Modelos Predictivos

El análisis predictivo se define como el proceso de utilizar el análisis de datos para realizar predicciones basadas en esa información.

Modelos Predictivos

Los sistemas de asistencia sanitaria utilizarán el análisis predictivo para dar apoyo también en las decisiones tomadas en los diferentes centros de asistencia. Los analistas de asistencia sanitaria utilizan el análisis predictivo para «prevenir las enfermedades de los pacientes, evitar penalizaciones y reducir gastos»

Los modelos predictivos aplican resultados conocidos con el fin de entrenar al modelo para predecir valores, con datos diferentes o completamente nuevos, en un proceso repetitivo. El modelado proporciona los resultados en forma de predicciones representadas mediante el grado de probabilidad de la variable objetivo basado en la significación estimada a partir de un conjunto de variables de entrada.

Los datos estructurados son datos que puede ser almacenado, consultado, analizado y manipulado por máquinas, normalmente, en modo tabla de datos. Los datos no estructurados o desestructurados son todo lo contrario. Datos estructurados, son los datos clásicos de los pacientes (nombre, edad, sexo…) y datos no estructurados son las recetas de papel, los registros médicos, las notas manuscritas de médicos, radiografías, TAC, etc.

Técnicas Utilizadas en Nuestro Sistema

  • Análisis Bayesiano - Lo empleamos en nuestros proyectos de visión artificial y reconocimiento de patrones. En estos métodos se tratan los parámetros como variables aleatorias y la probabilidad se define como grados de creencia. La probabilidad de que ocurra un evento parte del grado en el que sin tener la certeza crees que el evento es cierto o falso con las evidencias que se conocen. Es decir, partimos de una creencia definida de la distribución probabilista de un parámetro desconocido y a medida que vamos adquiriendo nuevos datos se va actualizando ese grado de creencia.
  • Series Temporales y Data Mining - Nos basamos en el estudio datos históricos, recogemos datos de intervalos temporales como por ejemplo, tiempo en una determinada estancia de la casa, veces que se va al baño, tiempo que se permanece sentado, horas de sueño, etc. De esta manera podemos identificar patrones que se repiten constantemente. Utilizamos este método para la vigilancia y seguridad de personas mayores que viven solas.
  • Ensemble Models - Lo utilizamos para la predicción de necesidades en personas con discapacidad motriz severa, casos de parálisis cerebral. Es la forma de construir modelos predictivos altamente precisos. Mediante los algoritmos de bagging y boosting podemos conseguir un impresionante nivel de precisión. Esta técnica consiste en construir un nuevo modelo entrenando varios modelos similares combinando los resultados para mejorar la precisión, reducir los sesgos, reducir la varianza e identificar el mejor modelo para usar con nuevos datos.
Asistencia Sanitaria

En asistencia sanitaria se utiliza el análisis predictivo para determinar qué pacientes están en riesgo de desarrollar determinados trastornos como diabetes, asma o enfermedades cardiovasculares entre otras enfermedades recurrentes.

Modelos Matemáticos

El estudio de las enfermedades infecciosas a menudo se basa en modelos epidemiológicos matemáticos que intentan emular la dinámica de la enfermedad y estimar los parámetros relacionados con ella, como la tasa de reproducibilidad, la tasa de mortalidad, etcétera.

La forma básica de este tipo de simulaciones son los modelos SIR basados en el supuesto de que la población se puede clasificar en tres grupos compartimentados independientes (persona susceptible, infectada y recuperada). El número y tipo de grupos compartimentados se pueden modificar para reflejar mejor la dinámica específica de la enfermedad, como en los modelos SEIR (persona susceptible, expuesta, infectada y recuperada). Los modelos estudian de qué manera los individuos pueden progresar de un grupo compartimentado al siguiente.

Nuestros modelos tienen dos fases: una de ajuste y otra de predicción.

En la de ajuste, se determinan qué funciones matemáticas y valores de los parámetros son compatibles con los datos que observamos de evolución diaria de la epidemia en el pasado, incorporando también el conocimiento biomédico sobre la historia natural de la enfermedad, en un enfoque bayesiano. Una vez elegido el modelo que mejor se ajusta a los datos del pasado, el que mejor lo predice, se utiliza para simular o predecir la evolución de los casos en el futuro, bajo distintos escenarios de intervención.

© Copyright 2021 YRISH Technology, S.C.A. All Rights Reserved.

Site was created with Mobirise