universidad de guayaquil -...
TRANSCRIPT
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMÁTICAS Y FISCA
CARRERA DE INGENIERÍA EN SISTEMAS
COMPUTACIONALES
APLICACIÓN DE MAPAS COGNITIVOS Y REDES BAYESIANAS COMO
HERRAMIENTA EN LA TOMA DE DECISIONES BAJO INCERTIDUMBRE DE
LOS FACTORES RELACIONADOS CON LA DIABETES
PROYECTO DE TITULACIÓN
Previa a la obtención del Título de:
INGENIERO EN SISTEMAS COMPUTACIONALES
AUTOR (ES):
LEÓN MEDINA CARLA MISHELL
SALAS LARREA ALEXANDER DUVERLENG
TUTOR:
ING. JEFFERSON NUÑEZ GAIBOR, Msig.
GUAYAQUIL – ECUADOR
2018
II
REPOSITORIO NACIONAL EN CIENCIAS TECNOLÓGICAS
FICHA DE REGISTRO DE TESIS
Título: "APLICACIÓN DE MAPAS COGNITIVOS Y REDES BAYESIANAS COMO HERRAMIENTA EN LA TOMA DE DECISIONES BAJO INCERTIDUMBRE DE LOS FACTORES RELACIONADOS CON LA DIABETES"
AUTORES: REVISORES: ALEXANDER DUVERLENG SALAS LARREA ING. LORENZO CEVALLOS MSc.
CARLA MISHELL LEÓN MEDINA
INSTITUCIÓN: Universidad de Guayaquil FACULTAD: Ciencias Matemáticas y Física
CARRERA: Ingeniería en Sistemas Computacionales
FECHA DE PUBLICACIÓN: N DE PÁGS.:
ÁREA TEMÁTICA: Estadístico, Logístico, Matemático
PALABRAS CLAVES: Mapas Cognitivos Difusos, Redes Bayesianas, Diabetes, Toma de decisiones, Incertidumbre.
RESUMEN: La diabetes es una enfermedad que se ubica en la lista de enfermedades principales con diagnóstico de muerte a nivel mundial, dado a que, para atender la diabetes sólo existen tratamientos que permiten controlar la enfermedad El problema radica en que los profesionales en el área, al momento de tomar una decisión en base al tratamiento óptimo a seguir, lo hace apoyándose en su experiencia, criterio y conocimiento, pero en ciertas ocasiones, la información obtenida tras los años de trabajo no es suficiente para diagnosticar los factores reales que pueden presenciarse y los cuales hacen que surja dicha enfermedad, ya que no todas las personas poseen un metabolismo similar. Actualmente la informática sirve como soporte en el área de la salud, con el objetivo de prestar servicios a los profesionales para mejorar la calidad de la atención sanitaria. Es por ello que, por medio del presente proyecto, se plantea establecer un modelo para la toma de decisiones bajo incertidumbre que ayude en la tomas de decisiones diagnósticas.
N DE REISTRO: N DE CLASIFICACIÓN:
DIRECCIÓN URL:
ADJUNTO PDF SI NO
CONTACTO CON AUTOR: Teléfono: 0981814894 [email protected]
0962706383 [email protected]
CONTACTO DE LA INSTITUCIÓN: Carrea de Ingeniería en Sistemas Computacionales
NOMBRE:
Teléfono:
E-mail:
III
APROBACIÓN DEL TUTOR
En mi calidad de Tutor del trabajo de titulación, “APLICACIÓN DE MAPAS
COGNITIVOS Y REDES BAYESIANAS COMO HERRAMIENTA EN LA TOMA
DE DECISIONES BAJO INCERTIDUMBRE DE LOS FACTORES
RELACIONADOS CON LA DIABETES“ elaborado por el Sr. ALEXANDER
DUVERLENG SALAS LARREA y la Srta. CARLA MISHELL LEÓN MEDINA,
Alumno no titulado de la Carrera de Ingeniería en Sistemas
Computacionales, Facultad de Ciencias Matemáticas y Físicas de la
Universidad de Guayaquil, previo a la obtención del Título de Ingeniero en
Sistemas, me permito declarar que luego de haber orientado, estudiado y
revisado, la Apruebo en todas sus partes.
Atentamente
Ing. Jefferson Núñez Gaibor, Msig.
TUTOR
IV
DEDICATORIA
Este trabajo se lo dedicamos a Dios por darnos la
fortaleza para seguir adelante sin desmayar. A
nuestros padres, quienes nos brindan su apoyo
incondicional, consejos y por ayudarnos con los
recursos necesarios para nuestros estudios.
CARLA MISHELL LEÓN MEDINA,
ALEXANDER SALAS LARREA
V
AGRADECIMIENTO
A mis padres, por darme apoyo incondicional
y siempre estar presente, a los maestros que
nos impartieron el aprendizaje para alcanzar
este objetivo, al Ing. Lorenzo por brindarnos
sus conocimientos, instruirnos y guiarnos en
el camino, a nuestro tutor por estar dispuesto
a brindarnos su apoyo a las diferentes
inquietudes que se presentaron durante el
desarrollo del presente proyecto.
CARLA MISHELL LEÓN MEDINA
VI
AGRADECIMIENTO
A Dios por darme la sabiduría y el entendimiento
para superar cada prueba, a mis padres por
apoyarme en lo que sea necesario y a los docentes
que nos comparten sus conocimientos y nos
transmiten de sus experiencias para poder ser
buenos profesionales.
ALEXANDER DUVERLENG SALAS LARREA
VII
TRIBUNAL PROYECTO DE TITULACIÓN
Ing. Eduardo Santos Baquerizo, M.Sc.
DECANO DE LA FACULTAD
CIENCIAS MATEMÁTICAS Y
FÍSICAS
Ing. Abel Alarcón Salvatierra, Mgs.
DIRECTOR DE LA CARRERA DE
INGENIERÍA EN SISTEMAS
COMPUTACIONALES
Ing. Lorenzo Cevallos Torres, M.Sc.
PROFESOR REVISOR DEL PROYECTO
DE TITULACIÓN
Ing. Jefferson Núñez Gaibor Msig.
PROFESOR TUTOR DEL PROYECTO
DE TITULACIÓN
Ab. Juan Chávez Atocha, Esp.
SECRETARIO
VIII
DECLARACIÓN EXPRESA
“La responsabilidad del contenido de este Proyecto de Titulación, nos corresponden exclusivamente; y el patrimonio intelectual de la misma a la UNIVERSIDAD DE GUAYAQUIL”
LEÓN MEDINA CARLA MISHELL,
SALAS LARREA ALEXANDER DUVERLENG
IX
UNIVERSIDAD DE GUAYAQUIL FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS
CARRERA DE INGENIERÍA EN SISTEMAS
COMPUTACIONALES
“APLICACIÓN DE MAPAS COGNITIVOS Y REDES BAYESIANAS
COMO HERRAMIENTA EN LA TOMA DE DECISIONES BAJO
INCERTIDUMBRE DE LOS FACTORES RELACIONADOS CON LA
DIABETES”.
Proyecto de Titulación que se presenta como requisito para optar por el
título de INGENIERO EN SISTEMAS COMPUTACIONALES
Autores:
CARLA MISHELL LEÓN MEDINA
C.I.: 0951363597
ALEXANDER DUVERLENG SALAS LARREA
C.I.: 1207771609
Tutor: Ing. Jefferson Núñez Gaibor Msig.
Guayaquil, septiembre del 2018
X
CERTIFICADO DE ACEPTACIÓN DEL TUTOR
En mi calidad de Tutor del proyecto de titulación, nombrado por el Consejo Directivo de la Facultad de Ciencias Matemáticas y Físicas de la Universidad de Guayaquil.
CERTIFICO: Que he analizado el Proyecto de Titulación presentado por el/la estudiante LEÓN MEDINA CARLA MISHELL y SALAS LARREA ALEXANDER
DUVERLENG, como requisito previo para optar por el título de Ingeniero en Sistemas Computacionales cuyo problema es: PLATAFORMA TECNOLÓGICA PARA CONTRIBUIR LA PLANEACIÓN URBANA EN LA CIUDAD DE GUAYAQUIL DIRIGIDO A LA TRANSPORTACIÓN, ENFOCADO A LA IMPLEMENTACIÓN DE ALGORITMOS DE ANÁLISIS DE TRAYECTORIA.
Considero aprobado el trabajo en su totalidad.
Presentado por:
LEÓN MEDINA CARLA MISHELL 0950826032 SALAS LARREA ALEXANDER DUVERLENG 1207771609
Tutor: Ing. Jefferson Núñez Gaibor Msig.
Guayaquil, septiembre del 2018
XI
UNIVERSIDAD DE GUAYAQUIL FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS
CARRERA DE INGENIERÍA EN SISTEMAS COMPUTACIONALES
Autorización para Publicación de Proyecto de Titulación en Formato Digital 1. Identificación del Proyecto de Titulación
Nombre Alumno: CARLA MISHELL LEÓN MEDINA
Dirección: Calle 24 y calle L
Teléfono: 0981814894 E-mail: [email protected]
Nombre Alumno: ALEXANDER DUVERLENG SALAS LARREA
Dirección: Babahoyo – Los Ríos
Teléfono: 0962706383 E-mail: [email protected]
Facultad: Ciencias Matemáticas Y Físicas
Carrera: INGENIERÍA EN SISTEMAS COMPUTACIONALES
Proyecto de titulación al que opta: Ingeniero en Sistemas Computacionales
Profesor tutor: Ing. Jefferson Núñez Gaibor Msig.
Título del Proyecto de titulación: APLICACIÓN DE MAPAS COGNITIVOS Y REDES
BAYESIANAS COMO HERRAMIENTA EN LA TOMA DE DECISIONES BAJO
INCERTIDUMBRE DE LOS FACTORES RELACIONADOS CON LA DIABETES
Tema del Proyecto de Titulación: Redes Bayesianas, Mapas Cognitivos Difusos, Lógica Difusa, Modelo Multi-criterio, Toma de Decisiones.
2. Autorización de Publicación de Versión Electrónica del Proyecto de Titulación A través de este medio autorizo a la Biblioteca de la Universidad de Guayaquil y a la Facultad de Ciencias Matemáticas y Físicas a publicar la versión electrónica de este Proyecto de titulación. Publicación electrónica:
Inmediata X Después de 1 año
Firma Alumno: CARLA MISHELL LEÓN MEDINA ALEXANDER SALAS LARREA 3. Forma de envío: El texto del proyecto de titulación debe ser enviado en formato Word, como archivo .Doc. O .RTF y .Puf para PC. Las imágenes que la acompañen pueden ser: .gif, .jpg o .TIFF.
DVDROM CDROM
XII
Contenido
APROBACIÓN DEL TUTOR ........................................................................... III
DEDICATORIA .................................................................................................. IV
AGRADECIMIENTO .......................................................................................... V
AGRADECIMIENTO ........................................................................................ VI
ABREVIATURAS ........................................................................................... XVII
SIMBOLOGÍA ................................................................................................ XVIII
ÍNDICE DE GRÁFICOS ................................................................................. XIX
INTRODUCCIÓN .................................................................................................. 3
CAPÍTULO I .......................................................................................................... 5
EL PROBLEMA .................................................................................................... 5
PLANTEAMIENTO DEL PROBLEMA ............................................................. 5
Ubicación del Problema ............................................................................... 5
Situación Conflicto Nudos Críticos ........................................................... 5
Causas y Consecuencias del Problema .................................................. 6
Delimitación del Problema ........................................................................... 7
Formulación del Problema .......................................................................... 7
Evaluación del Problema ............................................................................. 7
OBJETIVOS .......................................................................................................... 9
OBJETIVOS GENERAL ..................................................................................... 9
OBJETIVOS ESPECÍFICOS .............................................................................. 9
ALCANCES DEL PROYECTO ........................................................................ 10
XIII
JUSTIFICACIÓN E IMPORTANCIA ............................................................... 10
METODOLOGÍA DEL PROYECTO: .............................................................. 11
Método descriptivo ...................................................................................... 11
Meta-análisis: ................................................................................................ 12
Mapas cognitivos difusos: ........................................................................ 12
Población Objetivo: ..................................................................................... 12
Muestra: .......................................................................................................... 13
CAPÍTULO II ....................................................................................................... 14
MARCO TEÓRICO ............................................................................................ 14
ANTECEDENTES DEL ESTUDIO .................................................................. 14
Diabetes .......................................................................................................... 15
Diabetes no identificada ............................................................................. 15
Diabetes Mellitus a nivel mundial ............................................................ 16
La diabetes en poblaciones indígenas ................................................... 18
Diabetes Mellitus en Europa ..................................................................... 19
Diabetes Mellitus en América Latina ...................................................... 19
Diabetes Mellitus en Ecuador ................................................................... 20
FUNDAMENTACIÓN TEÓRICA ..................................................................... 21
Teorema de Bayes ....................................................................................... 21
Probabilidad Condicional ...................................................................... 22
Teorema de probabilidad total .............................................................. 22
INTELIGENCIA ARTIFICIAL ....................................................................... 23
Niveles de Inteligencia Artificial ............................................................... 27
Inteligencia Artificial Débil: ................................................................... 27
Inteligencia Artificial Fuerte: ................................................................. 28
XIV
Súper Inteligencia Artificial: .................................................................. 28
Singularity: ................................................................................................. 28
MÉTODOS MULTI-CRITERIOS BASADOS EN INTELIGENCIA
ARTIFICIAL. ....................................................................................................... 28
LÓGICA DIFUSA ........................................................................................... 29
Reglas de la lógica difusa .......................................................................... 30
Conjuntos Difusos ....................................................................................... 31
Conjunto difuso normal .......................................................................... 32
Conjunto difuso convexo ....................................................................... 32
Desfusificación ............................................................................................. 33
Variables lingüísticas .................................................................................. 33
REDES NEURONALES ARTIFICIALES ................................................... 34
ALGEBRA CASUAL DIFUSA ..................................................................... 34
MAPAS COGNITIVOS DIFUSOS ............................................................... 35
HERRAMIENTAS DE SOFTWARE PARA MAPAS COGNITIVOS
DIFUSOS ......................................................................................................... 36
REDES BAYESIANAS .................................................................................. 38
Identificación de variables ......................................................................... 39
Modelos canónicos asociados a las redes Bayesianas .................... 40
HERRAMIENTAS DE SOFTWARE PARA REDES BAYESIANAS ..... 41
FUNDAMENTACIÓN LEGAL .......................................................................... 43
CONSTITUCIÓN DE LA REPÚBLICA DEL ECUADOR (2008) ............ 43
CAPÍTULO III ...................................................................................................... 46
METODOLOGÍA DE LA INVESTIGACIÓN ................................................... 46
DISEÑO DE LA INVESTIGACIÓN .................................................................. 46
XV
Modalidad de la Investigación .................................................................. 46
TIPO DE INVESTIGACIÓN .............................................................................. 47
DEFINICIONES .................................................................................................. 48
Población Objetivo ...................................................................................... 48
Muestra ........................................................................................................... 49
Marco Muestral ............................................................................................. 50
OPERACIONALIZACIÓN DE VARIABLES .................................................. 50
HERRAMIENTAS DE LA INVESTIGACIÓN Y RECOLECCIÓN DE
DATOS ................................................................................................................. 51
META-ANÁLISIS ........................................................................................... 51
Descripción de las variables utilizadas .................................................. 52
Encuesta ......................................................................................................... 53
Cuestionario .................................................................................................. 53
INSTRUMENTOS DE INVESTIGACIÓN ....................................................... 54
Stat::Fit ............................................................................................................ 54
Redes Bayesianas ........................................................................................ 54
Proceso de reagrupación y análisis de datos a priori ....................... 58
Etapa de correlación ....................................................................................... 68
Inferencia de pesos y afectación de eventos en red bayesiana ...... 69
Mapa Cognitivo difuso en Mental Modeler ................................................ 70
CAPÍTULO IV ..................................................................................................... 74
RESULTADOS CONCLUSIONES Y RECOMENDACIONES ................... 74
RESULTADOS ................................................................................................... 74
CONCLUSIONES .............................................................................................. 79
RECOMENDACIONES ..................................................................................... 81
XVI
BIBLIOGRAFÍA .................................................................................................. 82
Anexos ................................................................................................................ 86
Anexo 1. .......................................................................................................... 87
Valoración del Juicio de Experto ............................................................. 87
Padece ............................................................................................................. 88
No Padece ....................................................................................................... 88
Anexo 2. Tabla de Mata-análisis .................................................................... 91
XVII
ABREVIATURAS
MCD Mapas Cognitivos Difusos
DM Diabetes Mellitus
IA Inteligencia Artificial
IMC Índice de Masa Corporal
INEC Instituto Nacional de Estadísticas y Censos.
