datos e intifican molos previamente escondidos en un sólo paso, posteriormente realizan un proceso la limpieza, o preparación los datos aquí se lleva a cabo la reducción y la transformación las bases datos, ya limpia se lleva a cabo la clasificación las bases datos, una valoración la información y finalmente se conforma la base l conocimiento y se puen tomar cisiones en base a la información clasificada. [14] Pero no sólo existe el Data Mining, si no también otras herramientas como son los algoritmos predicción, árboles cisión, teoría fractales y teorema bayes. Entre los algoritmos predicción más relevantes pomos stacar la lógica difusa ([9] fuzzy logic, la cual ha sido probada en diversos campos la ingeniería, ecología y psicología, y se trata un molo sistema inteligente conformado por una combinación los sistemas basados en reglas conocimiento y la inteligencia computacional que abarca a las res neuronales. Se pue emplear en cualquier área control inteligente o procesamiento datos en tiempo real), los algoritmos genéticos [8] (los cuales, generan una población genes con posibles soluciones y los hacen evolucionar para obtener genes más aptos con mejores soluciones) entre otros. En la actualidad son muchas las áreas l sector salud en las que ha incursionado la minería datos s aplicaciones muy complejas como el reconocimiento imágenes en el cerebro, hasta los procesos para la gestión los pacientes en hospitales, como por ejemplo en la predicción y el tratamiento

2 enfermedas especialidad analizando la sintomatología, las enfermedas y los resultados estos tratamientos, siendo un factor importante en la atención enfermedas tales como: cáncer, problemas l corazón, tratamiento y procesamiento imágenes, entre otras. [12] DESARROLLO Existen diferentes métodos estadísticos que aplican métricas para la calidad los datos, pero existe una carencia dicha medición utilizando algoritmos minería datos. [1] y [2] Definen tres pasos para evaluar la calidad los datos: 1) Obtener las reglas asociación. 2) Seleccionar las reglas asociación compatibles. 3) Agregar un factor confianza como criterios calidad los datos las transacciones. Cabe stacar que éste método presenta dos problemas: el primero, para extraer todas las reglas asociación necesita un análisis profundo y segundo no existen parámetros o fórmulas exactas para medir la calidad los datos. En la metodología propuesta en éste material trata resolver estos problemas bido a que se plantea un levantamiento requerimientos con la validación los especialistas en la materia la aplicación. [3] Propone un molo tres pasos para calcular la calidad los datos entrada las operaciones en su molo DQM (Data Quality Measurement using Data Mining). En el primer paso extraen las reglas asociación y estas son adaptadas por penncias funcionales (T), en el segundo paso separan las reglas asociación compatible e incompatible y finalmente en el paso tres calculan la calidad los datos con la Fórmula 1: Don: (Fórmula 1) nc es el número reglas compatibles, cf i es el factor confianza la i regla asociación compatible y, cf j es el factor confianza la regla asociación incompatible. Data Mining utiliza diferentes algoritmos predicción, a continuación se presenta una tabla comparativa los más relevantes y utilizados. Ver Tabla 1. Tabla 1: Comparación los algoritmos Data Mining más relevantes. Algoritmo predicción Valor Continuo Método Aplicación Poda Utiliza (Top Down Inducti on Trees) Permite ejemplos con valores sconocidos Utiliza métodos división J48 Post- Data J48Graft Post- Data BFTree Costo NBTree Costo C45 Post- Data Res Bayesianas Poliárbo les Aprendizaje exhaustivo Aprendizaje exhaustivo. Superior cisión Superior cisión cisión cisión METODOLOGÍA DE TRABAJO A continuación se presenta la metodología con la cual se realizó la presente investigación. Figura 1. Figura 1. Metodología la investigación Para el sarrollo l proyecto se diseñó una metodología en dón se realizaron procesos análisis investigaciones relacionadas a la temática aplicación Minería datos, se estableció una validación las fuentes información, se justificó la selección los algoritmos predicción para este tipo aplicaciones y se diseñó mecanismos validación la confiabilidad en los resultados obtenidos. A continuación se scribe brevemente las fases la propuesta investigación: i. Propuesta Investigación: i. Propuesta investigación: Se realizaron varias entrevistas con Médicos Especialistas, en las cuales se plantearon diversas problemáticas en el sector salud y las posibles soluciones aplicando las tecnologías la información con el apoyo técnicas minería datos. ii. Investigación: En el proceso investigación se analizaron distintas enfermedas especialidad e investigaciones realizadas en el área la salud, las cuales fueron abordadas con técnicas