SABE Salud, Bienestar y Envejecimiento
MIES Ministerio de Inclusión Económica y Social
MSc. Máster
Ing. Ingeniero
UG Universidad de Guayaquil
CC.MM.FF Facultad de Ciencias Matemáticas y Físicas
MAUT Utilidad Multi-atributo
AHP Proceso Analítico Jerárquico
URL Localizador de Fuente Uniforme
WWW World Wide Web
XVIII
SIMBOLOGÍA
S Desviación estándar
e Error
E Espacio muestral
s Estimador de la desviación estándar
e Exponencial
XIX
ÍNDICE DE GRÁFICOS
Gráfico 1. Índice de países con personas que padecen diabetes ............ 17
Gráfico 2. Porcentaje de Diabetes a nivel mundial ...................................... 18 Gráfico 3. Modelo para la toma de decisión ................................................. 29
Gráfico 4. MCD Simple con cinco nodos. ...................................................... 36
Gráfico 5. Tablero de instrumentos, se abre inmediatamente al iniciar el software. .............................................................................................................. 37 Gráfico 6. MCD en Mental Modeler ................................................................ 38
Gráfico 7. Ejemplo de Red Bayesiana ........................................................... 39
Gráfico 8. Pantalla principal de Elvira ............................................................ 42
Gráfico 9. Distribución de los datos obtenidos. ............................................ 54
Gráfico 10. Red bayesiana de los factores relacionados con la diabetes 57
Gráfico 11. Vista de inferencia de nodos con sus respectivos valores causales a priori. ................................................................................................ 58 Gráfico 12. Frecuencia de la variable Obesidad .......................................... 59
Gráfico 13. Frecuencia de la variable presión arterial ................................. 60
Gráfico 14. Frecuencia de la variable colesterol. ......................................... 61
Gráfico 15. Frecuencia de la variable Visión borrosa .................................. 62
Gráfico 16. Frecuencia de la variable Edad .................................................. 63
Gráfico 17. Frecuencias de la variable Alimentación .................................. 64
Gráfico 18. Frecuencia de la variable actividad física. ................................ 65
Gráfico 19. Frecuencia de la variable ulceras. ............................................. 66 Gráfico 20. Frecuencia de la variable glucemia. .......................................... 67
Gráfico 21. Correlación en Elvira de la variable colesterol. ........................ 68
Gráfico 22. Red bayesiana con factores de incidencia ............................... 69
Gráfico 23. MCD Factores relacionados con la diabetes ........................... 71
Gráfico 24. Matriz de adyacencia Factores relacionados con la Diabetes ............................................................................................................................... 72
Gráfico 25. Sistema de inferencias MCD ...................................................... 73
Gráfico 26. Sistema de Inferencia de la red Bayesiana .............................. 74 Gráfico 27. Primer caso de prueba tras la presencia de 6 sucesos. ........ 75
Gráfico 28. Segundo caso de prueba tras la presencia de 7 sucesos. .... 76
Gráfico 29. Matriz de Adyacencia ................................................................... 77
Gráfico 30. Estimulación tras la Activación del nodo Resistencia a la Insulina ................................................................................................................. 78
Gráfico 31. Segundo Escenario en MCD ...................................................... 78
XX
ÍNDICE DE TABLAS
Tabla 1. Causas y Consecuencias. .................................................................. 6
Tabla 2. Acontecimientos Importantes de la IA. ........................................... 24
Tabla 3. Características de las variables lingüísticas .................................. 33
Tabla 4. MATRIZ DE OPERACIONALIZACIÓN DE VARIABLES ............... 50
Tabla 5. Descripción de los nodos de la Red Bayesiana ............................ 55
Tabla 6. Tabla de frecuencia para la variable obesidad .............................. 59
Tabla 7. Tabla de frecuencias de la variable Presión arterial, haciendo
referencia al estado seleccionado como hipertensión. ................................ 60
Tabla 8. Tabla de frecuencia de la variable “colesterol”. ............................. 61
Tabla 9. Tabla de frecuencia de la variable Visión borrosa ........................ 62
Tabla 10. Tabla de frecuencia de la variable Edad ...................................... 63
Tabla 11. Tabla de frecuencias de la variable Alimentación ...................... 64
Tabla 12. Tabla de frecuencia de la variable actividad física. .................... 65
Tabla 13. Tabla de frecuencia de la variable ulceras. ................................. 66
Tabla 14. Tabla de frecuencia de la variable glucemia. .............................. 67
Tabla 15. Descripción de relaciones causales .............................................. 70
1
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS
CARRERA DE INGENIERÍA EN SISTEMAS COMPUTACIONALES
APLICACIÓN DE MAPAS COGNITIVOS Y REDES BAYESIANAS COMO
HERRAMIENTA EN LA TOMA DE DECISIONES BAJO INCERTIDUMBRE DE
LOS FACTORES RELACIONADOS CON LA DIABETES
Resumen
El objetivo del presente trabajo de investigación, es determinar los factores que
inciden en la enfermedad de la Diabetes, a través del análisis comparativo de
modelos multi-criterio, tales como lo son los Mapas Cognitivos y las Redes
Bayesianas. En la actualidad la Diabetes es una enfermedad que se ubica en la lista
de enfermedades principales con diagnóstico de muerte de la población a nivel
mundial, dado a que para atender la diabetes sólo existen tratamientos que permiten
controlar la enfermedad El problema radica en que los profesionales en el área, al
momento de tomar una decisión en base al tratamiento óptimo a seguir, lo hace
apoyándose en su experiencia, criterio y conocimiento, pero en ciertas ocasiones,
la información obtenida tras los años de trabajo no es suficiente para diagnosticar
los factores reales que pueden presenciarse, ya que no todas las personas poseen un
metabolismo similar; es por ello que se plantea medir a través de la Red Bayesiana
y el Mapa Cognitivo, los eventos con mayor incidencia para que sirvan de aporte y
ayuden al experto en la toma de decisiones al momento de recomendar un
tratamiento adecuado para cada paciente. Concluimos que por medio de la
asistencia del software Elvira y Mental Modeler, destinado para los fines de estudio,
se pudo determinar que el proceso más óptimo para la ayuda en la toma de
decisiones es la red de Bayes, ya que esta permite el análisis de escenarios probables
de pacientes con diabetes y se sugiere trabajos futuros para expandir la utilización
de los Mapas Cognitivos en el área de la medicina.
Autores: Carla León Medina
Alexander Salas Larrea
Tutor: Ing, Jefferson Núñez, Msig.
2
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS
CARRERA DE INGENIERÍA EN SISTEMAS COMPUTACIONALES
APPLICATION OF COGNITIVE MAPS AND BAYESIAN NETWORKS AS A TOOL IN
DECISION MAKING UNDER UNCERTAINTY OF DIABETES RELATED FACTORS
Abstract
The objective of this research work is to determine the factors that influence the Diabetes
disease, through the comparative analysis of multi-criteria models, such as Cognitive Maps
and Bayesian Networks. Currently Diabetes is a disease that is located on the list of major
diseases with a diagnosis of death of the population worldwide, given that to treat diabetes
there are only treatments that allow control of the disease The problem lies in that
professionals in the area, when making a decision based on the optimal treatment to follow,
it does so based on experience, criteria and knowledge, but in certain cases, the information
obtained after years of work is not enough to diagnose the real factors that can be witnessed,
since not all people have a similar metabolism; that is why it is proposed to measure,
through the Bayesian Network and the Cognitive Map, the events with the highest
incidence to serve as a contribution and help the expert in making decisions when
recommending an appropriate treatment for each patient. We conclude that through the
assistance of the Elvira and Mental Modeler software, intended for study purposes, it was
possible to determine that the most optimal process for decision-making assistance is the
Bayes network, since it allows the analysis of probable scenarios of patients with diabetes
and future work is suggested to expand the use of Cognitive Maps in the area of medicine.
Authors: Carla León Medina
Alexander Salas Larrea
Tutor: Ing, Jefferson Núñez, Msig.
3
INTRODUCCIÓN
El área de la salud presenta un elevado incremento en el número de casos que
presentan diabetes mellitus, la subsistencia de esto puede explicarse por varios
factores: el total desconocimiento de la enfermedad, el poco interés de las
personas en mantener u conservar un buen estilo de vida y uno de los factores
que más prevalece es la falta de recursos económicos.
La diabetes mellitus se encuentra en la lista de una las enfermedades
principales con diagnóstico de muerte en la población, cabo que aún no existe la
cura para esta enfermedad, por lo tanto, el único medio preventivo, es el control;
por ello, es de vital importancia que el paciente tenga conocimiento sobre la
enfermedad, el cuidado y debido tratamiento que debe llevar (National Institute of
Diabetes and Digestive and Kidney DIases., 2017).
Estudios anteriores han demostrado los factores que pueden ocasionar la
diabetes, sin embargo, ¿Cuál de todos estos factores son los más ocasionales?,
¿A caso uno de estos factores le da nacimiento a otro?, son preguntas que
muchos profesionales en el área de la salud responden en base a su experiencia,
pero, muchas veces aquella información obtenida tras años de trabajo no es
suficiente para diagnosticar los factores reales que dan nacimiento a dicha
enfermedad, si bien es cierto cada persona conlleva un metabolismo y forma de
vida distinta, lo que hace alterable los síntomas y predicción del porque se produce
la enfermedad.
La toma de decisiones clínicas, constituye un proceso muy complejo, en donde
se encuentra inmersa la incertidumbre, como lo mencionamos anteriormente,
generalmente los expertos en el área toman una decisión, evaluando los posibles
beneficios y riesgos que se pueden presentar para poder determinar el tratamiento
a seguir, tomando en cuenta una serie de análisis u estudios que el paciente debe
realizarse; esta decisión está correlacionada con la experiencia del médico como
por sus creencias y conocimientos. Es por eso que es necesario la implementación
de un método que ayude a integrar y evaluar dentro de sus procesos, ciertos
4
valores de incertidumbre que pueden presentarse durante el desarrollo de la
enfermedad.
La (Real Academia de Ciencias Exactas, Físicas y Naturales de España, 2014),
define a la Ingeniería como: “Conjunto de conocimientos y técnicas cuya
aplicación permite la utilización racional de los materiales y de los recursos
naturales, mediante invenciones construccionales u otras realizaciones
provechosas para el hombre”.
Esta ciencia multidisciplinaria, puede ser implementada en diversas áreas, por
esta razón y con el fin de ayudar a la toma de decisiones en el momento de abordar
con los factores que ocasiona la diabetes, es necesario aplicar modelos de análisis
multi-criterio, brindando de esta manera un resultado con mayor fiabilidad. Este
trabajo pretende analizar mediante el uso la construcción Redes Bayesianas y
Mapas Cognitivos Difusos, para analizar los factores de incidencia que producen
diabetes.
El objetivo principal es desarrollar un modelo que nos ayude en la toma de
decisiones, cuando se presente un nivel de incertidumbre ante alguna
eventualidad. El sistema propuesto sirve de ayuda a los endocrinólogos en la
determinación de los factores relacionados con la diabetes y la relevancia de cada
uno de ellos.
.
5
CAPÍTULO I
EL PROBLEMA
PLANTEAMIENTO DEL PROBLEMA
Ubicación del Problema
Dado a que la diabetes, es una de las enfermedades que se presenta con
mucha frecuencia y que sólo existen tratamientos para controlar la enfermedad,
los médicos se ven en la necesidad de evaluar, cada uno de los posibles eventos
que podrían presentarse al momento de dar un diagnóstico.
Por esta razón y con el fin de ayudar a la toma de decisiones en el momento de
abordar temas que presentan un grado de incertidumbre, es necesario aplicar
modelos de análisis multi-criterio, brindando de esta manera un resultado con
mayor fiabilidad.
Situación Conflicto Nudos Críticos
La toma de decisiones clínicas son procesos extremadamente complejos
moderados de manera ineludible por la incertidumbre, en el que los expertos se
ven obligados a tomar las decisiones de un posible caso en base a su experiencia
asistencial, conocimiento o creencia.
Sin embargo, existen situaciones en el que incluso los expertos obvian posibles
síntomas o enfermedades que pueden de tal manera significar la presencia de
otro posible diagnóstico, talvez similar al estipulado, pero con un tratamiento
diferente, dando lugar a una posible negligencia médica, que puede llegar a
instancias consideradamente graves.
6
Causas y Consecuencias del Problema
El no abordar el conocimiento necesario al momento de enfrentar un posible
diagnóstico de enfermedad puede desbocar un sin número de problemas, que
puede repercutir de manera nefasta sobre la salud de una persona, paso seguido
de la reputación profesional del experto, así como la pérdida de confiabilidad de
la organización a la que pertenece, posible pérdida de licencia médica al ser
demandado por negligencia médica, entre otras. Si bien es cierto estas son causas
que repercuten directamente al profesional de la salud, esto se debe a que es el
responsable del diagnóstico y tratamiento del caso a tratar.
Otras de las posibles causas, pero de menor grado de afectación serian:
No constar con un esquema que ayude a despejar dudas e inconsistencia
que pueda presentarse.
Proceso de detección de posible diagnostico lento: haciendo referencia
que a un diagnóstico realizado con tan solo mirar no es nada fiable, siendo
el proceso real de detección algo lento.
Dudas acerca de las posibles pruebas que deben efectuarse.
Material que fundamente su decisión inexistente, entre otras.
Ante estas causas las consecuencias siguen siendo las ya mencionadas con
anterioridad.
Tabla 1. Causas y Consecuencias.
Causas Consecuencias
Falta de experiencia y
conocimiento.
No aplicar un buen tratamiento médico,
tomando en cuenta todos los parámetros
evidenciados en los análisis clínicos.
Imprudencia al no
analizar las posibles
La imprudencia, al no tomar las debidas
precauciones de riesgo.
7
eventualidades de
incertidumbre.
Incumplimiento de los
principios de la
profesión
Negligencia médica.
Fuente: Datos de investigación.
Elaborado por: Autores.
Delimitación del Problema
Campo: Lógica difusa, Inteligencia Artificial.
Área: Salud, bioinformática
Aspecto: Mapas cognitivos difusos y Redes Bayesianas
Tema:
Aplicación de lógica difusa y redes bayesianas como herramientas
en la toma de decisiones bajo incertidumbre de factores que causan
diabetes.
Formulación del Problema
¿La aplicación de modelos analíticos multi-criterio como lo son los mapas
cognitivos difusos y redes bayesianas ayudaran a determinar, bajo incertidumbre,
los factores que causan la diabetes?
Evaluación del Problema
En la presente investigación evaluaremos los mapas cognitivos difusos y redes
bayesianas como herramienta en la toma de decisiones bajo incertidumbre de
factores que causan diabetes. Se requerirá el juicio de expertos en el área de
8
salud que nos ayudará en el esquema de factores que ocasionan diabetes, los
cuales analizaremos utilizando como variables en los modelos mencionados.
Delimitado: En la presente investigación se plantea analizar los diferentes
factores que inciden en la diabetes, con la finalidad de aplicar un modelado que
nos ayude en la toma de decisiones estratégicas y obtener un resultado óptimo y
fiable.
Evidente: Según las estadísticas del INEC podemos constatar que 4.906
personas fallecen anualmente a causa de esta enfermedad, por eso es necesario
analizar los factores más relevantes que ocasionan esta enfermedad.
Relevante: La presente investigación tiene mucha relevancia, ya que a través
de eventos causales simularemos un sistema que ayude al profesional en la toma
de decisiones.
Original: El análisis e investigación de mapas cognitivos y redes bayesianas
es moderno; la presente investigación es un inicio para trabajos futuros en donde
podremos combinar los diferentes modelos matemáticos y métodos de inteligencia
artificial dando como resultado un sistema autónomo capaz de identificar y
modelar el mejor escenario, es por eso que se enfatiza en la selección del método
que logre brindar más precisión, al momento de identificación de variable que
involucra el campo de investigación.
Contextual: Los temas que se aplicaran y analizaran en esta investigación
tienen relación con las áreas de inteligencia artificial, estadísticas y matemáticas
en el análisis de los factores que inciden sobre las causas de la diabetes y nos
permitirá evidenciar los factores más relevantes.
Factible: el tiempo destinado a esta investigación nos permitirá analizar los
diferentes eventos que pueden ocurrir en el sistema, a través de los factores que
ocasionan diabetes tomando como muestra a los adultos mayores del país.
9
OBJETIVOS
OBJETIVOS GENERAL
Emplear herramientas para toma de decisiones bajo incertidumbre, mediante
la aplicación de modelos multi-criterios (mapas cognitivos difusos y las redes
bayesianas) para determinar los factores de riesgo que causan la diabetes.
OBJETIVOS ESPECÍFICOS
1. Obtener información a través de fuentes de información bibliográfica para
construir una base de datos de los diferentes artículos científicos
relacionados con el tema de estudio.
2. Identificar a través del juicio de expertos situaciones que sean susceptibles
de ser modelizadas, para determinar las variables de los mapas cognitivos
difusos y redes bayesianas.
3. Proponer un modelo de toma de decisiones bajo incertidumbre para
determinar los factores que inciden en la enfermedad de la diabetes.
4. Validar el modelo propuesto de mapas cognitivos difusos y redes
bayesianas para certificar los datos obtenidos en la investigación.
10
ALCANCES DEL PROYECTO
1. Se aplicará el meta-análisis a través de las palabras claves identificadas,
utilizando así el criterio de inclusión y exclusión.
2. Identificar a través del juicio de experto los factores relacionados con la
Diabetes que se encuentran en la base de datos denominada “Salud,
Bienestar y Envejecimiento (SABE)” perteneciente al Instituto Nacional de
Estadística y Censo.
3. Se determinarán las variables que servirán para la construcción de los
modelos multi-criterio, en base a los resultados obtenidos en el meta-
análisis, y lo estipulado por el experto en la base de datos SABE.
4. Se utilizarán distintos softwares para la construcción de los modelos a
utilizar, siendo Elvira para el caso de la red bayesiana y el software mental
modeler para el mapa cognitivo difuso.
5. Se presentarán escenarios para analizar la probabilidad que tiene una
persona de padecer la enfermedad, tras la estimulación aleatoria de las
variables que conforman el modelo.
JUSTIFICACIÓN E IMPORTANCIA
Siendo la diabetes una de las enfermedades que se presentan con mayor
eventualidad, tomando como fuente de referencia el censo del Instituto Nacional
de Estadísticas y Censos (INEC) realizado en el año 2016, donde se evidencia un
total de 4.906 defunciones por esta enfermedad, se analizará el conocimiento bajo
incertidumbre que tiene la población ecuatoriana con respecto a los factores que
inciden para que una persona pueda contraer diabetes, por ello se determinaran
las nodos que serán la referencia de: los síntomas, las enfermedades , factores
11
de riesgos, entre otras posibilidades que se puedan presentar, estas variables
serán modelas y analizadas por los modelos multi-criterios basados en lógica
difusa (mapas cognitivos) y redes bayesianas, estos modelos nos ayudarán a
tomar decisiones estratégicas a las diferentes eventualidades presentadas.
La presente investigación es importante en el área de la biotecnología, ya que
nos permite analizar un sistema y las distintas eventualidades, mediante la
vinculación de dos modelos, otorgándonos un resultado que evidencie los factores
que inciden sobre las causas de la diabetes y nos da una gran apertura a
diferentes estudios que se realizarán posteriormente.
Generalmente los médicos expertos en el área para llegar a una conclusión,
realizan una serie de análisis de los posibles beneficios, y riesgos que se pueden
presentar frente a los diversos diagnósticos vinculados con el caso de estudio,
esta decisión esta correlacionada con la experiencia del profesional como por sus
creencia y conocimientos. Es por eso que es necesario implementar una nueva
solución que es capaz de integrar la incertidumbre para sus procesos.
METODOLOGÍA DEL PROYECTO:
Método descriptivo
La investigación descriptiva consiste en llegar a conocer las situaciones,
costumbres y actitudes predominantes a través de la descripción exacta de las
actividades, objetos, procesos y personas. Su meta no se limita a la recolección
de datos, sino a la predicción e identificación de las relaciones que existen entre
dos o más variables. (Van Dalen, 1981).
El Diseño de investigación descriptiva es un método científico que implica
observar y describir el comportamiento de un sujeto sin influir sobre él de ninguna
manera. (Shuttleworth, 2008)
12
Meta-análisis:
Consiste en el análisis estadístico de una gran colección de resultados
extraídos de trabajos individuales con el propósito de integrar los hallazgos
obtenidos (Rafael Avilés Merens, Augusto Sao Avilés, 1995).
El meta-análisis puede obtener estimaciones más precisas de los efectos sobre
la atención sanitaria que las derivadas de los estudios individuales incluidos en
una revisión.
Mapas cognitivos difusos:
Son modelos difusos con retroalimentación para representar causalidad,
combinan herramientas teóricas de los mapas cognitivos, la lógica difusa, las
redes neuronales, las redes semánticas, los sistemas expertos y los sistemas
dinámicos no lineales (Glykas, 2010).
Redes bayesianas: Una red bayesiana es una estructura matemática que se
utiliza para representar el entendimiento y sus dependencias (causa-efecto),
asignándoles ponderaciones y probabilidades de ocurrencia. El problema al
calcular las probabilidades numéricas es esencialmente el mismo que el que se
tiene al realizar una autoevaluación de control de riesgo operacional (Griselda
Dávila, Fernando Cruz, Agustín Cabrera, Francisco Ortiz, 2015).
Población Objetivo:
La población es el conjunto de todos los sujetos, sobre los que queremos
conocer cierta información relacionada con el fenómeno que se estudia (Hueso A,
Cascant M, 2012).
13
La población de la investigación es generalmente una gran colección de individuos
u objetos que son el foco principal de una investigación científica. (Explorable,
2009)
Para el presente caso de estudio se ha tomado como población objetivo todas
las personas que habitan en el Ecuador, donde datos recogidos por el INEC
certifican que la población estimada es de 15’223680 millones de habitantes.
Muestra:
La población de estudio es un conjunto de casos, definido, limitado y accesible,
que formará el referente para la elección de la muestra, y que cumple con una
serie de criterios predeterminados (Jesús Arias, Miguel Ángel Villasís, María
Guadalupe Miranda, 2016).
Es un subconjunto de la población y contiene elementos en los cuales debe
estudiarse la característica de interés para la población (Ojeada, 2007).
Como muestra para el caso en cuestión se utilizará la información de 5235
personas que contiene la base de datos denominada SABE (Salud, bienestar y
envejecimiento), extraída de la página oficial del Instituto Nacional de Estadísticas
y Censos.
Base de datos:
Revisar: http://www.ecuadorencifras.gob.ec/encuesta-de-salud-bienestar-del-
adulto-mayor/
14
CAPÍTULO II
MARCO TEÓRICO
El presente capítulo describe, los antecedentes de estudio y las diferentes
herramientas que utilizamos para el desarrollo de la investigación, a su vez
citamos los diferentes artículos de la constitución ecuatoriana que avalan los
estudios realizados.
ANTECEDENTES DEL ESTUDIO
Hace ya unos años en el área de la investigación el termino de modelos multi-
criterios se han venido escuchando con más intensidad, esto se debe a que se ha
visto envuelto en grandes proyectos, cuyos resultados han sido favorables y de
gran ayuda para las personas, como argumento a este apartado se tiene la
invención de software específicos para sus modelados y análisis.
Como caso referencial se tiene:
La aplicación de redes bayesianas en el área de la bioestadística enfocado
a la detección de enfermedades múltiples cuyo autor es el Master Jose
Antonio Férez Rubio.
La aplicación de redes bayesianas para la detección de cáncer de próstata,
siendo un proyecto de la carrera Inteligencia Artificial Avanzada de la
Universidad de Loja.
La aplicación de mapas cognitivos difusos para sustentar el problema de
agua potable en una de las ciudades de México. Siendo Iván Paz el autor
explicativo de este suceso, entre otros que han sido la fuente de
información para obtener las bases previas a la investigación.
15
Diabetes
Desde tiempos remotos se han presentado diversas enfermedades que
arremeten contra el ser humano, tales como: la lepra, la peste, la viruela, fiebre
amarilla, entre otras. Dichas enfermedades se propagaban rápidamente
provocando un alto índice de mortalidad. A través de los años el área de la
medicina ha tratado de conseguir la solución para muchas enfermedades que en
la antigüedad eran mortales.
En el manuscrito descubierto, correspondiente al siglo XV antes de Cristo, se
describen síntomas que parecen corresponder a la diabetes.
A través del tiempo se han dado grandes descubrimientos, uno de los más
importantes se dio en el año 1921, cuando consiguieron aislar la insulina y
demostrar su efecto hipoglucemiante. Este descubrimiento marco un hito muy
importante abriendo amplios horizontes para el estudio de la diabetes.
La diabetes es una enfermedad crónica, conocida mucho antes que la era del
cristianismo y es en el año de 1425 donde Thomas Willis da a conocer por primera
vez el término “orine dulce”. Estudios realizados por la Federación Internacional
de la Diabetes (FID) demuestran que el número de personas con diabetes ha
incrementado considerablemente.
Diabetes no identificada
La International Diabetes Federation (FID) ha estimado que en el mundo hay
alrededor de 193 millones de personas, casi la mitad (46,5%) de todas las
personas con diabetes, que no son conscientes de su enfermedad. Muchos de
estos casos son diabetes tipo 2. Cuanto antes se diagnostique la diabetes y se
inicie el control, mejores son las posibilidades de prevenir complicaciones dañinas
y costosas. Es urgente rastrear, diagnosticar y proporcionar atención apropiada a
las personas con diabetes (International Diabetes Federation, 2015)
16
Diabetes Mellitus a nivel mundial
La cantidad de personas que tienen diabetes se encuentra en un aumento
constante a nivel mundial, de acuerdo con la OMS, hoy en día la diabetes es uno
de los problemas de salud que se presenta en personas de todas las edades.
Alrededor de cuatrocientos veinte y dos millones de adultos en todo el mundo
padecen dicha enfermedad, esto nos indica que una de cada once personas
adultas en todo el mundo padecen diabetes. Existen diversos factores que
explican esta situación; tales como: los procesos de crecimiento y envejecimiento
de la población, la urbanización creciente, el sedentarismo y la obesidad.
Esta enfermedad afecta y provoca complicaciones de salud en diversos
órganos del cuerpo e incrementa el riesgo de la muerte prematura. Es responsable
de accidentes cerebrovasculares, ceguera, ataques cardíacos, insuficiencia renal,
amputación y otras afecciones que limitan la calidad de vida o significan
incapacidad para quienes la viven. Lo anterior aunado al alto costo para los
sistemas de salud (Saldaña, 2017).
La FID, en su último estudio publicado el catorce de noviembre del 2017, en la
octava edición del Atlas de la Diabetes, evidencia que 425 millones de personas
en el mundo tienen diabetes, el aumento global de esta enfermedad no muestra
signos de disminuir. La prevalencia de diabetes es similar en mujeres y hombres,
pero se presenta en un ligero aumento en varones mayores de sesenta años, en
el caso de las mujeres en edades mayores. En el Gráfico 1. Podemos observar
los países que en el año 2017 tienen el mayor índice de personas enfermas con
diabetes.
17
Gráfico 1. Índice de países con personas que padecen diabetes
Fuente: Statista
Elaborado por: Statista
Datos de la OMS indican que en el año 2017 alrededor de cuatrocientos veinte
y cinco millones de personas tienen diabetes a nivel mundial, se estima que en el
mismo año alrededor de cuatro millones de personas fallecieron a casusa de esta
enfermedad y 21.3 nacidos vivos habrían infectados por su madre. Los países de
medianos y bajos ingresos presentan un 80% personas que padecen la
enfermedad mencionada con anterioridad.
Los adultos mayores representan el grupo más alto de personas con diabetes
con 60% de defunciones.
18
Gráfico 2. Porcentaje de Diabetes a nivel mundial
Fuente: (Federación Internacional de la Diabetes., 2017)
Elaborado por: (Federación Internacional de la Diabetes., 2017)
La diabetes en poblaciones indígenas
Las comunidades indígenas están representadas por más de trescientos
setenta millones de personas. Esta comunidad es dueña de creencias,
conocimientos y lenguajes únicos, obteniendo de la tierra la mayor parte de sus
recursos. Los índices de prevalencia de diabetes varían mucho entre las
comunidades indígenas. En muchos casos, la prevalencia es mayor que las
poblaciones de los alrededores.
Una consecuencia inevitable de la mayor prevalencia en diabetes es un
aumento sustancial de la incapacidad y de las muertes relacionadas con la
diabetes. En Australia, las muertes causadas por enfermedades endocrinas,
metabólicas y nutricionales (de las cuales el 90% son atribuidas a la diabetes)
fueron ocho veces mayores en personas indígenas comparadas con los grupos
no indígenas (Territorio AC, 2013).
19
Diabetes Mellitus en Europa
Investigaciones de la Federación Internacional de Diabetes (IDF) destaca que
en el continente europeo en número de personas con diabetes ha aumentado en
un 8,8% y que alrededor de seis millones de personas en España tienen diabetes,
se considera que un 6% de personas no reciben tratamiento porque no han sido
diagnosticadas.
Los estudios en España revelan que alrededor de seis millones de personas
padecen diabetes, esta enfermedad es la causante de veinte y cinco mil muertes
cada año, adicionalmente esta enfermedad es la causante de entre siete a diez
amputaciones y del 16% de caso de ceguera.
Diabetes Mellitus en América Latina
Latinoamérica abarca un total de quinientos millones de personas distribuidas
entre los veintiún países que conforman el continente americano. La transición
demográfica es una de las principales causas de enfermedades crónicas, estas
enfermedades se ubican en primer lugar en la lista de problemas de salud de la
mayor parte de los gobiernos del continente. Se pronostica que en los siguientes
diez años aumente el nivel de mortalidad a causa de enfermedades crónicas en
un 17%. En América latina, la diabetes representa un alarmante problema de salud
pública. La tasa más elevada de mortalidad corresponde a México, siguiendo el
caribe.
Un estudio realizado en siete países de América Latina y el Caribe en la
población de sesenta años o más, encontró que la prevalencia de diabetes fue de
15.7%; reportándose la más alta entre las mujeres de Bridgetown, Barbados
(21.3%) y la más baja entre los hombres de Buenos Aires, Argentina (12.0%).
Adicionalmente, se encontró una fuerte asociación entre la prevalencia de la
diabetes, el índice de masa corporal y el bajo nivel de escolaridad (Barceló A,
Peláez M, 2006).
20
En un estudio realizado en el 2003 se calculó el costo de la alta prevalencia de
la diabetes, representando para los países de América Latina y el Caribe una
pérdida de 757,096 años de vida productiva en las personas menores de 65 años
(>US$ 3 billones). La incapacidad permanente secundaria a esta enfermedad
causa una pérdida de 12699,087 años y más de US$ 50 billones, y las
incapacidades temporales representan una pérdida de 136,701 años de la
población trabajadora y más de US$ 763 millones (Federación Internacional de
Diabetes, 2011).
La diabetes ha genera un gran impacto en Latinoamérica y crece velozmente.
Actualmente hay quince millones de personas con diabetes y se pronostica que
en diez años incremente el número cinco millones más y es la cuarta causa de
mortalidad.
Diabetes Mellitus en Ecuador
La diabetes es una enfermedad que está afectando a la población en tasas que
crecen elevadamente y es la segunda causa de muerte en el país.
Los resultados de la Encuesta Nacional de Salud, Salud Reproductiva y
Nutrición (ENASANUT) realizada en el 2013, demuestra que 1.7% personas de
entre 10 a 59 años tienen diabetes, esta porción va en aumento a partir de los
treinta años de edad, a los 50, uno de cada diez habitantes ya tienen diabetes.
En el año 2014 el INEC reportó como segunda causa de mortalidad general a
la diabetes mellitus, situándose además como la primera causa de mortalidad en
la población femenina y la tercera en la población masculina. La diabetes mellitus
junto con las enfermedades isquémicas 13 del corazón, dislipidemias y la
enfermedad cerebro vascular, aportan la mayor carga de consultas y egresos
hospitalarios dese hace más de dos décadas (IEES Hospital Carlos Andrade
Marin, 2017).
21
En el año 2016 alrededor de dos mil seiscientas veinte y ocho mujeres
fallecieron, frente a dos mil doscientos setenta y ocho varones a causa de
diabetes.
En la actualidad el Ministerio de Inclusión Económica Social (MIES), realiza
encuestas sobre el estado de Salud, Bienestar y Envejecimiento (SABE). Con esta
encuesta se pretende conocer y determinar estado de salud y características
demográficas de los adultos.
FUNDAMENTACIÓN TEÓRICA
Teorema de Bayes
Podemos calcular la probabilidad de un suceso A, sabiendo además que ese A
cumple cierta característica que condiciona su probabilidad. El teorema de Bayes
entiende la probabilidad de forma inversa al teorema de la probabilidad total. El
teorema de la probabilidad total hace inferencia sobre un suceso B, a partir de los
resultados de los sucesos A. Por su parte, Bayes calcula la probabilidad de A
condicionado a B. (López, 2013).
La fórmula de Bayes, también conocida como la regla de Bayes es:
𝑃(𝐴𝑛|𝐵) =𝑃(𝐵 |𝐴𝑛) ∗ 𝑃(𝐴𝑛)
∑ 𝑃(𝐵 |𝐴𝑖) ∗ 𝑃(𝐴𝑖)
Donde B es el suceso sobre el que tenemos información previa y A(n) son los
distintos sucesos condicionados. En la parte del numerador tenemos la
probabilidad condicionada, y en la parte de abajo la probabilidad (López, 2013).
El teorema de Bayes es el resultado central sobre el que vamos a construir los
conocimientos adquiridos para estructuración y creación de la red bayesiana. Sin
embargo, para comprender el teorema de Bayes es necesario tener claro
22
conceptos fundamentales dentro de la teoría de la probabilidad, la probabilidad
condicionada y el teorema de la probabilidad total.
Probabilidad Condicional
Sean A y B dos sucesos de un mismo espacio muestral E.
Se llama probabilidad del suceso B condicionado a A y se representa por P(B/A) a
la probabilidad del suceso B una vez ha ocurrido el A.
𝑃(𝐵|𝐴) =𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴)
Teorema de probabilidad total
El teorema de la probabilidad total nos permite calcular la probabilidad de un
suceso a partir de probabilidades condicionada, siendo su fórmula para calcularla
la siguiente:
𝑃(𝐵) = ∑ 𝑃(𝐴𝑖) ∗ 𝑃(𝐵|𝐴𝑖
𝑛
𝑖=1
)
Es decir, la probabilidad de que ocurra el suceso B es igual a la suma de
multiplicar cada una de las probabilidades condicionadas de este suceso con los
diferentes sucesos A por la probabilidad de cada suceso A.
Al aplicar el teorema de la probabilidad total se debe cumplir que:
Los sucesos A tienen que formar un sistema completo, es decir, que contemplen
todas las posibilidades (la suma de las probabilidades debe ser igual a 1).
23
INTELIGENCIA ARTIFICIAL
La Artificial (IA) es una ciencia derivada de la informática, la cual posee raíces
muy robustas en áreas distintas; tales como las ciencias cognitivas y la lógica,
mediante el desarrollo de algoritmos que fuesen capaces de resolver problemas
específicos.
De acuerdo con (Isaacson, 2014):
“La definición de la inteligencia artificial, ha sufrido muchas transformaciones a
lo largo de la historia”. (p. 44).
La Inteligencia IA comprende un campo multidisciplinario de estudio, a lo largo
de su desarrollo se han presentado diversos paradigmas, por lo que es muy
complejo definir la IA. A lo largo del tiempo se ha ido generando un sin número de
conceptos que engloben una definición correcta acerca de la inteligencia artificial,
por lo cual en diversas ocasiones nos podemos encontrar envueltos en un
paradigma poco acertado o correcto del mismo, (Cruz, 2011).
Ha desarrollado diferentes modelos, técnicas, métodos o tareas que realiza
esta ciencia para alcanzar que los sistemas se comporten de forma inteligente, a
esto se le conoce como paradigmas (Mauricio Martinez, edgardo Santana,
Nicholas Beliz, 2017).
Originalmente la IA se enfocó a solucionar problemas geométricos, fórmulas y
teoremas; a estos métodos se les denominó “débiles”, porque contenían
información específica y se llegaba a la solución con pasos muy básicos y
elementales. A partir de esto empezó a enfatizar el estudio del sentido común,
tratando de imitar tres procesos fundamentales del ser humano, tales como: el
aprendizaje, razonamiento y autocorrección.
En la tabla 2., podemos observar algunos acontecimientos importantes en la
historia de la IA.
24
Tabla 2. Acontecimientos Importantes de la IA.
Periodo Acontecimientos importantes
Antes de la II Guerra
Mundial
Lógica Formal.
Psicología cognitiva.
(1945 – 1954)
Años de la postguerra
Ordenadores desarrollados.
H. Simon, Administrative Beehavior.
N. Wiener, Cybertics.
A.M. Turing “Computing Machinery and Intelligence”.
Conferencias en Macy sobre Cibernética.
Años formativos
1955 – 1960
Iniciación de la
Investigación de la IA
Posibilidad de crcimiento de los ordenadores.
Información Processing Language I.
El seminario de verano de Dartmouth sobre IA, 1956.
Psicología del procesamiento de información.
Años de desarrollo
1961 – 1970
Resolución general de
problemas
Newel y H. Simon, Human Problem Solving.
LISP.
Heurística.
Robótica.
Programas de Ajedrez.
DENDRAL (Stanford).
25
Años de
especialización y
éxitos, 1971 – 1980
Descubrimiento de
sistemas basados en
el conocimiento.
MYCIN (Stanford).
HEARSAY II (Carnegie – Mellon).
MACSYMA (MIT).
Ingeniería del conocimiento.
EMYCIN (Stanford).
GUIDON (Stanford).
PROLOG.
Hebert Simon – Premio Nobel.
La carrer de las
aplicaciones, 1981
Competencia
internacional y
empresas comerciales
PROSPECTOR (SRI)
Proyecto japonés de la quinta generación.
E. Feigenbaum y P. McCorduck, La quinta Generación.
Microelectrinics & Computer de los F.F.V.V.
Tenology Corp (MCC).
INTELLECT (AIC).
Diversas empresas corporativas emprendedoras en el
campo de la IA.
Fuente: (Alberto Grajales Quintero, Edgar G. Serrano Moya, Christine M. HaHn Von-H, 2013).
Elaborado por: (Alberto Grajales Quintero, Edgar G. Serrano Moya, Christine M. HaHn Von-H,
2013).
En 1982 físicos aplicaron técnicas de estadística y técnicas de aprendizaje
como el algoritmo de “backpropagation”. Estas técnicas permitieron un
resurgimiento de las Redes Neuronales. La teoría de la evolución de Darwin y la
demostración del teorema de “Schema” hacen que los Algoritmos Genéticos y los
Programas Evolutivos sean una disciplina con sólidas bases.
26
En la actualidad nuestras vidas están conectadas con el mundo digital cada vez
que navegamos por internet, en su investigación el profesor de Comportamiento
Organizacional de la Escuela de Negocios de la Universidad de Stanford
(Kosinski, 2017).
El autor (Ponce, 2010) menciona varios elementos que componen la IA (p. 3).
Estos elementos son las siguientes ramas:
- Lógica difusa
- Redes Neuronales Artificiales
- Algoritmos Genéticos
Desde hace más de un siglo la medicina se ha visto beneficiada por el
desarrollo y avance de la tecnología, lo cual mejoró y catapultó los hallazgos
médicos tanto en diagnóstico como en el área terapéutica que, por consecuencia,
mejoraron la calidad de vida de los pacientes y aumentaron las posibilidades de
recuperación a un nivel que años atrás solo fueron un sueño (Julian Soler & Botti,
2003).
Se presenciaron grandes avances, con la necesidad de mejorar las condiciones
sanitarias y los diferentes problemas médicos de la sociedad; surgieron nuevas
disciplinas, tales como la Ingeniería Biomédica y la Nanotecnología.
Para los autores (Raúl Benitez, Gerad Escudero, Samir Kanaan, David Masip,
2014) “La inteligencia artificial (IA) tiene por objetivo el estudio y el análisis del
comportamiento humano en los ámbitos de la comprensión, de la percepción, de
la resolución de problemas y de la toma de decisiones con el fin de poder
reproducirlos con la ayuda de un computador”.
Por ello podemos concordar que:
La inteligencia artificial como motor para la nueva tecnología médica ofrece un
panorama totalmente distinto en el que no solo los expertos humanos intervendrán
en el diagnóstico y tratamiento de los pacientes, ya que se contará con equipo y
27
sistemas de cómputo, capaces de realizar las tareas parcial o totalmente y
teniendo la ventaja de tomar decisiones sin la intervención humana, reduciendo
los costos y los errores humanos más comunes (Huhms, 2012).
Marca una nueva era debido a que ha conseguido importantes avances, en
distintas áreas. La bioinformática es una de las áreas en donde se ha
implementado esta ciencia, lo cual no quiere decir que se retemplarán
profesionales, sino la implementación de sistemas que ayuden en la toma de
decisiones y reduzcan el tiempo de análisis, con la finalidad de prevenir
enfermedades y tratar de manera óptima diversas enfermedades.