3 minería datos. En pláticas realizadas con Médicos Especialistas se termino que el tratamiento la información, tiene que ser con datos verídicos, sin omisiones en la información l paciente y l medio en el que se requiere hacer el estudio dichos datos. iii. Estandarización la Información: Se revisó que la información cumpla con los requerimientos para su análisis, be ser consistente, sin omisiones y verídica. iv. Preparación la Información: Se crearon las estructuras y formatos necesarios en los archivos que serán analizados por las herramientas Data Mining. v. Aplicación l Algoritmo: Con la información lista para ser analizada se aplicaron las técnicas minería datos, haciendo uso algoritmos que generaron árboles cisiones. vi. Obtención Resultados: Se obtuvieron frecuencias los datos y la scomposición la información en árboles cisiones, estos datos fueron valorados por médicos especialistas. Al finalizar la metodología se tuvo una retroalimentación con los médicos especialistas. Existen diferentes herramientas minería datos, por lo que es necesario analizarlos y compararlos para elegir la mejor herramienta a utilizar. Para realizar ésta comparación se utilizarán [10] los once factores McCall (el cual evalúa tres áreas trabajo l software: 1) La operación l producto, el cual fine la rapiz su comprensión y operación por parte l usuario. 2) La revisión l producto, el cual se refiere al tiempo y trabajo necesario para corregir errores y la adaptación los sistemas. 3) La transición l producto, refiriéndose esto a la capacidad adaptarse a los rápidos cambios hardware y [11] el molo calidad FURPS, el cual fine a la funcionalidad, usabilidad, fiabilidad, rendimiento y capacidad soporte como los factores para finir la calidad l software. Para por terminar la solución software Data Mining mejor aplicabilidad se realizó una tabla comparativa entre los productos Orange, Weka, RapidMiner, Jhepwork y Knime utilizando los factores McCall y FURPS. Tabla 2. Tabla 2: Tabla comparativa los diferentes productos software Data Mining Software Total Datamini ng WEKA 50 ORAN GE 50 RAPID 47 MINER 38 JHEPW ORK KNIME 42 En la tabla 3 se presentan los elementos evaluados en la tabla comparativa. Tabla 3: Elementos o factores evaluación. Elementos a Evaluar 1 Flexibilidad 8 Fácil Configurar 2 Portabilidad 9 Amigable 3 Interoperabilidad 10 Íconos con Ayuda 4 Manual Técnico 11 Seguridad 5 Manual Usuario 12 Actualizaciones 6 Ayuda en Línea 13 Soporte Técnico 7 Fácil Instalar 14 Inpenncia Hw De la misma manera se realizó un estudio comparativo las funcionalidas las cinco herramientas software. Ver tabla 4. Tabla 4: Tabla comparativa las funcionalidas software Data Mining. Herramientas Procesa Molos Métodos Graficación Validación data miento Predictivos scripción l molo mining datos datos Weka Orange RapidMiner JHepWork Knime

4 Para por llevar a cabo el tratamiento la información en aplicaciones médicas, específicamente en análisis y tratamientos enfermedas, se requiere contar con bancos datos estandarizados a los requerimientos información los especialistas, con atributos finidos, y rangos valores permitidos, los cuales posibiliten la aplicación técnicas y algoritmos minería datos que permitan generar una mayor exactitud en predicción l conocimiento [13]. Hoy en día, se requieren herramientas que permitan importar y exportar datos en diferentes formatos, como lo son: bases datos especificas, documentos en hojas cálculo como Excel, archivos estándar en formatos Software Datamining como.arff, o incluso que permitan el registro la información directamente a una base datos estandarizada. Por lo anterior, para el proyecto se sarrollaron dos herramientas importación y exportación datos, que permiten la interacción la información con programas minería datos como WEKA [16] y Orange Canvas [17], lo cual permite aprovechar las bondas ambas herramientas para la generación los resultados manera gráfica a través árboles cisión. El trabajo propuesto consiste en dos etapas 1) la implementación un algoritmo para importar y exportar los datos fuentes locales y externas y 2) la generación arboles cisión. A diferencia l molo DQM el molo propuesto evalúa la calidad los datos al terminar la valiz los resultados con base a un análisis confiabilidad finiendo el coeficiente viabilidad nombre en base al comportamiento los datos. El objetivo es encontrar la tección apropiada las diferentes sintomatologías que se puen presentar en el Síndrome doloroso abdominal. Esta enfermedad pue rivarse en diferentes diagnósticos cierta gravedad salud, siendo estos normalmente, Apendicitis en sus diferentes grados complicación, Colecistitis, Piocolecisto, Embarazo Ectopico, Aborto incompleto, Peritonitis, Lesión Vesical Tratogenia, Psesis Abdominal, Irritación Peritonal, Absceso Hepáico Amibiano, Oclusión Intestinal, Quiste Bilateral, Infección y Fastitis pared abdominal, Abdomen Agudo, entre otras. Figura 2: Molo aplicación algoritmos predicción utilizando técnicas Data Mining El molo propone una tección acuada los requerimientos información, para el caso estudio los requerimientos que los especialistas terminen, la aplicación la verificación la significancia los datos, la preparación la información, la aplicación l algoritmo Data Mining, la obtención los resultados y la aplicación un mecanismo validación resultados con base a métricas calidad los datos, la cual garantiza la efectividad en la aplicación las herramientas minería datos. En este procedimiento se administran dos o más versiones algoritmos predicción Data Mining utilizando árboles cisiones. Las reglas aplicación son similares en contenido, validaciones y otras características. Este método genera resultados confiables si existe una correlación alta entre los resultados las diferentes aplicaciones. Los patrones los resultados puen variar un poco entre las aplicaciones pero las tenncias en las predicciones ben ser similares lo cual garantizaría su efectividad. RESULTADOS OBTENIDOS Una vez realizada la investigación se obtuvieron los siguientes datos, ver figura 3. DESARROLLO DEL MODELO En la figura 2 se presenta el molo preparación datos que es generado producto la investigación. Figura 3: Datos obtenidos por WEKA en el Caso Estudio Síndrome Doloroso Abdominal.

5 La confiabilidad reaplicación las pruebas muestra hasta don los puntajes obtenidos en un instrumento puen ser generalizados a través l tiempo. En la medida que la confiabilidad es mayor, menos susceptibles son los puntajes ser modificados por las condiciones aleatorias asociadas con la situación medición o con los cambios los propios sujetos. El coeficiente confiabilidad obtenido es una medida la estabilidad la prueba. Como se observa en la figura 4, analizando los primeros 4 niveles scomposición los árboles cisión se encuentra que en el primer y segundo nivel la variación es mínima (con una sola diferencia en la predicción para cada nivel), teniendo una probabilidad l 86% lo cual muestra una alta confiabilidad para los algoritmos predicción utilizados, siguiendo con el análisis la tabla 6 en el tercer nivel la variación tien a aumentar por las diferentes combinaciones generadas durante la ramificación l árbol, sin embargo, la probabilidad es l 71% lo cual muestra ser elevada bido a que se encuentra un nivel superior scomposición y para el cuarto nivel analizado sube nuevamente la confiabilidad a un 86%. (Σx) 2 = suma total los valores X, elevada al cuadrado. (Σy) 2 = suma total los valores Y, elevada al cuadrado. Conteniendo la variable X los valores cada resultado encontrado la primer medición y Y el valor cada resultado las siguientes mediciones y sustituyendo los valores correspondientes en la fórmula, se encontró un resultado l 92%, lo cual indica que existe una alta correlación entre los resultados obtenidos la aplicación los 7 algoritmos predicción Data Mining utilizando arboles cisión, lo cual hace notar que la predicción l análisis los datos es confiable, en cuanto a la estabilidad las puntuaciones a través l tiempo con los datos existentes. Como parte l proceso comprobación l molo se realizó un comparativo entre el resultado generado sin la aplicación l molo obteniendo un 41% confiabilidad con los datos iniciales, en contraste con el 82% confiabilidad combinatoria en los 4 niveles utilizando el molo propuesto, lo cual garantiza una eficacia superior en su utilización y aplicación. Ver figura 5. Figura 4. Variación los niveles scomposición en los árboles cisión. Aplicando la fórmula para obtener el coeficiente correlación por el método los puntajes directos, el cual se expresa en la fórmula siguiente: (Fórmula 2) En don: r, es el coeficiente correlación entre las dos administraciones la prueba. N = número sujetos ΣXY = resultado sumar el producto cada valor X por su correspondiente valor en Y. ΣX = suma total los valores X (primera aplicación). ΣY = suma total los valores Y (segunda aplicación). Σx 2 = resultado sumar los valores X elevados al cuadrado. Σy 2 = resultado sumar los valores Y elevados al cuadrado. Figura 5. Comparativo Confiabilidad aplicación l molo Para validar los resultados la predicción l molo sobre un escenario prueba real, se tomaron en cuenta 10 registros aleatorios y se analizaron sus resultados. Este instrumento, a su vez, se repitió por 10 grupos pruebas encontrando una eficacia l 90% en los resultados. Es stacar, que en el caso estudio el dolor abdominal crónico, sólo había 110 registros en la base datos l Hospital Regional Tuxtla Gutiérrez, Chiapas, don como en varios hospitales encuestados, se tecta una falta información bido a la falta estandarización estas bases datos. Se recomienda para trabajos futuros obtener una base datos más completa, con un mayor número casos, con información estandarizada que permita replicar el molo y los escenarios prueba.