Es evidente que existen muchas definiciones sobre la IA, la mayoría de
estas definiciones os llevan a un mismo fin, esta ciencia perite satisfacer las
necesidades de las personas, mediante el uso de programas y herramientas
computacionales.
Niveles de Inteligencia Artificial
El autor (Torra, 2011) presenta diferentes niveles dentro de la IA, los cuales son
los siguientes:
Inteligencia Artificial Débil:
Se considera que los ordenadores únicamente pueden simular que razonan, y
únicamente pueden actuar de forma inteligente. Las partidarios de la inteligencia
artificial débil consideran que no será nunca posible construir ordenadores
conscientes, y que un programa es una simulación de un proceso cognitivo pero
no un proceso cognitivo en sí mismo (Torra, 2011).
28
Inteligencia Artificial Fuerte:
En este caso se considera que un ordenador puede tener una mente y unos
estados mentales, y que, por tanto, un día será posible construir uno con todas las
capacidades de la mente humana. Este ordenador será capaz de razonar,
imaginar, etc.
Súper Inteligencia Artificial:
Supera la inteligencia de un humano, incluso alguno considerado genio, tiene
la capacidad de tomar decisiones propias, podría sobrescribir su propio código,
hacer cosas mucho mejor que un humano, puede pensar en millones de cosas a
la vez.
Singularity:
Es el nombre que se le da al concepto del momento en que la súper inteligencia
artificial va a dominar, el día en que las maquinas van a superar a los humanos.
Actualmente estamos en la inteligencia artificial débil enfocadas solo a lo que está
programada.
MÉTODOS MULTI-CRITERIOS BASADOS EN
INTELIGENCIA ARTIFICIAL.
Son diversos los problemas que se presentan en la toma de decisiones y puede
tornarse insuficiente la opinión autócrata cuando se analizan temas complejos.
29
Gráfico 3. Modelo para la toma de decisión
Fuente: (Alberto Grajales Quintero, Edgar G. Serrano Moya, Christine M. HaHn Von-H,
2013).
Elaborado por: (Alberto Grajales Quintero, Edgar G. Serrano Moya, Christine M. HaHn
Von-H, 2013).
En casos donde generalmente se presentan diversos criterios que deben
integrarse simultáneamente, requieren la aplicación de metodologías que nos
permitan optimizar varias alternativas de objetivo frente a problemas donde la
solución podría llegar a afectar a diversas personas.
El proceso de decisión requiere de la comparación entre las alternativas sobre
las que se puede optar frente a cierta disyuntiva presente (Wen-Hsiang, W.,
Chang-tzu, Ch. & Chin-tsai L., 2008).
LÓGICA DIFUSA
Los autores (Ruvalcaba Coyaso, Francisco Javier, 2015) consideran que la
Lógica difusa (fuzzy logic), “Constituye una generalización de la lógica clásica, que
es determinista: “verdadero” o “falso””.
30
El autor (Ponce, 2010) detalla que la Lógica Difusa (LD) es una rama de la IA
que permite a una computadora analizar información del mundo real en una escala
entre lo falso y verdadero (p.3). Esto nos permite trabajar con datos que no tienen
una definición específica.
La lógica difusa se basa generalmente, en reglas difusas con las que permiten
representar el conocimiento en forma de que exista una relación entre las variables
que se usen, con la finalidad de tener un resultado cierto y claro a partir de
información vaga e imprecisa. (Clara Inés Peña de Carrillo, Jose L Marzo, Josep
Lluís de la Rosa, Ramón Fabregat Gesa, 2012).
La aplicación de la lógica difusa tiene como finalidad imitar el razonamiento del
ser humano. Con la lógica convencional, las computadoras solo pueden manejar
valores verdadero y falso es decir 1 y 0. Para la aplicación LD se utilizan métodos
matemáticos; los cuales nos permiten representar nociones subjetivas, para ser
utilizados por las máquinas a través de valores concretos.
Reglas de la lógica difusa
La lógica difusa, se basa en reglas de la forma SI (antecedente) ENTONCES
(consecuente). Los métodos de inferencia para las reglas deben ser sencillos y
eficientes. Para escoger una salida concreta a partir de las hipótesis, el método
más usado es el ‘centro de’ (defusificación), en el que la salida final será el centro
de gravedad del área resultante. Si las reglas no son formuladas por expertos, son
aprendidas por el sistema, éste hace uso de redes neuronales. A pesar de la
variedad de reglas difusas, se suelen emplear las de Mamdani y las de Takagi-
Sugeno (TS).
Regla difusa de Mamdani
La regla dice que:
IF(x1 is A AND x2 is B AND x3 is C) THEN (u1 is D, u2 is E).
31
Dónde,
- x1, x2 y x3 son variables de entrada.
- A, B y C son funciones de pertenencia de entrada.
- o U1 y U2 son las acciones de control.
- o D y E son las funciones de pertenencia de salida.
- AND es un operador lógico difuso (podría ser cualquier otro operador
lógico).
Ventajas:
- Intuitiva.
- Amplia aceptación.
- Adaptada a la incorporación de conocimiento y experiencia.
Reglas difusas de Takagi-Sugeno
La regla dice que:
IF (x1 is A AND x2 is B AND x3 is C) THEN (u1=f(x1, x2, x3), u2=g(x1, x2, x3))
En general tanto f como g son funciones lineales.
Ventajas:
- Eficiente computacionalmente.
- Trabaja bien con técnicas lineales, de optimización y control adaptable.
- Está bien adaptado el análisis matemático.
-
Conjuntos Difusos
Es un conjunto que puede almacenar diversos elementos de manera parcial.
Matemáticamente, un conjunto es una colección de objetos que verifican alguna
propiedad, de forma que un objeto o bien pertenece al conjunto, o no pertenece.
32
En los conjuntos difusos relajamos la restricción de que la función de
pertenencia valga 0 o 1, y dejamos que tome valores en el intervalo [0,1].
El autor (Gonzales, 2013) menciona:
“La matemática de los conjuntos difusos, como su nombre lo indica,
trabaja con conjuntos que no tienen límites bien definidos, es decir, la
transición entre la pertenencia y la no pertenencia de una variable a un
conjunto es gradual. Se caracteriza por las funciones de pertenencia que
dan flexibilidad a la modelación utilizando expresiones lingüísticas tales
como mucho, poco, leve, severo, escaso, suficiente, caliente, frío, joven.” (p.
31).
La teoría de conjuntos difusos permite expresar en términos matemáticos los
procesos lógicos y del razonamiento aproximado que es el utilizado por el hombre
en la vida cotidiana (Santiago Hurtado, Gisela Painagua Gómez , 2008).
Conjunto difuso normal
Un conjunto difuso normal es cuando la altura es igual que 1. Otra forma de
llamarle a este conjunto es “conjunto difuso normalizado”. “Un conjunto difuso
cualquiera es considerado como conjunto difuso normal (normal fuzzy set) si como
mínimo uno de sus elementos presenta un valor de pertenencia igual a la unidad.
Es decir, se considera conjunto difuso normal a todo aquel cuyo máximo valor de
su función de pertenencia sea igual a 1.” (Macián & Velasquez, D, 2012).
Conjunto difuso convexo
“Un conjunto difuso à es convexo si se verifica, para cualquier par de valores
de x1, x2 de X, y para cualquier valor de λ [0, 1]. Denominándose como
estrictamente convexa si la desigualdad se verifica de forma estricta. La función
de pertenencia de un conjunto difuso convexo no puede presentar saltos ni
mínimos o máximos locales. Usualmente consisten en funciones con una parte
33
creciente y otra decreciente con la posibilidad de zonas planas intermedias. Se
habla entonces de función de pertenencia animada.” (Macián & Velasquez, D,
2012).
Desfusificación
Los métodos basados en conjuntos difusos se originan de la utilización de
calificaciones lingüísticas. Luego de formar los conjuntos difusos correspondientes
a un determinado problema es necesario obtener una respuesta de estos. En
muchos casos es importante que esta respuesta no sea difusa y debe pasar de
una respuesta difusa a una que no lo es. Para lograr esto se ha desarrollado el
concepto de desfusificación. Se han propuesto varios métodos para lograr esta
transformación. El método de desfusificación debe ser escogido de acuerdo con
la aplicación que se desea hacer (Carreño, 2014).
Variables lingüísticas
Es una variable cuyos valores pueden ser representados mediante términos
lingüísticos, cuyo significado se determina mediante conjuntos difusos. Estas
variables lingüísticas proporcionan una transición gradual de estados, tienen la
capacidad para expresar y poder trabajar con observaciones y también con
medidas de incertidumbre, las cuales son más ajustadas a la realidad que las
variables comunes (Jiménez, L., Vallejo, D., Albusac, J., Castro-Schez, J. J., &
Glez-Morcillo, C., 2011).
Las variables lingüísticas se caracterizan mediante (v, T, X, g, m), en donde:
Tabla 3. Características de las variables lingüísticas
Variables Descripción
V Es el nombre de la variable
34
T Es el conjunto de términos lingüísticos de v.
X Es el universo de discurso de la variable v.
G Es una regla sistémica para generar términos
lingüísticos t
M
Es una regla sistemática que se asigna a cada término
lingüístico y su significado m(t), que es un conjunto
difuso en x.
Elaborado por: (Jiménez, L., Vallejo, D., Albusac, J., Castro-Schez, J. J., & Glez-
Morcillo, C., 2011)
Fuente: (Jiménez, L., Vallejo, D., Albusac, J., Castro-Schez, J. J., & Glez-Morcillo, C.,
2011)
REDES NEURONALES ARTIFICIALES
La tecnología neural trata de reproducir el proceso de solución de problemas
del cerebro. Así como los humanos aplican el conocimiento ganado con la
experiencia a nuevos problemas o situaciones, una red neural toma como
ejemplos problemas resueltos para construir un sistema que toma decisiones y
realiza clasificaciones. Los problemas adecuados para la solución neural son
aquellos que no tienen solución computacional precisa o que requieren algoritmos
muy extensos como en el caso del reconocimiento de imágenes (Ponce, 2010).
ALGEBRA CASUAL DIFUSA
Gobierna la propagación casual y la combinación casual de un MCD. Gobierna
así avance hacia atrás y hacia delante sobre un MCD. Este tipo de álgebra
depende del orden parcial sobre el conjunto de rangos de la función arco casual
difusa y sobre las propiedades del grafo difuso (Aguilar, 2014).
35
MÉTODOS: UTILIDAD MULTI-ATRIBUTO (MAUT) Y
PROCESO ANALÍTICO JERÁRQUICO (AHP)
Estos métodos parten del supuesto de que el decisor trata de maximizar una
función de utilidad que agrega los distintos criterios que intervienen en el
problema. Cuando el problema es directo y n existe una situación de
incertidumbre, esta función se denomina, función valor. MAUT asume que un
problema de decisión puede modelizarse mediante funciones valoradas reales
que poder maximizadas y minimizada entre alternativas.
El proceso de análisis jerárquico (AHP) tiene sus inicios en la década de los 60
planteado por Thomas Saaty, luego de haber tenido experiencias en campos
militares y sobre todo de docente elaboro una herramienta sencilla la cual permita
la toma de decisiones para las personas encargadas de esa tarea.
(Viñuales, 2015) define al Proceso Analítico Jerárquico (AHP) como “una
herramienta muy útil para solventar problemas complejos de toma de decisiones
y ayudar al usuario o decisión-maker a adoptar la solución más adecuada a través
de una estructura jerárquica, se basa en reducir una decisión compleja a una serie
de comparaciones por parejas y sintetizar dichos resultados, incorporando así los
aspectos tanto objetivos como subjetivos en la decisión.”
Para (Belen Muñoz & Manuel G. Roma, 2016) “el AHP, mediante la
construcción de un modelo jerárquico, permite de una manera eficiente y gráfica
organizar la información respecto de un problema de decisión, descomponerla y
analizarla por partes, visualizar los efectos de cambio en niveles y sintetizar”.
MAPAS COGNITIVOS DIFUSOS
El Autor (Aguilar, 2014) define a los mapas cognitivos como “un medio gráfico
de representación de modelos complejos de interrelaciones entre conceptos”.
Los mapas cognitivos difusos (MCD) son estructuras de grafos difusos
utilizados para representar razonamiento casual. La estructura de grafo permite la
36
propagación sistemática casual, particularmente el avance hacia atrás y hacia
delante.
La aplicación de los MCD es particularmente recomendable para amplios
dominios de conocimientos, como el político, militar, historia, medicina, entre otros,
donde los conceptos y sus relaciones son principalmente difusos.
Esta técnica permite modelar sistemas de retroalimentación con grafos difusos
de casualidad comprendidos entre el intervalo (0,1).
Para el Autor (Leiva, 2014) “Los mapas cognitivos representan el conocimiento
causal sin indicar el grado de fortaleza de la relación causa-efecto. La Red de
Dependencia de Beneficios (RDB) contribuye a lograr consenso a través de un
mapa cognitivo compartido en la evaluación de los sistemas de información.”
Gráfico 4. MCD Simple con cinco nodos.
Fuente: (Aguilar, 2014).
Elaborado por: (Aguilar, 2014).
HERRAMIENTAS DE SOFTWARE PARA MAPAS
COGNITIVOS DIFUSOS
Mental Modeler
Es un software de modelado que ayuda a individuos y comunidades a capturar
sus conocimientos en un formato estandarizado que puede usarse para el análisis
37
de escenarios. Basado en Fuzzy-Logic Cognitive Mapping (FCM) (Gray, S. &
Radovich, 2014).
Los usuarios pueden desarrollar fácilmente modelos semi-cuantitativos de
problemas, mediante:
- Definición de componentes importantes de un sistema
- Definir las relaciones entre componentes.
- Ejecutar escenarios “what if” (Y si), para determinar cómo el sistema
podría reaccionar bajo un rango de posibles cambios.
El software metal modeler fue desarrollado con la finalidad de ser un apoyo
para la toma de decisiones de grupos, permitiendo a cada uso de los usuarios
representar y probar sus hipótesis acerca de los modelos sistémicos en “tiempo
real”. Este software también a asido aplicado como herramienta de investigación
en ciencias sociales con el fin de medir los “modelos mentales” que comúnmente
subyacen en la toma de decisiones humanas (Gray, S. & Radovich, 2014).
Gráfico 5. Tablero de instrumentos, se abre inmediatamente al iniciar el software.
Fuente: (Gray Steven, PnD. & Cox Linda, PhD, 2015).
Elaborado por: (Gray Steven, PnD. & Cox Linda, PhD, 2015).
Metal Modeler nos permite construir a través de su sistema, mapas cognitivos
difusos de forma fácil, práctica e intuitiva. Luego de construidos los modelos, nos
38
permite examinar diferentes escenarios de cambio. Dada su flexibilidad, los mapas
cognitivos difusos se han podido utilizar en una variedad de disciplinas, desde las
ciencias políticas, así como también en la ecología, la economía, entre otras
ciencias (Gray, S. & Radovich, 2014).
Gráfico 6. MCD en Mental Modeler
Fuente: (Gray, S. & Radovich, 2014).
Elaborado por: (Gray, S. & Radovich, 2014).
REDES BAYESIANAS
Las Redes Bayesianas (RB) son una representación gráfica de dependencias
para razonamiento probabilístico, en la cual los nodos representan variables
aleatorias y los arcos representan relaciones de dependencia directa entre las
variables. Cada nodo de una RB representa una variable, esta variable a su vez
es una representa una entidad en el mundo real.
Las redes bayesianas permiten seleccionar solo las variables que tienen
relaciones causales para el cálculo de las probabilidades condicionales. Una RB
muestra la estructura relación-dependencia entre las diferentes variables del
dominio (nodos) y su distribución de probabilidades. Las RB ofrecen un modelo
apropiado para caracterizar la causalidad en términos de probabilidades
condicionales. En este sentido han sido ampliamente utilizadas (Leiva, 2014).
39
La red también representa las independencias condicionales de una variable.
La estructura de la red permite especificar la función de probabilidad conjunta de
estas variables como el producto de funciones de probabilidad condicionadas, por
lo general, más sencillas. Este enfoque representa una buena estrategia para
hacer frente a problemas relacionados con la incertidumbre, donde las
conclusiones no pueden ser construidas sólo a partir de un conocimiento previo
sobre el problema (Sucar, 2014).
Gráfico 7. Ejemplo de Red Bayesiana
Fuente: (Sucar, 2014).
Elaborado por: (Sucar, 2014).
En una RB todas las relaciones de independencia condicional representadas
en el grafo corresponden a relaciones de independencia en la distribución de
probabilidad. Dichas independencias simplifican la representación del
conocimiento (menos parámetros) y el razonamiento (propagación de las
probabilidades).
Identificación de variables
En primer lugar, es importante estudiar el dominio para tener el grado máximo
de conocimiento y comprensión sobre el problema que vamos a modelar. En la
mayoría de los casos reales, esto nos obligará a contar con expertos en el área,
que deberán estar suficientemente interesados y motivados para que la
colaboración tenga buenos frutos. En primer lugar, es importante estudiar el
dominio para tener el grado máximo de conocimiento y comprensión sobre el
40
problema que vamos a modelar. En la mayoría de los casos reales, esto nos
obligará a contar con expertos en el área, que deberán estar suficientemente
interesados y motivados para que la colaboración tenga buenos frutos (Pablo
Pytel, Ariel Deriche, Mariana Acosta & Maria Florencia Pollo-Cattanco, 2015).
Una vez conocemos suficientemente el problema, el siguiente paso consiste en
identificar las variables que son relevantes. Es importante centrarse sólo en
aquellas variables que son de interés en el problema actual. Para ello, ayuda
realizarse preguntas del tipo.
- ¿Cuál es la situación/problema que se plantea?
- ¿Qué posibles causas pueden explicar esta situación?
- ¿Qué otros factores pueden hacer que los problemas o causas ocurran, o
impedir que ocurran?
- ¿De qué evidencia se dispone para soportar dichas causas, problemas o
factores?
Modelos canónicos asociados a las redes Bayesianas
Para (Férez R., 2015), la distribuciones de probabilidad condicionada de cada
uno de sus nodos, son uno de los componentes más importantes de las RB. A su
vez el problema que se suele presentar con frecuencia es calcular las
probabilidades asociadas a cada una de las distribuciones.
Para enfrentar estas dificultades se hace uso de modelos probabilísticos
canónicos, que nos ayudan a disminuir cálculos relacionados a la constricción de
distribuciones de probabilidad asociadas a los nodos. A continuación,
presentaremos modelos canónicos para variantes determinista, residual y
probabilística.
41
Variante Determinista
Si en una RB, un nodo “X” posee dos padres, representadas a su vez como
nodos, si además la presencia de uno de ellos es suficiente para afectar a X y si
no existen otros nodos que afecten a X. Esto quiere decir que, la presencia de X
está ligada a la presencia de al menos uno de los dos nodos.
Variante Residual
Cuando no existen nodos asociados a un efecto, el efecto que ocasiona es muy
bajo, se desconoce la probabilidad asociada, de modo que los nodos explícitos
estén ausentes en el modelo, existe una probabilidad de que se presente dicho
efecto. A esta probabilidad se la conoce como probabilidad residual.
Variante Probabilística
Se presenta con normalidad en el área de salud que alguna causa no genere
un efecto determinado. Para simular este tipo de situaciones se usarán las
probabilidades, esto no contemplará que el efecto sea causado por otros nodos.
HERRAMIENTAS DE SOFTWARE PARA REDES
BAYESIANAS
ELVIRA
Es fruto de un proyecto de investigación financiado por la CICYT y el Ministerio
de Ciencia y tecnología; en el cual participaron varias universidades españolas y
de otros centros.
Elvira nació con el objetivo de construir un ambiente orientado a la investigación
de nuevos algoritmos y modelos probabilísticos utilizando sistemas expertos
Bayesianos.
42
La RB son un modelo probabilístico que nos ayuda en la IA cuando hay algún
razonamiento bajo incertidumbre.
El programa Elvira cuenta con un formato propio para la codificación de los
modelos, un lector-intérprete para los modelos codificados, una interfaz gráfica
para la construcción de redes, con opciones específicas para modelos canónicos
(puertas OR, AND, MAX, etc.), algoritmos exactos y aproximados (estocásticos)
de razonamiento tanto para variables discretas como continuas, métodos de
explicación del razonamiento, algoritmos de toma de decisiones, aprendizaje de
modelos a partir de bases de datos, fusión de redes, entre otros. Está escrito y
compilado en Java, lo cual permite que pueda funcionar en diferentes plataformas
y sistemas operativos (linux, MS-DOS/Windows, Solaris, etc.) (Cano, 2001).
El autor (Cano, 2001) describe a ELVIRA como una herramienta que permite
crear sistemas que nos ayuden como soporte en la toma de decisiones basados
en modelos. Estos modelos admitidos se basan en la incertidumbre probabilística.
Tiene un usuario de interfaz gráfica (GUI) fácil de usar que le permite definir
modelos haciendo clic con el mouse. Pero, si no lo usa, puede editar el formato
American Standard Code for Information Interchange (ASCII) del sistema ELVIRA
para presentar sus modelos.
Gráfico 8. Pantalla principal de Elvira
Fuente: Dpto. IA-UNED
Elaborado por: Dpto. IA-UNED
43
FUNDAMENTACIÓN LEGAL
CONSTITUCIÓN DE LA REPÚBLICA DEL ECUADOR (2008)
TÍTULO II, DERECHOS
Capítulo segundo, Derechos del buen vivir
Art. 15.- El Estado promoverá, en el sector público y privado, el uso de tecnologías
ambientalmente limpias y de energías alternativas no contaminantes y de bajo
impacto. La soberanía energética no se alcanzará en detrimento de la soberanía
alimentaria, ni afectará el derecho al agua. Se prohíbe el desarrollo, producción,
tenencia, comercialización, importación, transporte, almacenamiento y uso de
armas químicas, biológicas y nucleares, de contaminantes orgánicos persistentes
altamente tóxicos, agroquímicos internacionalmente prohibidos, y las tecnologías
y agentes biológicos experimentales nocivos y organismos genéticamente
modificados perjudiciales para la salud humana o que atenten contra la soberanía
alimentaria o los ecosistemas, así como la introducción de residuos nucleares y
desechos tóxicos al territorio nacional.
Sección primera, Adultas y adultos mayores
Art. 36.- Las personas adultas mayores recibirán atención prioritaria y
especializada en los ámbitos público y privado, en especial en los campos de
inclusión social y económica, y protección contra la violencia. Se considerarán
personas adultas mayores aquellas personas que hayan cumplido o superen los
sesenta y cinco años de edad.
Art. 37.- El Estado garantizará a las personas adultas mayores los siguientes
derechos: 1. La atención gratuita y especializada de salud, así como el acceso
gratuito a medicinas.
44
Sección tercera Comunicación e información
Art. 16.-Todas las personas, en forma individual o colectiva, tienen derecho a:
1. Una comunicación libre, intercultural, incluyente, diversa y participativa, en todos los
ámbitos de la interacción social, por cualquier medio y forma, en su propia lengua y con
sus propios símbolos.
2. El acceso universal a las tecnologías de información y comunicación.
TÍTULO VII, RÉGIMEN DEL BUEN VIVIR
Sección Octava
Ciencia, tecnología, innovación y saberes ancestrales
Art. 385.- El sistema nacional de ciencia, tecnología, innovación y saberes
ancestrales, en el marco del respeto al ambiente, la naturaleza, la vida, las culturas
y la soberanía, tendrá como finalidad:
1. Generar, adaptar y difundir conocimientos científicos y tecnológicos.
2. Recuperar, fortalecer y potenciar los saberes ancestrales.
3. Desarrollar tecnologías e innovaciones que impulsen la producción nacional,
eleven la eficiencia y productividad, mejoren la calidad de vida y contribuyan a la
realización del buen vivir.
Art. 388.- El Estado destinará los recursos necesarios para la investigación
científica, el desarrollo tecnológico, la innovación, la formación científica, la
recuperación y desarrollo de saberes ancestrales y la difusión del conocimiento.
Un porcentaje de estos recursos se destinará a financiar proyectos mediante
fondos concursables. Las organizaciones que reciban fondos públicos estarán
sujetas a la rendición de cuentas y al control estatal respectivo.
45
Sección segunda
Tipos de propiedad
Art. 322.- Se reconoce la propiedad intelectual de acuerdo con las condiciones
que señale la ley. Se prohíbe toda forma de apropiación de conocimientos
colectivos, en el ámbito de las ciencias, tecnologías y saberes ancestrales. Se
prohíbe también la apropiación sobre los recursos genéticos que contienen la
diversidad biológica y la agro-biodiversidad.
46
CAPÍTULO III
METODOLOGÍA DE LA INVESTIGACIÓN
El presente capítulo contiene los métodos utilizados para la investigación,
describe las diferentes herramientas, fórmulas y programas utilizados para llevar
a cabo el desarrollo del tema propuesto.
DISEÑO DE LA INVESTIGACIÓN
Modalidad de la Investigación
El autor (Ander-Egg, 1992) define a la investigación, como una técnica
reflexiva, sistemática y crítica, la cual nos lleva a descubrir o que tiene por
finalidad descubrir o descifrar hechos y fenómenos, relaciones y leyes de una
determinada área de la realidad.
Por otro lado (Tamayo, 2009), afirma que: mediante la aplicación del método
científico se obtiene información fidedigna y relevante que nos permite entender,
corregir, verificar, entender y aplicar conocimiento.
Por lo tanto, para alcanzar la meta propuesta del presente trabajo, que
representa una alternativa para la problemática analizada; la cual consiste en
analizar los factores de incidencia en la Diabetes, se realizó a través de una
modalidad documental; mediante la recolección artículos científicos, revistas,
informes de investigaciones, libros, bibliotecas virtuales, entre otros; de las
diferentes fuentes de información. Esta investigación se basa en analizar la
información obtenida de las fuentes de información ya mencionadas con
anterioridad. Además, la siguiente investigación exploratoria, nos ayudó a
reconocer las variables que intervienen en el caso de estudio.
47
EL 70% de la investigación presente, se realizó bajo esta modalidad debido al
enfoque propuesto, y se la concreta a través de la recopilación de información y
lectura de expertos en el tema.
La investigación de campo se creó para encontrar respuestas a preguntas que
no se pueden recrear en un ambiente controlado ya sea por su tamaño o porque
los factores y variables se ven alteradas, reaccionando de forma diferente
(Corona, 2015).
El 30% del trabajo restante se lo realizó a través del trabajo de campo, por
medio del juicio de experto, el cual, en base a su experiencia en el tema, nos
mostró los indicios que se deben tomar en cuenta para el análisis, aplicando los
métodos multi-criterio propuestos.
TIPO DE INVESTIGACIÓN
Debido al nivel de medición y el análisis de la información se aplicaron distintos
métodos de investigación.
La investigación cualitativa, ya que concordando con los autores (Denzin,
Norman & Lincoln, Yvonna, 2011), esta consiste en realizar un conjunto de
prácticas interpretativas y materiales que hacen que el mundo sea visible e implica
aplicar un enfoque interpretativo. Este tipo de investigación requiere el uso ya la
recopilación de casos de estudio, experiencia personal, introspección, entrevistas
y textos que describen momentos rutinarios y problemáticos en la vida de los seres
humanos.
A su vez, se aplicó la investigación descriptiva, la finalidad de esta investigación
es determinar en el caso del tema propuesto, los factores de incidencia
relacionados con la diabetes. A través de las pruebas de hipótesis correlacionales
y la aplicación de diversas técnicas de estadística.
48
El autor (Arias, 2012), define: “La investigación descriptiva consiste en la
caracterización de un hecho, fenómeno, individuo o grupo, con el fin de establecer
su estructura o comportamiento”.
Para el uso de datos adicionales se usa la investigación cuantitativa, esta nos
permite clasificar datos, los cuales ayudan y complementan el análisis de los
resultados.
La investigación cuantitativa se dedica a recoger, procesar y analizar datos
cuantitativos o numéricos sobre variables previamente determinadas. Esto ya lo
hace darle una connotación que va más allá de un mero listado de datos
organizados como resultado; pues estos datos que se muestran en el informe final,
están en total consonancia con las variables que se declararon desde el principio
y los resultados obtenidos van a brindar una realidad específica a la que estos
están sujetos (Rev Cubana de salud Pública, 2007).
Los autores (Gómez, D & Roquet, J, 2012) definen la investigación cuantitativa
como:
La elaboración del marco teórico a partir de la revisión documental resulta
imprescindible, ya que, fundamentalmente, nos permite delimitar con mayor
precisión nuestro objeto de estudio y constatar el estado de la cuestión,
evitando así volver a descubrir la rueda, es decir, evitar resolver un problema
que ya ha sido resuelto con anterioridad por otros investigadores. (p. 18).
DEFINICIONES
POBLACIÓN Y MUESTRA
Población Objetivo
Se le llama Población a la cantidad total de cualquier conjunto completo de
datos, objetos, individuos o resultados que tengan alguna característica en común
que se va a observar o analizar en un problema o experimento. Denotaremos al
tamaño de la población por “N” (Universidad Autónoma de Aguascalientes, 2015).
49
Para (Dicovskiy, 2008) la población objetivo se refiere a: “Un conjunto de
elementos en el que se estudia una característica . El censo es la forma de estudio
de todos los elementos de una población”.
El autor (Sáez C., 2012) afirma que:
“Se denomina población a un conjunto de individuos o casos, objetivo de
nuestro interés”.
Con el fin de estudiar hechos ocurrentes en el país, se definió como población
objetivo de este proyecto a toda persona que habita en el Ecuador.
Muestra
Se le llama Muestra a cualquier subconjunto de elementos de la población. El
interés de la Estadística es proporcionar métodos que permitan elegir una muestra
de datos representativos destinado a suministrar información acerca de una
población, será fundamental que los elementos deben tener todas las
características de la población. Denotamos al tamaño de la muestra por “n”
(Universidad Autónoma de Aguascalientes, 2015).
Para el Autor (Sáez C., 2012):
“Se denomina muestra a cualquier subconjunto de datos de una
población”.
Para la selección de la muestra se realizó una búsqueda exhaustiva basada en
dos criterios fundamentales; donde el primer criterio hace referencia al país de
origen de las personas que forman parte del repositorio de datos y el segundo
criterio es que debía contener información de factores donde de manera directa o
indirectamente se encuentren relacionados con la Diabetes Mellitus.
Obteniendo como resultado del proceso Investigativo una muestra con la
información de 5235 personas que componen en su totalidad la base de datos
SABE(Salud, Bienestar y envejecimiento) cuya autoría es el Instituto Nacional de
Estadísticas y Censos.
50
Marco Muestral
“El marco muestral es el listado o forma de identificar a los individuos de la
población a los que podemos acceder, llamados unidades de muestreo, y sobre
los que se aplicará el proceso de selección” (Molina, 2012).
OPERACIONALIZACIÓN DE VARIABLES
Tabla 4. MATRIZ DE OPERACIONALIZACIÓN DE VARIABLES
Variables Dimensiones Indicadores Técnicas y/o
Instrumentos
V. I.
Análisis de Salud
bienestar y
envejecimiento
(SABE)
-Identificar
enfermedades
relacionadas con la
diabetes.
-Medir su nivel de
riesgo y ponderar sus
resultados a
variables
cuantitativas reales.
-Simular posibles
nulos aplicando
software estadístico.
-Comprobar su
veracidad de
realismo aplicando
distribuciones
probabilísticas.
Registro de
valores nulos.
Comprensión y
análisis de datos.
Factores de
riesgos y niveles
de afectación.
Posibles pruebas y
demostraciones
avaladas de
manera científica y
comprobable.
Segmentación de
acuerdo a
necesidades o
métodos
analíticos.
Estadísticos
Probabilísticos
Simulación
Lógica difusa
Números aleatorios
SPSS
StatFit
Microsoft Office
V.D.
Estructuración y
análisis de modelo
causal sobre los
factores relaciones
con la Diabetes
Mellitus.
Incidencia de
Factores de riesgo,
síntomas,
Prueba,
Enfermedad, en el
nodo resultante.
Redes Bayesiana
Mapas cognitivos
difusos
Matriz de
adyacencia
Revisión
bibliográfica
Juicios de expertos
Elvira
Mental modeler
Elaborado por: Autores
51
HERRAMIENTAS DE LA INVESTIGACIÓN Y RECOLECCIÓN
DE DATOS
Para el presente caso de investigación se tomara como raíz una base de datos
proporcionada por el Instituto Nacional de Estadísticas y Censo (INEC)
denominada Salud bienestar y envejecimiento (SABE), la cual presenta una
muestra de 5235 personas, con una mayor énfasis a personas adultas en un rango
de edad de 35 a 108 años, indistintamente del sexo u hábitos cotidianos, siendo
esta una base de datos a lo legalmente se denominaría general, abarcando
preguntas personales, enfermedades, síntomas, posibles causas, factores
relevantes, etc.,
Por lo cual mediante el juicio de expertos en el área la endocrinología (persona
experta en Diabetes Mellitus) se procederá a extraer los factores relacionados con
la diabetes, elaborando una segmentación de factores de riesgo, Síntomas, casos
auxiliares, enfermedades relacionadas, y las respectivas pruebas para confirmar
la causa de la enfermedad que se ha tomado como método de estudio.
Ya obtenidas las variables se aplicará el meta análisis con el fin de calcular el
peso y relevancia entre las mismas, este segmento será obtenido de las
investigaciones documentales de artículos científicos, papers, tesis doctorales y
otros medios con procedencia científica justificable.
META-ANÁLISIS
Cada vez más nos encontramos con investigaciones que utilizan esta
metodología, aunque, en ocasiones, sin el rigor y precisión necesaria. Indican que
han utilizado el meta-análisis, pero el proceso de selección de estudios, los
criterios de inclusión, el cálculo de tamaños de efecto, el análisis real a través de
diferentes paquetes estadísticos y la estimación de sesgos de publicación, entre
otros aspectos, no son considerados suficientemente, lo que nos lleva a concluir
que el/los investigador/es no conocen realmente las exigencias de esta
metodología (Arteaga, 2017).
52
“Nos referimos al meta-análisis, entendido como una metodología que permite
estimar la media y la varianza de los efectos subyacentes de la población a partir
de una colección de estudios empíricos que abordan una pregunta de
investigación” (Field, A. & Gillet, R., 2010).
Los meta análisis son uno de los mayores logros de la medicina y la
investigación de las últimas tres décadas. Además, son un instrumento necesario,
o incluso crucial, en el proceso de transmisión del conocimiento, que se utiliza
(cuando es posible) como punto de partida para desarrollar guías de práctica
basadas en la evidencia (o sumarios de evidencia) (Martínez R., 2015).
El metaanális se lo lleva a cabo, a través de la revisión de una variedad de
documentos bibliográficos, que traten sobre la aplicación de los modelos
propuestos; tales como la lógica difusa, Redes Bayesianas, Mapas Cognitivos
Difusos, por medio de los diferentes repositorios de información.
Descripción de las variables utilizadas
Variable 1: Número de veces que se encuentra presente “Redes Bayesianas”.
Esta variable nos evidencia la cantidad de veces que se presenta la frase “Redes
Bayesianas” en los documentos.
Variable 2: Número de veces que se encuentra presente “Mapas cognitivos”.
Esta variable nos evidencia la cantidad de veces que se presenta la frase “Mapas
cognitivos” en los documentos que tomamos para la investigación.
Variable 3: Número de veces que se encuentra presente “Lógica Difusa o Fuzzy
Logic”.
Esta variable nos evidencia la cantidad de veces que se presentan las frases
“Lógica Difusa o Fuzzy Logic” en los documentos tomados para la investigación.
53
Variable 4: Número de veces que se encuentra presente “Toma de Decisiones”.
Esta variable nos evidencia la cantidad de veces que se presenta la frase “Toma
de Decisiones” en los documentos que tomamos para la investigación.
Variable 5: Número de veces que se encuentra presente “Diabetes”.
Esta variable nos evidencia la cantidad de veces que se presenta la frase
“Diabetes” en los documentos que tomamos para la investigación.
Variable 6: Número de referencias bibliográficas de cada documento tomado para
la investigación.
Variable 7: Número de veces que se encuentra presente “Inteligencia Artificial”.
Esta variable nos evidencia la cantidad de veces que se presenta la frase
“Inteligencia Artificial” en los documentos que tomamos para la investigación.
Variable 8: Número de veces que se encuentra presente “Incertidumbre”.
Esta variable nos muestra la cantidad de veces que se presenta la frase
“Incertidumbre” en los documentos que tomamos para la investigación.
Encuesta
La encuesta denominada: (SABE) Salud, Bienestar y Envejecimiento la realizó
el Ministerio de Inclusión Económica y Social (MIES), esto nos permite recopilar
por medio de nuestra población objetivo, información relevante utilizada en el
estudio de la investigación.
Cuestionario
Se refiere a una cadena ordenada de preguntas, con las cuales obtenemos
información de las personas que las responden. En la presente investigación el
cuestionario no sirve como guía de investigación, ya que fue dirigido a un experto
en el área de endocrinología.
54
INSTRUMENTOS DE INVESTIGACIÓN
Stat::Fit
Gráfico 9. Distribución de los datos obtenidos.
Fuente: Base de datos del INEC, encuesta SABE
Elaborado por: Autores
Con la ayuda del software Stat Fit se solventará la fuga de información que la
base de datos presenta, haciendo referencia a valores nulos o errados.
Este proceso inicia tomando como valores de entrada la información existente
en la base de datos, stat::fit realiza un análisis de distribución y dispersión
expulsando como salida distribuciones estadísticas, al aplicar una de ellas, se
obtiene el valor simulado, que será reemplazado en los espacios huecos del
almacén de datos.
Redes Bayesianas
La red bayesiana consta de 29 nodos que fueron previamente seleccionados
con la ayuda del experto, segmentados de acuerdo a su tipo y excluyendo factores
que no tienen relación como se muestra en el Anexo 1.