6 Por último, también se recomienda tomar los resultados l molo para evaluar y replicar este, con otro grupo enfermedas. DISCUSIÓN Y CONCLUSIONES Es importante stacar que los datos son la materia prima la minería datos y si éstos son incorrectos todo el análisis y por lo tanto el conocimiento generado también será incorrecto, lo que conlleva a una solución falsa que pue ocasionar una mala toma cisiones ntro una empresa o en nuestro caso en el tratamiento una enfermedad y pue llegar a causar la muerte las personas. Es cir, be haber una integridad la información entre la que se encuentra en la vida real y la que se encuentra registrada en las bases datos y sistemas información empresariales. En el caso estudio y con los datos iniciales el porcentaje confiabilidad era bajo sólo el 41%, bido principalmente a la falta una estandarización información con mediciones diferentes, campos incompletos, rangos valores no finidos, diferentes escalas valoración y diagnósticos con resultados diferentes. Al aplicar el molo el porcentaje confiabilidad se incremento a un 82% confiabilidad. El síndrome doloroso abdominal es una enfermedad muy común entre los pacientes, que tien a ser mal interpretada y muchas veces se trata con medicamentos generales que no ayudan a resolver el pacimiento especifico y se mal interpreta con enfermedas como Gastritis, Infecciones Estomacales, Inflamaciones en el abdomen por mencionar algunas, con el fin por brindar un mejor diagnóstico en el tratamiento esta enfermedad es necesario intificar y asociar sintomatologías especificas una apendicitis con la ayuda las herramientas minería datos para Reducir el riesgo en el tratamiento y diagnostico esta enfermedad. El Molo preparación datos para su aplicación en técnicas minería datos es una base importante para el sarrollo nuevas aplicaciones minería datos que puedan generar diagnósticos completos y prevenciones en enfermedas especialidad [18]. Conocimiento Especializado y Unidas Significación Especializada en Medicina., sin fecha. [5] Zavala Vaca, Hugo Alejandro., Ferreira Medina, Herberto., Análisis comparativo herramientas monitoreo y control res, utilizando software libre para Institutos Investigación., CIGA., CIECO., sin fecha. [6] Ruiz Bolívar, Carlos., Confiabilidad., Programa Interinstitucional Doctorado en Educación., sin fecha. [7] Segura Bolívar, John Alexanr., Obregón Neira, Nelson., Un molo lógica difusa y conjuntos difusos para el pronóstico los niveles medios diarios l río Magdalena, en la estación limnigráfica Puerto Salgar, Colombia., revista ingeniería #22 facultad ingeniería universidad los ans noviembre [8] Mathew, Tom V., Genetic Algorithm., Indian Institute of Technology Bombay., sin fecha. [9] I. Aydin, M. Karakose, E. Akin., The Prediction Algorithm Based on Fuzzy Logic Using Time Series Data Mining Method., World Acamy of Science, Engineering and Technology [10] Gillies, A Software Quality: Theory and Management., Thomson, London. [11] Grady, Robert B., 1992., Practical software metrics for project management and process improvement. [12] Villalobos J. Ángel, Expediente-e. Telemedicina, Minería Datos y apoyo por Teléfono, México, [13] Laudon Kennet, Sistema Información Gerencial. Administración la empresa digital, Pearson Educación, México, Octava Edición, 2004 [14] Ian H. Witten & Eibe Frank, Data Mining, Machine Learning tools and techniques, Editorial Morgan Kaufmann, San Francisco, CA, Segunda Edición, [16]Sitio la Universidad Waikato apartado software especializado en minería dato. [17] Sitio oficial l Software Orange Canvas. [18] D. Canlas Rubén. Data Mining in Healthcare: Current Applications and Issues. Carnegie Mellon University, Australia PAG 3-9. REFERENCIAS [1] Strong, D.M,Lee Y.W,wang, R.Y., Data Quality in Contex, communication of ACM, 40(5),1997. [2] Pipino,L.,lee,W., Wang,y., Data Quality Assessment, [3] Saeed Farzi, Ahmad Baraani Dastjerdi., Data Quality Measurement using Data Mining, International Journal of Computer Theory and Engineering, Vol. 2, No. 1 February, 2010 [4] Estopa, Rosa., Valero, Antoni., Adquisición