- 4 pruebas
- 7 Auxiliar
- 8 Síntomas
- 5 Factores de riesgo
- 2 Signo
- 3 Enfermedades
55
Tabla 5. Descripción de los nodos de la Red Bayesiana
Descripción de los nodos
Grupo Nombre Variables Lingüística F
acto
res d
e r
iesgo
Obesidad Si
No
Colesterol
Alto
Limite-alto
Normal
Edad Adulto_mayor (>65)
Adulto(>18, <65)
Actividad Física
Con_frecuencia
Ocasionalmente
Sedementarismo
Genética Presente
Ausente
Au
xili
ar
Raza(AfroAmericano) Si
No
Alimentación Balanceada
Sin control
Anemia Presenta
No_presenta
Astenia_primaveral Presenta
No_presenta
Otras_E_hormonales Presenta
No_presenta
Pancreatitis Presenta
No_presenta
Embarazo Si
No
Sín
to
ma
s
Fatiga Si
No
56
Pérdida de peso Presenta
No presenta
Ulceras Presenta
No presenta
Aumento ganas orinar Presenta
No presenta
Sed Excesiva Presenta
No presenta
Visión borrosa Presenta
No presenta
Entumecimiento
extremidades
Presenta
No presenta
Aumento apetito Presenta
No presenta
Sig
no
s Resistencia Insulina
Padece
No_padece
Glucemia Hiperglucemia
Normal
En
ferm
eda
de
s Hipertensión
Presenta
No presenta
Diabetes Gestional Presenta
No presenta
Diabetes Millitus Presenta
No presenta
Pru
eb
as
Glucosa plasmática Positivo
Negativo
A1C Positivo
Negativo
Test O’Sullivan Positivo
Negativo
TOG Positivo
negativo
Fuente: Detalle de nodos: Red Bayesiana Elaborado por: Autores
57
Gráfico 10. Red bayesiana de los factores relacionados con la diabetes
Fuente: Base de datos del INEC, encuesta SABE
Elaborado por: Autores
Análisis: Estructura de red bayesiana construida mediante el software
denominado Elvira, en el cual se aprecia los 29 nodos antes descritos con sus
respectivas relaciones entre sí, a diferencia de los mapas cognitivos difusos las
redes bayesianas solo manejan la metodología de causa y consecuencia, es decir
un nodo causa o da nacimiento a una consecuencia, o una consecuencia es
proporcionada por una o varias causas.
58
Gráfico 11. Vista de inferencia de nodos con sus respectivos valores causales a priori.
Fuente: Base de datos del INEC, encuesta SABE
Elaborado por: Autores
Análisis: La vista de inferencia me muestra el peso de los nodos en relación a
sus variables dependientes, es decir muestra el estado normal de la red bayesiana
al tener los valores presentados como caso a priori, dichos valores fueron
obtenidos tras la ejecución de métodos probabilísticos en conjunto con un software
de análisis estadístico.
Proceso de reagrupación y análisis de datos a priori
Para este proceso se hizo uso del software estadístico SPSS, al mismo que se
le importo la base de datos del actual caso de investigación, con la finalidad de
analizar cada variable en relación a su factor de causa o consecuencia, así como
también para medir la correlación que existe entre una variable y otra.
Para este paso se analizará la tabla de frecuencias de cada una de las variables
involucradas en el caso de estudio, cabe destacar que son las variables que por
ende aparecen en el la base de datos raíz, esto con el fin de aclarar que existen
variables que no aparecen y que fueron incluidas por la opinión profesional del
59
experto, y por el análisis de la información obtenida a través del meta análisis
realizado previamente.
Tabla 6. Tabla de frecuencia para la variable obesidad
Masa Corporal (Agrupada)
Frecuencia Porcentaje
Porcentaje
válido
Porcentaje
acumulado
Válido Delgadez Severa 49 ,9 ,9 ,9
Infra peso 156 3,0 3,0 3,9
Peso Normal 2101 40,1 40,1 44,0
Sobrepeso 1994 38,1 38,1 82,1
Obesidad 935 17,9 17,9 100,0
Total 5235 100,0 100,0
Fuente: Base de datos del INEC, encuesta SABE
Elaborado por: Autores
Gráfico 12. Frecuencia de la variable Obesidad
Fuente: Base de datos del INEC, encuesta SABE
Elaborado por: Autores
Análisis: Como variable general se tiene el nombre masa corporal, la cual
abarca más de un estado a ser analizado, sin embargo para no crear un derroche
de información innecesaria en elaboración de la red bayesiana se tomó en cuenta
solo el factor de riesgo obesidad, el mismo que es el más relevante y el que de
efectivamente se encuentra relacionado con el caso de estudio, obteniendo como
60
resultado que de una muestra de 5235 personas efectivamente 935 presentan
obesidad en la plenitud de la palabra, aunque no hay que obviar que las personas
con sobrepeso ingresan de manera indirecta en este estado dando como resultado
de la suma de sus variables relevantes entre obesidad y sobrepeso una
probabilidad de 0.556 de que hayan personas con el factor de riesgo presentado
en la red bayesiana.
Tabla 7. Tabla de frecuencias de la variable Presión arterial, haciendo referencia al
estado seleccionado como hipertensión.
Presión (Agrupada)
Frecuencia Porcentaje
Porcentaje
válido
Porcentaje
acumulado
Válido Norma 794 15,2 15,2 15,2
Normal_alta 3648 69,7 69,7 84,9
Hipertension 793 15,1 15,1 100,0
Total 5235 100,0 100,0
Fuente: Base de datos del INEC, encuesta SABE
Elaborado por: Autores
Gráfico 13. Frecuencia de la variable presión arterial
Fuente: Base de datos del INEC, encuesta SABE
Elaborado por: Autores
61
Análisis: Perteneciendo al grupo de enfermedades podemos apreciar que el
estado de hipertensión con respecto a la variable Presión arterial de una persona
está presente en el 15.1%, haciendo referencia a un total de 793 casos
presentados del total de 5235 personas que es el tamaño total de la muestra.
Tabla 8. Tabla de frecuencia de la variable “colesterol”.
Colesterol (Agrupada)
Frecuencia Porcentaje
Porcentaje
válido
Porcentaje
acumulado
Válido Normal 2282 43,6 43,6 43,6
Limite-Alto 765 14,6 14,6 58,2
Alto 2188 41,8 41,8 100,0
Total 5235 100,0 100,0
Fuente: Autores
Elaborado por: Autores
Gráfico 14. Frecuencia de la variable colesterol.
Fuente: Autores
Elaborado por: Autores
Análisis: Siendo uno de los factores de riesgo básicos pero he importante a la
vez, la variable colesterol muestra porcentajes de adquisición elevados siendo
62
casi la mitad de la población de estudio portadora de aquello, lo que repercutirá
en gran manera al resto de los nodos que depende de él, abarcando un 41.8% de
personas que contienen un nivel de colesterol elevado y un 14.6% de personas
que están en un rango entre estar y no estar, se podría decir que es un estado de
pre-colesterol, para ello el valor final de pertenencia será atribuido por el experto
quien tomara como ayuda de toma de decisión los valores presentemente
mostrados.
Tabla 9. Tabla de frecuencia de la variable Visión borrosa
Visión
Frecuencia Porcentaje
Porcentaje
válido
Porcentaje
acumulado
Válido Buena 411 7,9 7,9 7,9
Regular 3564 68,1 68,1 75,9
Borrosa 1260 24,1 24,1 100,0
Total 5235 100,0 100,0
Fuente: Autores
Elaborado por: Autores
Gráfico 15. Frecuencia de la variable Visión borrosa
Fuente: Base de datos del INEC, encuesta SABE
Elaborado por: Autores
Análisis: Como parte de los síntomas de poseer hiperglucemia se presenta
una series de problemas que afectan la correcta funcionalidad del cuerpo, la visión
63
borrosa es una de estos problemas que se da particularmente por poseer niveles
de azúcar superiores a los normales, tal como se muestra en la gráfica este
síntomas lo presentan 1260 personas de un total de 5235, siendo este el 24.1%
de la muestra, por lo que se puede estimular que el crecimiento entre variable es
simétrico debido a la relación que existen entre ellas, para la debida
fundamentación y corroboración de lo que se estipula, posteriormente se someterá
a las variables a un estado de correlación entre las mismas.
Tabla 10. Tabla de frecuencia de la variable Edad
Edad (Agrupada)
Frecuencia Porcentaje
Porcentaje
válido
Porcentaje
acumulado
Válido Adulto 2477 47,3 47,3 47,3
Adulto_Mayor 2758 52,7 52,7 100,0
Total 5235 100,0 100,0
Fuente: Base de datos del INEC, encuesta SABE
Elaborado por: Autores
Gráfico 16. Frecuencia de la variable Edad
Fuente: Base de datos del INEC, encuesta SABE
Elaborado por: Autores.
Análisis: Siendo una de las variables no binarias dentro de este caso de
estudio la edad tiene un peso regular sobre la red bayesiana, si bien es cierto la
64
diabetes se da con una escala de mayor frecuencia en personas pasadas de los
40 años, sin embargo no se puede obviar la clasificación constitucional que se la
da a las personas al cumplir cierta rango de edades, al pertenecer al grupo de
adulto al pasar los 18 años y considerándose adultos mayores pasado los 65 años,
por lo que no se tendrá una diferencia de edades y causas muy relevantes, cabe
destacar que no se incluyó a personas menores de edad, ya que no fueron objeto
de estudio en el desarrollo de la base de datos raíz obtenida del INEC.
Tabla 11. Tabla de frecuencias de la variable Alimentación
Alimentación
Frecuencia Porcentaje
Porcentaje
válido
Porcentaje
acumulado
Válido Balanceada 3353 64,0 64,0 64,0
Regular 1780 34,0 34,0 98,1
Sin_Control 102 1,9 1,9 100,0
Total 5235 100,0 100,0
Fuente: Base de datos del INEC, encuesta SABE
Elaborado por: Autores
Gráfico 17. Frecuencias de la variable Alimentación
Fuente: Base de datos del INEC, encuesta SABE Elaborado por: Autores
Análisis: Se puede apreciar que frente a las irregularidades que presentan en
el exceso de colesterol las personas afirman en su gran mayoría tener una
alimentación balanceada, cosa que nos da a suponer que no tienen claros los
65
conceptos de alimentación y nutrición, por lo que los valores presentados en este
apartado fueron analizados en conjunto con el experto con el fin de llegar a un
acuerdo neutral de los datos, sin que haya tanto desfase e irregularidad en la
realidad de la información, siempre y cuando este método sea avalado y verificado
por métodos científicos veraces, como lo es el caso del resultado del meta análisis
y la opinión del experto en el área.
Tabla 12. Tabla de frecuencia de la variable actividad física.
Actividad_Fisica
Frecuencia Porcentaje
Porcentaje
válido
Porcentaje
acumulado
Válido Con_frecuencia 1011 19,3 19,3 19,3
Ocasionalmente 645 12,3 12,3 31,6
Sedentarismo 3579 68,4 68,4 100,0
Total 5235 100,0 100,0
Fuente: Base de datos del INEC, encuesta SABE
Elaborado por: Autores
Gráfico 18. Frecuencia de la variable actividad física.
Fuente: Base de datos del INEC, encuesta SABE
Elaborado por: Autores.
Análisis: Siendo uno de los factores de riesgo más importantes la actividad
física muestra un grado de riesgo bastante elevado, al ser su estado de mayor
peso el sedentarismo, uno de los principales problemas en cuanto a
enfermedades suele relacionarse, sin embargo es un perfecto caso de estudio, al
poder medir que tanto afecta nuestro diario vivir en la obtención de enfermedades
como la distes, al tener un porcentaje del 68.4% se puede aludir que las personas
66
al menos en su gran mayoría no hace cuidado de su salud por medio de
ejercitación corporal, asumiendo que esa gran mayoría puede estar propensa a
enfermedades.
Tabla 13. Tabla de frecuencia de la variable ulceras.
Ulceras
Frecuencia Porcentaje
Porcentaje
válido
Porcentaje
acumulado
Válido cicatriza 252 4,8 4,8 4,8
no_cicatriza 26 ,5 ,5 5,3
No_padece 4957 94,7 94,7 100,0
Total 5235 100,0 100,0
Fuente: Autores
Elaborado por: Autores
Gráfico 19. Frecuencia de la variable ulceras.
Fuente: Base de datos del INEC, encuesta SABE Elaborado por: Autores
Análisis: Para la correcta explicación de este nodo que en el red bayesiana
hace el papel de síntoma, y esto se debe que es muy común que una persona que
padece de diabetes presente constantes ulceras el cuerpo, sin embargo que las
distingue de otras enfermedades, pues es su constante aparición y que si es
problema de azúcar en la sangre estas no cicatrizan, si no que se mantienen en
su estado de afectación viva, sin embargo podemos denotar gracias a la tabla de
frecuencias que solo el 0.5% de personas padecen de esta causa, hay otro 4.8%
67
que padece de ulceras pero cicatrizan de manera normal, por lo que su
procedencia podría estar relacionada con otra enfermedad o agente bacteriano.
Tabla 14. Tabla de frecuencia de la variable glucemia.
Glucosa (Agrupada)
Frecuencia Porcentaje
Porcentaje
válido
Porcentaje
acumulado
Válido Hipoglucemia 16 ,3 ,3 ,3
normal-alta 3112 59,4 59,4 59,8
Hiperglucemia 2107 40,2 40,2 100,0
Total 5235 100,0 100,0
Fuente: Base de datos del INEC, encuesta SABE
Elaborado por: Autores
Gráfico 20. Frecuencia de la variable glucemia.
Fuente: Base de datos del INEC, encuesta SABE Elaborado por: Autores
Análisis: El factor más relevante dentro de esta investigación que a pesar de
que su presencia depende de que se presenten otros factores es el más
importante en este caso, ya que es el que determina si una persona padece o no
padece de diabetes, siendo este proceso comprobado por otras de las variables
de grupo de pruebas, quienes afirmaran si una persona consta de un nivel elevado
de azúcar en la sangre. Posterior a la prueba es que se identificaron estos valores
presentes, que dieron como resultado que el 40.2% de las personas encuestadas
padecen de niveles elevados de azúcar, a lo que denominamos hiperglucemia.
68
Etapa de correlación
Durante esta etapa luego de obtener los pesos de cada variable de manera
individual, y ya modelada la red bayesiana, se procede a correlacionar las
variables identificadas y que independientemente de su peso son causas o
consecuencias de otras, formando un caso probabilístico para cada evento de la
variable.
Gráfico 21. Correlación en Elvira de la variable colesterol.
Fuente: Base de datos del INEC, encuesta SABE
Elaborado por: Autores.
Análisis: Se muestra la variable colesterol con sus tres estados que son alto,
limite-alto, normal, los valores apreciados son los valores finales tras la aplicación
del teorema de bayes para cada posible relación que se presente, siendo las
variables aledañas involucradas en la causa de este nodo la actividad física,
alimentación, genética y la obesidad.
Sin embargo, se puede observar que se crea un caso para cada interacción
posible, siendo estas iteraciones eventos que pueden presentarse en la vida real.
69
Inferencia de pesos y afectación de eventos en red
bayesiana
Como caso de prueba se ejecutarán un posible evento al azar la cual presenta
síntomas relacionados con la diabetes, haciendo la respectiva simulación, con el
fin de obtener resultados de un caso real.
Gráfico 22. Red bayesiana con factores de incidencia
Fuente: Base de datos del INEC, encuesta SABE
Elaborado por: Autores.
Al encender ciertos nodos al azar vemos variar los porcentajes a priori, esto se
debe a la causa que genera esa variación frente a las otras variables, para este
evento tenemos el caso de una personas, que es afroamericana, tiene una
alimentación balanceada, su nivel de colesterol se encuentra dentro del límite-alto,
no presenta signos de obesidad, sin embargo tiene antecedentes con familiares
que poseen diabetes, carece de alteraciones hormonales sin embargo no se ha
realizado una prueba para ver si tiene diabetes o no, dando como resultado un
63% de acierto en que su cuerpo carezca de resistencia a la insulina, la misma
que producirá que el cuerpo no regule de manera adecuada los niveles de azúcar,
ocasionando hiperglucemia, siendo esta el nodo de causa mayor en la detección
de diabetes, seguido de síntomas como visión borrosa y ulceras que se dan en
70
este evento, dando un porcentaje de 79% de padecer diabetes, frente a un 21%
de no padecer, siendo este evento un valor difuso entre el que puede y no puede
ser, aun habiendo un porcentaje mayor de incidencia
Mapa Cognitivo difuso en Mental Modeler
El mapa cognitivo difuso consta de 11 nodos causales que pueden contener
relaciones positivas y negativas que van desde -1 a 1, entre los nodos causales
tenemos:
Tabla 15. Descripción de relaciones causales
Nombre Peso causal
Edad con sedentarismo 0.26
Edad con Resistencia Insulina 0.08
Sedentarismo con obesidad 0.48
Genética con obesidad 0.60
Genética con Resistencia Insulina 0.23
Colesterol con Resistencia Insulina 0.23
Obesidad con Colesterol 0.89
Resistencia_Insulina con Aumento
Glucemia
0.98
Aumento Glucemia Diabetes Mellitus 1
Hipertensión con Diabetes Mellitus 0.29
Antecedentes cardiovasculares con
Diabetes Mellitus
0.26
Fuente: Base de datos del INEC, encuesta SABE
Elaborado por: Autores.
Análisis: La relación de los nodos incluidos en el MCD son los que se
consideraron más relevantes de la demostración antes impuesta con la red
bayesiana, así como sus respectivos valores de relacionales.
71
Gráfico 23. MCD Factores relacionados con la diabetes
Fuente: Base de datos del INEC, encuesta SABE.
Elaborado por: Autores.
Para el correcto análisis de los posibles eventos se crea la matriz de
adyacencia, la misma que lleva definidos cuales son los pesos de las relaciones
entre variables.
Con el fin de facilitar la explicación se codificada cada nodo, anteponiendo la
letra N de nodo y el número que lo identifica.
N1= Diabetes Mellitus
N2= Resistencia_Insulina
N3= Obesidad
N4= Aumento_Glucemia
N5= Sedentarismo
N6= Edad
N7= Genética
N8= Colesterol
N9= Hipertensión
N10= Antecedentes cardiovasculares
72
Gráfico 24. Matriz de adyacencia Factores relacionados con la Diabetes
NODOS N1 N2 N3 N4 N5 N6 N7 N8 N9 N10
N1 0 0 0 0 0 0 0 0 0 0
N2 0 0 0 0.98 0 0 0 0 0 0
N3 0 0.48 0 0 0 0 0 0.89 0 0
N4 1 0 0 0 0 0 0 0 0 0
N5 0 0 0.48 0 0 0 0 0 0 0
N6 0 0.08 0 0 0.26 0 0 0 0 0
N7 0 0.23 06 0 0 0 0 0 0 0
N8 0 0.23 0 0 0 0 0 0 0 0
N9 0.29 0 0 0 0 0 0 0 0 0
N10 0.26 0 0 0 0 0 0 0 0 0
Fuente: Base de datos del INEC, encuesta SABE
Elaborado por: Autores.
Con la matriz de adyacencia ya definida se elabora un respecto escenario,
aplicando un peso de activación sobre cada variable, siendo este peso el valor
que idéntica la cantidad de procedencia que contiene X persona de X variable
selecciona.
73
Gráfico 25. Sistema de inferencias MCD
Fuente: Base de datos del INEC, encuesta SABE
Elaborado por: Autores.
Análisis: Para el caso simulado se han agregado valores al azar impuestos
por el experto, con el fin de medir la efectividad del modelo, si se observa es un
caso donde X persona no presenta, afectación por edad, problemas por razones
hereditarios, hipertensión y tampoco antecedentes cardiovasculares, sin embargo
esta afectado por la obesidad, quien eleva de manera considerable el colesterol e
influyendo directamente sobre la resistencia de insulina, la misma que a su vez
afecta en la regulación de glucosa, causando diabetes.
74
CAPÍTULO IV
RESULTADOS CONCLUSIONES Y RECOMENDACIONES
El capítulo presente contiene los resultados obtenidos a través de las diferentes
técnicas, herramientas y modelos utilizados en la investigación.
RESULTADOS
Como resultado del proceso de determinación de pesos causales a través del
teorema de Bayes se tiene un sistema de inferencias cuyos valores a priori reflejan
la probabilidad en su estado neutro de padecer la enfermedad, como se observa
en el siguiente gráfico los nodos contienen pesos desequilibrados, donde la
probabilidad mostrada es el resultado de los datos existentes (base de datos
INEC), concluyendo en el siguiente modelo.
Gráfico 26. Sistema de Inferencia de la red Bayesiana
Fuente: Base de datos del INEC, encuesta SABE
Elaborado por: Autores.
75
Donde se denota que, tras el análisis de los respectivos síntomas, enfermedades,
factores de riesgo, entre otros, tenemos una probabilidad a priori del 86% es decir
que de un total de 5235 personas que conforman la población objetivo 5235*0.86
= 4502 tienen la probabilidad de estar padeciendo de diabetes, frente a un
5235*0.14= 733 tienen la probabilidad de no padecer diabetes.
Para validar este proceso se elige al azar una persona perteneciente a la base de
datos, sin criterios de selección, se tiene que: 1. No es afroamericana, 2. Tiene
una alimentación sin control, 3. Padece de colesterol elevado, sin embargo, 4. No
presenta síntomas de obesidad, 5. ni antecedentes familiares. 6. Presenta
problemas oculares, su visión se ha deteriorado.
Al hacer presente estos sucesos se tiene que nodos como la alimentación dan
paso a la presencia de colesterol elevado, la misma que a su vez se ve afectado
al presentar sedentarismo, a esto se le incluyen el resto de probabilidades a priori
dadas tras el análisis de la base de datos se tiene que la probabilidad de padecer
diabetes es del 78%.
Gráfico 27. Primer caso de prueba tras la presencia de 6 sucesos.
Fuente: Base de datos del INEC, encuesta SABE
Elaborado por: Autores.
Dado que la presencia y ausencia de algunos factores al entrar en acción,
automáticamente causa la alteración de probabilidad en los nodos aledaños, nos
damos cuenta que en relación al valor a priori hubo un descenso en el posible
76
caso de padecer diabetes, sin embargo lo fundamental y valorado de este modelo
es permitir experimentar posibles eventos que puedan presentarse, como ejemplo
ilustrativo se tienen que a ese resultado se le descarta la presencia de ulceras,
siendo este uno de los síntomas habituales y comunes que suelen presenciarse
tras padecer de diabetes, Obteniendo como resultado lo que refleja el siguiente
gráfico:
Gráfico 28. Segundo caso de prueba tras la presencia de 7 sucesos.
Fuente: Base de datos del INEC, encuesta SABE
Elaborado por: Autores.
Se aprecia que la probabilidad de padecer diabetes decayó considerablemente al
no presenciar ulceras en el cuerpo, dejando el modelo experimental con una
probabilidad de 26% de padecer diabetes frente a un 74% de no padecer.
Para el caso del mapa cognitivo difuso dado los pesos causales dan como
resultado una tabla de adyacencia, siendo esta la matriz donde se manifiestan los
valores causales correspondientes a cada nodo.
77
Gráfico 29. Matriz de Adyacencia
NODO
S N1 N2 N3 N4 N5 N6 N7 N8 N9 N10
N1 0 0 0 0 0 0 0 0 0 0
N2 0 0 0 0.98 0 0 0 0 0 0
N3 0 0.48 0 0 0 0 0 0.89 0 0
N4 1 0 0 0 0 0 0 0 0 0
N5 0 0 0.48 0 0 0 0 0 0 0
N6 0 0.08 0 0 0.26 0 0 0 0 0
N7 0 0.23 0.6 0 0 0 0 0 0 0
N8 0 0.23 0 0 0 0 0 0 0 0
N9 0.29 0 0 0 0 0 0 0 0 0
N10 0.26 0 0 0 0 0 0 0 0 0
Fuente: Base de datos del INEC, encuesta SABE
Elaborado por: Autores.
Dando como resultado un entorno de simulación a través de sistema inferencial,
donde al igual que las redes bayesianas cada nodo se verá influenciado por sus
nodos aledaños, con la diferencia que los mapas cognitivos difusos ejercen un
peso de obtención determinístico es decir que se puede buscar el mejor escenario
ajustando los pesos de los factores en cuestión, planteando posibles soluciones
con el fin de solventar un problema.
A continuación, se ingresarán vectores de estímulos, con el fin de determinar los
nodos que carecen de gran influencia sobre la causalidad de la enfermedad en
cuestión.
78
Gráfico 30. Estimulación tras la Activación del nodo Resistencia a la Insulina
Fuente: Base de datos del INEC, encuesta SABE
Elaborado por: Autores.
Escenario 1. Tras la activación del nodo resistencia a la insulina, ejerciendo una
probabilidad de obtención de 0.4, tenemos un crecimiento símil con una
probabilidad de 0.38 en la barra que representa la enfermedad de la diabetes,
corroborando que se encuentra fuertemente influenciado por este nodo.
Gráfico 31. Segundo Escenario en MCD
Fuente: Base de datos del INEC, encuesta SABE
Elaborado por: Autores.
79
Escenario 2. Se tiene que X persona tiene el colesterol elevado con una
probabilidad de 0.4, sabiendo que en su familia existen antecedentes con la
obtención de diabetes, heredándola 3 de cada 10 personas, por lo que la
probabilidad de que padezca de diabetes por motivos genéticos es de 0.3, de igual
manera en su caso las personas que padecen de diabetes también padecen de
hipertensión teniendo una probabilidad de que se presente este factor de 0.3,
compensado dicho pronostico con una probabilidad negativa de -0.5 al realizar
ejercicio físico ocasionalmente eliminando el sedentarismo, resultando una
probabilidad de -0.06 de padecer de obesidad, y finalmente debido a los factores
ya mencionados se presenta un alza en los niveles de azúcar (glucemia) dando
paso a la resistencia de insulina con un 0.09 concluyendo con una probabilidad de
presentar diabetes de 0.17.
Dado que el objetivo de este proyecto es la ayuda en la toma de decisiones, no se
ha planteado una solución ni se ha definido un vector ideal, pero se han logrado
identificar qué factores como la obesidad, los problemas hormonales, el colesterol,
el estilo de vida y alimentación son los factores fundamentales sin incluir la
resistencia a la insulina (Causa directa), que dan nacimiento a la presencia de esta
enfermedad mortal como lo es la diabetes mellitus.
CONCLUSIONES
Tras aplicar los dos modelos multi-criterios, se amplió el conocimiento de estas de
estas herramientas que forman parte de la inteligencia computacional. Se
determinó que estos dos modelos, dirigen a un resultado en común, donde las
redes bayesianas se caracterizan por:
Permitir representar al unísono la dimensión cualitativa y cuantitativa de un
problema en un entorno gráfico inteligible.
Pueden trabajar con datos perdidos de una manera eficiente, algo que en
la práctica es deseable.
Permiten reducir el sobre ajuste de los datos.
Posibilitan el descubrimiento de la estructura causal subyacente en un
conjunto de datos.
80
Representan toda la información en un único formato (probabilístico y
gráfico) lo que hace sencillas las interpretaciones, permite retractarse de
conclusiones obtenidas con anterioridad ya que no son razonables a la luz
de nuevas evidencias, proporcionan una visión general del problema,
generan un conjunto de alternativas ordenadas y facilita la explicación de
las conclusiones.
Permiten realizar inferencias bidireccionales; esto es, desde los efectos a
las causas y desde las causas a los efectos, etc.
Mientras que los mapas cognitivos difusos:
Permite el manejo de relaciones causales positivas y negativas en un
rango de [-1 a 1].
Analizar los escenarios para determinar el vector ideal.
Su aplicación resulta recomendable para los dominios donde los conceptos
y las relaciones son fundamentalmente difusos como la política, la historia,
la planificación estratégica, etcétera.
Siendo el objetivo fundamental de este caso de estudio la ayuda en la toma de
decisiones, partiendo de posibles sucesos o factores que habitualmente son
ignorados, pero que pueden representar un posible fallo en el diagnostico
estipulado, se concluye que las redes bayesianas es el modelo óptimo para
representar este tipo de situaciones, permitiendo analizar la enfermedad como un
todo, donde se desmenuzan las posibles causas y efectos, que estén involucrados
directa o indirectamente con la enfermedad, y dando como resultado un sistema
legible.
81
RECOMENDACIONES
Realizar nuevos estudios sobre el uso y la implementación de estos
modelos ya que día a día se construyen nuevas investigaciones donde se
aplican estas técnicas en distintas áreas.
Emplear el modelo propuesto en la toma de decisiones clínicas de los
endocrinólogos.
Utilizar las redes bayesianas juntamente con sistemas expertos, con la
finalidad de crear un modelo hibrido, aprovechando las ventajas de ambos,
fusionando la incertidumbre que maneja las redes bayesianas con los
procesos de aprendizajes autónomos.
82
BIBLIOGRAFÍA
Aguilar, J. (2014). Mapas cognitivos difusos aleatoreos dinamicos .
Alarcón, A. (2013). Recolección y analisis de datos cuantitativos. Barquisimeto:
Universidad Yacambú.
Alberto Grajales Quintero, Edgar G. Serrano Moya, Christine M. HaHn Von-H.
(2013). LOS MÉTODOS Y PROCESOS MULTICRITERIO PARA LA
EVALUACIÓN. Luna Azul.
Ander-Egg, E. (1992). Técnicas de la investigación social.
Arias, F. G. (2012). El proyecto de investigación introduccion a la metodología
científica. Esitorial Episteme.
Arteaga, B. (15 de Septiembre de 2017). Aula Magna 2.0. Obtenido de Revistas
Científicas de Educación en Red. : https://cuedespyd.hypotheses.org/3064
Barceló A, Peláez M. (2006). La prevalencia de diabetes diagnosticada entre los
ancianos de siete ciudades de América Latina y el Caribe: el Proyecto de
bienestar y envejecimiento de la salud (SABE). National Center for
Biotechnology Information (NCBI).
Belen Muñoz & Manuel G. Roma. (2016). Aplicación de m'etodos de decisión
multicriterio discretos al análisis de alternativas en estudios discretos de
infraestructura de transporte. Pensamiento Matemático.
Bothtner U, Milne SE, Kenny GN, Georgieff M, Schraag S. (2002). Bayesian
probabilistic network modeling of remifentanil and propofol interaction on
wakeup time after closed-loop controlled anesthesia.
Cano, A. (2001). Pagina de inicio para usuarios del sistema Elvira. Obtenido de
http://leo.ugr.es/elvira/
Carreño, M. (2014). Método numérico para la evaluación holística del riesgo
sísmico utilizando la teoría de conjuntos difusos. Elsevier Doyma.
Clara Inés Peña de Carrillo, Jose L Marzo, Josep Lluís de la Rosa, Ramón
Fabregat Gesa. (2012). Un sistema de tutoría inteligente adaptativo
considerando estilos de aprendizaje. Revista UIS ingenierías, 17-29.
83
Corona, E. (2015). Ejemplos de investigación de campo. Obtenido de
http://www.ejemplos.org/ejemplos-de-investigacion-decampo.html
Denzin, Norman & Lincoln, Yvonna. (2011). El manual de SAGE de
investigación cualitativa. Londres: Sage.
Dicovskiy, L. M. (2008). Estadística Básicca. Nicaragua: Universidad Nacional
de Ingeniería.
Federación Internacional de Diabetes. (2011). Diabetes Mellitus: Situación
Actual.
Federación Internacional de la Diabetes. (2017). Obtenido de https://www.idf.org/
Férez R., J. A. (2015). Redes Bayesianas aplicadas a la Medicina. Catalunya.
Field, A. & Gillet, R. (2010). How to do meta-analysis. British Journal of
Mathematical and Statistical Psychology.
Glykas, M. (2010). Fuzzy Cognitive maps. Springer.
Gómez, D & Roquet, J. (2012). Metodología de la investigación. Mexico.
Gonzales, A. (2013). Diseño del sistea de control de un robot tipo Puma utilizando
Lógica Difusa.
Gray Steven, PnD. & Cox Linda, PhD. (2015). Mental Modeler: a tool for
environmental planning and research. University of Hawaii.
Gray, S. & Radovich. (2014). Mental Modeler. Obtenido de
http://www.mentalmodeler.org/
Griselda Dávila, Fernando Cruz, Agustín Cabrera, Francisco Ortiz. (1 de Junio de
2015). ANALISIS DE LA PRODUCTIVIDAD MEDIANTE REDES
BAYESIANAS PYME DESARROLLADORA DE TECNOLOGÍA.
REMEF, 10.
Hueso A, Cascant M. (2012). Metodología y Técnicas Cuantitativas de
Investigación. McGraw-Hill.
Huhms. (2012). Readings in Agents.
IEES Hospital Carlos Andrade Marin. (2017).
International Diabetes Ferderation. (2015). Atlas de la diabetes de la FID.
Isaacson, W. (2014). Los innovadores. Bogotá.
84
Jesús Arias, Miguel Ángel Villasís, María Guadalupe Miranda. (2016). El
protocolo de investigación III: la población de estudio. Alergia.
Jiménez, L., Vallejo, D., Albusac, J., Castro-Schez, J. J., & Glez-Morcillo, C.
(2011). A multiagent architecture for supporting distributed normality-
based intelligent surveillance.
Julian Soler & Botti. (2003). Agentes Inteligentes: el siguiente paso en la
Inteligencia Artificial.
Leiva, M. (2014). Modelo de ayuda a la toma de decisiones basado en mapas
cognitivos difusos. La Habana: Editorial Universitaria.
López, J. F. (2013). Definiciones, Estadística. economipedia, 3-4.
Macián & Velasquez, D. (2012). Utilización de lógica difusa en la gestión de
embalses. Aplicación a los ríos Sorbe, Esla y Mijares (Doctoral
dissertation, Master Thesis dissertation (in Spanish). Universitat
Politècnica de València).
Martínez R., R. (14 de Marzo de 2015). Cómo interpretar un metaanálisis.
Mauricio Martinez, edgardo Santana, Nicholas Beliz. (2017). Análisis de los
paradigmas de la inteligencia artificial para un modelo inteligente de la
gestión de energía electrica.
Molina, M. (2012). Elección Importante. Obtenido de
http://www.cienciasinseso.com/tag/marco-muestral/
National Institute of Diabetes and Digestive and Kidney DIases. (17 de Julio de
2017). Obtenido de https://www.niddk.nih.gov/health-
information/informacion-de-la-salud/diabetes/informacion-
general/prevenir-problemas/diabetes-enfermedad-corazon-ataques-
cerebrales
NORSYS SOFTWARE CORP. (2006). NORSYS SOFTWARE CORP. Obtenido
de https://www.norsys.com/
Ojeada, L. R. (2007). Probabilidad y estadística básica para ingeniería.
Guayaquil, Guayas, Ecuador: ICM.
85
Pablo Pytel, Ariel Deriche, Mariana Acosta & Maria Florencia Pollo-Cattanco.
(2015). Modelo bayesiano para diagnostico del aprendizaje en alumnos de
inteligencia artifical.
Ponce, P. (2010). INTELIGENCIA ARTIFICIAL CON APLICACIONES A LA
INGENIERIA. México.
Rafael Avilés Merens, Augusto Sao Avilés. (1995). Metanálisis sí; metanálisis no
. SciElo.
Raúl Benitez, Gerad Escudero, Samir Kanaan, David Masip. (2014). Inteligencia
Artificial Avanzada. MIDAC.
Real Academia de Ciencias Exactas, Físicas y Naturales de España. (5 de abril de
2014). Obtenido de http://www.rac.es/0/0_1.php
Rev Cubana de salud Pública. (SEptiembre de 2007). El análisis de información y
las investigaciones cuantitativa y cualitativa. SCIELO.
Ruvalcaba Coyaso, Francisco Javier. (2015). Lógica difusa para la toma de
decisiones y la seleccion de oersonal. 239 - 256.
Sáez C., A. (2012). Apuntes de Estadísticas para Ingenieros. España.
Saldaña, M. L. (114 de Febrero de 2017). Señado de la República. Obtenido de
http://www.senado.gob.mx/sgsp/gaceta/63/2/2017-02-16-
1/assets/documentos/PA_DIABETES%20MELLITUS.pdf
Santiago Hurtado, Gisela Painagua Gómez . (2008). Modelo de inferencia difuso
para estudio de crédito.
Sucar, L. (2014). Redes Bayesianas.
Tamayo. (2009). El Proceso de la Investigación Científica. Mexico: LUMUSA.
Territorio AC. (2013). Revisión de la diabetes entre gente indígena.
Torra, V. (Diciembre de 2011). LYCHNOS. Obtenido de FUNDAMENTACIÓN
GENERAL CSIC.
Universidad Autónoma de Aguascalientes. (2015). Estadística y Principios de
Probabilidad. Academia de Matemáticas.
Wen-Hsiang, W., Chang-tzu, Ch. & Chin-tsai L. (2008). Comparing the
aggregation methods in the analytic hierarchy process when.
86
Anexos
87
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS CARRERA DE INGENIERÍA EN SISTEMAS COMPUTACIONALES
Anexo 1.
Valoración del Juicio de Experto
Nombre Valores Observaciones
Índice de masa
corporal
18.50 - 24.99
25.00 - 29.99
30.00 - 34.99
35.00 - 40.00
>40.00
Peso Normal
Sobrepeso
Obeso: Tipo I
Obeso: Tipo II
Obeso: Tipo III
IMC = peso [kg]/ estatura [m2]
88
Colesterol Total
<200 mg/dl
200 a 239 mg/dl
240 mg/dl o más
Deseable
En el límite alto
Alto
Incluye colesterol de lipoproteína de baja
densidad (LDL) y el colesterol de lipoproteína
de alta densidad (HDL)
Edad >65
[18-64]
Adulto Mayor
Adulto
Suele ser presentado con mayor frecuencia
en adultos mayores.
Anemia
Inferior a 14 g/dL de
sangre
Inferior a 12 g/dL de
sangre
Hombres
Mujeres
El diagnóstico de anemia se realiza con los
valores de hemoglobina en la hematología
Astenia
primaveral
Padece
No padece
Ya se encuentra determinada en la base de
datos.
Otras
enfermedades
hormonales
Amilina
Glucagón
La epinefrina Cortisol
Padece
No Padece
Enfermedades hormonales que influyen para
mantener el equilibrio de azúcar en la sangre.
89
Pancreatitis Padece
No padece
Diagnosticada en la base de datos.
Embarazo Presenta
No presenta
Ocurre porque las hormonas bloquean el
trabajo de la insulina.
Fatiga Presenta
No presenta.
Siendo un signo que se presenta al padecer
de azúcar en la sangre.
Pérdida de peso
Presenta
No presenta
Signo que se presenta al padecer Diabetes.
Ulceras
Padece
No padece
Signo que se presenta al padecer Diabetes.
Aumento ganas
orinar
Padece
No padece
Signo que se presenta al padecer Diabetes.
Sed Excesiva Padece
No padece
Signo que se presenta al padecer Diabetes.
Visión borrosa Padece
No padece
Signo que se presenta al padecer Diabetes.
Entumecimiento
extremidades
Padece
No padece
Signo que se presenta al padecer Diabetes.
90
Aumento apetito Padece
No padece
Signo que se presenta al padecer Diabetes.
Resistencia
Insulina
Padece
No padece
Depende de los niveles de glucosa en la
sangre.
Glucemia 70 a 100 mg/dl
>140 mg/dl
Sin Diabetes
Con diabetes
Factor fundamental, siendo determinado en
ayunas.
Presión Arterial
120-129/80-84
130-139/85-89
>=140/>=90
Normal
Limite alto
Hipertensión
Forma parte de las enfermedades
relacionadas que se presentan
Diabetes
Gestional
Padece
No padece
Se presenta durante el embarazo tras el
aumento de glucosa en la sangre.
Diabetes Mellitus Padece
No padece
Enfermedad del caso de estudio.
Juicio de Experto Avalado por:
…………………………………………………….
Dr. José Luis Brito Sandoval, MSc. Especialista en endocrinología.
91
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS CARRERA DE INGENIERÍA EN SISTEMAS COMPUTACIONALES
Anexo 2. Tabla de Mata-análisis
N° TITULO RESUMEN AUTOR 1 AUTOR n PALABRA CALVE 1
PALABRA CLAVE 2
PALABRA CLAVE n
TIPO DE SOFTWARE UTILIZADO
1 Redes Bayesianas aplicadas
a la Medicina
El profesor David Sackett definía la medicina Basada en la evidencia (MBE) como "el uso consciente, explícito y juicioso de la mejor evidencia científica disponible para tomar decisiones sobre los pacientes". Estas palabras, cargadas de sentido común y espíritu crítico, no eran una simple declaración de buenas intenciones, sino se convirtieron en la génesis del revolucionario paradigma de la práctica médica en que se ha dirigido la MBE. En su propósito por obtener la mejor evidencia posible, el ejercicio de la MBE se ha fundamentado en el método científico, al que considera el mejor "instrumento" para comprender la realidad y expresarla de manera sistemática, inteligible y cinética. Eso sí, sin olvidar ni desdeñar los conocimientos adquiridos por los profesionales de la medicina en sus años de ejercicio. De Hecho, el principal objetivo de la MBE es integrar la experiencia de los distintos profesionales con la mejor evidencia científica disponible, en aras de mejorar el proceso de toma de decisiones clínicas. Para conseguir este propósito se han creado diferentes entes
Jose Antonio Férez Rubio
_ Teorema de
Bayes Redes
Bayesianas Medicina Elvira, draw.io
92
matemáticos entre los que se encuentran las Redes Bayesianas, que se han convertido en unas de las "herramientas" más valiosas en el proceso de la toma de decisiones.
2 Explicación en redes bayesianas causales aplicaciones médicas
Las redes bayesianas constituyen una metodología para la construcción de sistemas expertos que surgió en la década de los 80 y se ha expandido notablemente en los últimos años. Su principal cualidad es que realizan el tratamiento de la incertidumbre a partir de un modelo causal probabilístico. Sin embargo, para que una red bayesiana pueda considerarse como verdadero sistema experto, hace falta que pueda explicar su proceso de razonamiento. Proporcionar la explicación de las conclusiones de los sistemas basados en la toma de decisiones permite que el usuario del sistema comprenda por qué y cómo se han obtenido dichos resultados, cómo funciona el sistema, etc. En particular, la capacidad de explicación es especialmente necesario en el campo de la medicina. Hasta ahora, sin embargo, no existe una teoría que permita encontrar una solución completa para el problema de la explicación, sino soluciones puntuales para casos concretos. Si queremos que las redes bayesianas tengan una amplia aceptación en la vida cotidiana, hay que dotarles de una capacidad de explicación potente y amigable. En los sistemas basados en búsqueda de heurística (MYCIN, XPLAIN, BLAH) se explica la forma en la que el sistema ha obtenidos sus conclusiones; sin embargo en los sistemas probabilísticos (NESTOR, INSITE) se hace más hincapié en el contenido de la base de conocimiento. Por ello, el primer objetivo de esta tesis será el desarrollo de una capacidad de explicación para redes bayesianas en la que se sinteticen y mejoren los trabajos sobre explicación tanto en sistemas heurísticos como en redes bayesianas, especialmente redes bayesianas causales. El segundo de los objetivos es la aplicación de las ideas desarrolladas a la construcción de un sistema experto para el diagnóstico de cáncer de próstata.
Carmen Lacave Rodero
_ Teorema de
Bayes Redes
Bayesianas Medicina
ELVIRA, PROSTANET
3 The Extended Hierarchical Linguistic Model in Fuzzy
Cognitive Maps
Los mapas cognitivos borrosos permiten el modelado de causalidad multi-experto usando valores lingüísticos de 2 tuplas para mejorar la precisión de la informática con palabras procesos relacionados con enfoques simbólicos clásicos. Los expertos proporcionan relaciones causales de acuerdo con su conocimiento, porque pueden tener diferentes antecedentes o experiencias. Parece lógico que puedan usar diferentes
Maikel Leiva Vásquez
Eduardo Santos Baquerizo, Miriam Peña González,
Lorenzo Cevallos Torres, Alfonso
Guijarro Rodríguez.
Fuzzy Cognitive Maps
CWW ELH, Non-functional
requirement _
93
escalas para expresar sus modelos mentales En este trabajo, proponemos un nuevo método para extendiendo mapas cognitivos borrosos, usando el paradigma de computación con palabras y el modelo lingüístico jerárquico ampliado que permite modelar causal relación con la información lingüística, donde los expertos utilizarían escalas lingüísticas para expresar relaciones causales. Se muestra un ejemplo ilustrativo para demostrar la aplicabilidad del método propuesto en el modelado de dependencias entre requisitos no funcionales.
4
APLICACIÓN Y COMPARACIÓN DE METODOLOGÍAS
MULTICRITERIO (AHP Y FUZZY LOGIC) EN LA
SELECCIÓN DE TECNOLOGÍA
POSTCOSECHA PARA PEQUEÑOS
PRODUCTORES DE CACAO.
Ecuador suministra el 70% de la demanda especializada en cacao (Theobroma cacao) del tipo “fino y de aroma” a nivel mundial, empleado en la elaboración de chocolates de alta calidad. En esta tesis, se define un modelo de decisión de tecnología post cosecha adaptada a los pequeños productores (59% de la producción ecuatoriana), aplicando dos tipos de modelos multicriterio que incluyen como criterios: calidad, costo de transformación y capacidad de adopción tecnológica. Para llegar a este resultado, se realizó de manera preliminar una evaluación de las tecnologías aplicadas en post cosecha considerando exclusivamente el criterio de calidad, evaluándolo por medios estadísticos. Luego se aplicaron las metodologías Análisis Jerárquico de Procesos (AHP por sus siglas en inglés) y Lógica Difusa, considerando todos los criterios citados anteriormente. Aplicando los tres criterios, se determinó que la tecnología post cosecha que mejores resultados obtiene, por ambas metodologías multicriterio aplicadas, es la de fermentación en montón y secado en tendal. Se destaca finalmente que la metodología multicriterio permite alcanzar soluciones que se aproximan a la realidad en la forma en que los pequeños productores de cacao toman decisiones.
Lenin Vera Montenegro
_ Lógica Difusa Análisis
Jerárquico de Procesos
Cacao, Post cosecha
Expert Choice, Matlab, software
fuzzy logic
94
5 Las redes bayesianas como herramientas de modelado
en psicología
Cada vez son más numerosas las investigaciones que trabajan con un amplio número de variables donde existen relaciones complejas entre ellas. Las redes bayesianas son herramientas estadísticas surgidas en el campo de la Inteligencia Artificial que nos permiten afrontar situaciones de investigación de estas características. Una red bayesiana es un grafo dirigido acíclico que codifica relaciones probabilísticas de dependencia e independencia condicional y que actualiza el modelo con base en las evidencias muestrales mediante la regla de Bayes. Este artículo describirá los principios matemático-estadísticos esenciales de las redes bayesianas y las ventajas que tienen frente a otras herramientas multivariantes. Finalmente, revisaremos las aplicaciones, que desde la Psicología, se han aportado, así como se describen sus usos potenciales. Palabras clave: Redes bayesianas; sistemas expertos; estadística bayesiana y modelado estadístico.
Jorge López Puga
Juan García García, Leticia de
la Fuente Sánchez, Emilia Inmaculada de la Fuente Solana
Redes Bayesianas
Sistemas expertos
estadística bayesiana y modelado estadístico
_
6
Mapas cognitivos difusos para la selección de
proyectos de tecnologías de la información
En el campo de la informática administrativa resulta de gran importancia evaluar los sistemas de información que le darán soporte a los procesos y las metas. Para lograr la alineación de estos sistemas, que formarán parte del portafolio de proyectos de tecnologías de la información de la organización con estrategias, es necesario modelar y analizar los procesos y las metas a los que se les darán soporte. En este artículo se presenta un modelo para la selección de proyectos de tecnologías de la información basado en el análisis de la arquitectura empresarial a partir del modelado empresarial, el cual se apoya en el modelado de las relaciones causales existentes entre los distintos elementos de la organización empleando mapas cognitivos difusos. Este enfoque facilita la evaluación y selección de proyectos con vistas a alcanzar el estado objetivo de la arquitectura empresarial. El modelo
Maikel Y. Leyva Vázquez
Karina Pérez Teruel, Ailyn
Febles Estrada, Jorge Gulín González
portafolio de proyectos
mapas cognitivos
difusos
selección de proyectos, modelado
empresarial, arquitectura empresarial.
-
95
propuesto brinda una alternativa o complemento a los métodos existentes de evaluación de proyectos de tecnologías de la información; para ejemplificar lo anterior se muestra un caso de estudio que describe la aplicación del modelo a una organización de servicios profesionales para planificar la trasformación de la arquitectura empresarial de la organización.
7
Modelo para el análisis de escenarios en tráfico
vehicular mediante mapas cognitivos difusos
El presente proyecto Investigativo aborda un tema que involucra especialmente al sector social, en relación al tráfico terrestre en la ciudad de Guayaquil. El objetivo principal planteado consta en analizar los requerimientos para el sistema de visualización de tráfico que permita brindar alternativas de calles o avenidas que no tengan mucha congestión al momento de dirigirse hacia un determinado lugar dentro de la ciudad.
José Humberto Veintimilla Loor
_ Mapas cognitivos
difusos Sistemas expertos
- Mental modeler
8 Oxidative Stress, Diabetes,
and Diabetic Complications
A través de hiperglucemia, hiperlipidemia, hipertensión y dyshomeostasis de hierro posible, diabetes induce estrés oxidativo que causa daño a múltiples órganos, lleva a varias complicaciones. Por lo tanto, la terapia antioxidante puede ser un enfoque interesante para prevenir la diabetes y las complicaciones diabéticas.Metalotioneínas como un potente antioxidante se encontraron significativamente proteger el corazón y los riñones contra cambios fisiopatológicos inducidos por la diabetes. Zinc como un importante elemento de rastro y una metalotioneína inductor fue encontrado para tener la misma función protectora. Diabetes disminuir sistema defensivo, incluyendo la reducción de factor de crecimiento, suplementación exógena de factor de crecimiento fibroblástico (FGF) previno daño oxidativo cardíaco inducidos por la diabetes significativamente y debilitación de cicatrización de heridas. Estos estudios sugieren que los agentes protectores como metalotioneína, FGFs y zinc juegan un papel importante en la prevención de la diabetes y las complicaciones diabéticas.
Wei Wei
Qiuju Liu, Yi Tan, Lucheng Liu,
Xiaokun Li, and Lu Cai
Diabetes Oxidative stress
Metallothionein, Zinc, Fibroblast
growth factors
_
9 Modelo de ayuda a la toma
de decisiones en mapas cognitivos difusos
Los mapas cognitivos difusos (MCD) constituyen una técnica que ha recibido una creciente atención debido a sus posibilidades para la representación de la causalidad. Sin embargo persisten un conjunto de dificultades que limitan su
Maikel Y. Leyva Vázquez
_ Mapas cognitivos
difusos Toma de
decisiones Sistemas expertos.
Ingeniería de software
96
utilización en la ayuda a la toma de decisiones, relacionadas fundamentalmente con la agregación de múltiples MCD, la determinación de los nodos más importantes, la realización del razonamiento orientado a metas y el ordenamiento de los distintos escenarios. En el presente trabajo se propone un modelo para la toma de decisiones (FCM-Fusion) basado en el uso de los MCD como técnica de inferencia causal y operadores de agregación para evaluar las distintas alternativas. Su implementación posibilita aumentar la aplicabilidad y fiabilidad de esta técnica en la toma de decisiones. Se desarrolla un estudio de caso y varias aplicaciones apoyadas en una herramienta informática (FCM-Decisión). Se realizan además un experimento, la comparación con otros modelos existentes y se obtiene retroalimentación de los usuarios evidenciándose la correspondencia entre el objetivo y los resultados obtenidos.
10
Método numérico para la evaluación holística del
riesgo sísmico utilizándola teoría de conjuntos difusos
La teoría de conjuntos difusos ofrece un puente entre el procesamiento simbólico y el numérico que per-mite el uso de conceptos cualitativos útiles en el proceso de toma de decisiones relacionadas con la gestión del riesgo sísmico y, en general, con la gestión del riesgo de desastres. Su utilización en la evaluación del riesgo sísmico es necesaria en el caso en que los datos para aplicar un método de evaluación convencional del riesgo no estén disponibles o sean insuficientes. Una posible solución, considerada en este artículo, consiste en sustituir la información que falta por la opinión de expertos y en procesar las variables cualita-tivas y las calificaciones lingüísticas que se obtengan de dichas opiniones en lugar de valores numéricos. El procesamiento se realiza utilizando la teoría de conjuntos difusos. Para lograr una gestión eficaz, el riesgo se debe definir como las posibles consecuencias físicas, económicas, sociales y ambientales que pueden ocurrir en un período de tiempo determinado debido a fenómenos peligrosos. Desde esta perspectiva holística, y utilizando la teoría de conjuntos difusos, el método numérico propuesto calcula un nivel de riesgo físico y un nivel de agravamiento relacionado con las condiciones de fragilidad social y falta de resiliencia, para determinar un nivel de riesgo total. En el artículo se incluyen 2 ejemplos de aplicación del método propuesto y los resultados obtenidos se comparan con
M.L. Carreño A. H. Barbat, O.D.
Cardona conjuntos difusos
inteligencia computacional
enfoque heolístico,
evaluación del riesgo, riego
sísmico, vulnerabilidad
socioeconómica
_
97
los correspondientes a un método convencional de evaluación holística.
11
La Lógica Difusa Aplicada a los Ratios Financieros en el
Sector Cooperativo del Ecuador
Al hablar de lógica difusa se debe deducir que está herramienta propone un horizonte más amplio que la lógica normal, permitiendo la utilización de la lógica cotidiana, dentro. Esta metodología busca una forma distinguida de obtener una respuesta a partir de información imprecisa o ambigua. El estudio tiene por objeto evaluar los ratios del segmento 1 de las Cooperativas de Ahorro y Crédito del Ecuador en un rango de bajo, estable y óptimo, mediante grados de pertenencia y variables lingüísticas que sustentan la conversión de los índices financieros a términos difusos. Para la elaboración del estudio se tomaron en consideración los principales ratios del sector cooperativo, basados en las metas del sistema CAMEL, los cuales a través de la función triangular de la lógica difusa obtienen grados de pertenencia donde se sitúan los ratios del segmento. Los resultados obtenidos en cuanto al índice de liquidez es ˂bajo˃ lo que podría significar poca disponibilidad de fondos. Por otra parte, los ratios de eficiencia financiera y estructura y calidad de activos se ubicaron en un nivel ˂estándar˃ lo que representaría solidez en ambos ratios. En tanto los índices de rentabilidad, cobertura de provisiones para cartera improductiva rentabilidad y eficiencia microeconómica alcanzaron los resultados esperados estableciéndose en un nivel ˂óptimo˃ lo que significaría que estos ratios se encuentran saludables.
Jaime Díaz Córdova
Edisson Coba Molina, Klever
Moreno Gavilanes, Edwin Santamaría Freire
Lógica Difusa Ratios
Financieros Variables
lingüísticas. AUTOCAD
12
EVALUACIÓN DEL RIESGO POST-SÍSMICO Y EL
EFECTO ADVERSO QUE PROVOCA EN LA
ACTIVIDAD HUMANA COMO ES EL IMPACTO
SOCIAL NEGATIVO, MEDIANTE TÉCNICAS DE
LÓGICA DIFUSA
El presente proyecto muestra la evaluación del impacto social causado por una actividad telúrica, en la cual se ha estudiado la incertidumbre que pasan los cantones por este evento, mediante técnicas de lógica difusa
Dayanara Barzola Vargas
Omar Rodríguez Chiqui
_
_
_
MATLAB
98
13
APLICACIÓN DE LA LÓGICA DIFUSA EN EL
ÁMBITO DE LAS ENERGÍAS RENOVABLES
En este artículo se presenta la aplicación de una de las técnicas de Soft Computing, la lógica fuzzy o lógica difusa, al control de un sistema complejo y altamente no lineal como es un aerogenerador. Se describe el funcionamiento de estos sistemas eólicos, especificando las diferentes zonas de comportamiento que dan lugar a no linealidades difíciles de controlar por un solo regulador. Se han desarrollado los pasos necesarios para describir cómo se diseña y aplica un sistema basado en lógica difusa que se pueda aplicar a todas las zonas. Este controlador regula el ángulo de cabeceo y el par del aerogenerador. Se muestran resultados de simulación que validan la aplicabilidad de esta técnica inteligente para estos sistemas.
Matilde Santos Peñas
Edurne Miranda Suescun
inteligencia artificial
lógica difusa control fuzzy,
aerogeneradores
_
14
APLICANDO MAPAS COGNITIVOS DIFUSOS
APLICACIÓN A UN EJEMPLO SOCIO –
ECONÓMICO
Situaciones en que los seres humanos desarrollar sus tareas diarias son extremadamente complejos y dinámicos. En cada campo, el análisis de variables del sistema bajo consideración puede simplificarse si el sistema se concibe como un conjunto de conceptos, en un cambio en cada uno de ellos provocará cambios en el resto. En el análisis de un problema particular, la representación de conceptos en la forma de un mapa ayuda a sintetizar la información de detección de los principales conceptos que están relacionados con el problema. En estos casos, mapas cognitivos borrosos (FCM) son capaces de sintetizar gran parte de esta información. También con esta técnica es posible seguir la evolución de los conceptos a un estado de equilibrio y por lo tanto nos permiten estudiar la dinámica que lleva el paso de un estado a otro en la situación bajo revisión. Este documento describe la construcción y análisis de la técnica de mapas cognitivos borrosos a través de un ejemplo de aplicación de la economía. El objetivo es presentar una metodología apoyada por la FCM para analizar la evolución y el impacto en el sistema causando por el cambio en el valor de uno o más conceptos involucrados.
Lisandro Curia Andrea Lavalle Fuzzy Logic Dunamic Systems
Cognitive maps _
15
LA INCERTIDUMBRE Y LA SUBJETIVIDAD EN LA
TOMA DE DECISIONES: UNA REVISIÓN DESDE LA
LÓGICA DIFUSA
El objetivo de este artículo, es presentar, de manera introductoria, aspectos existentes que permiten relacionar la lógica difusa con la toma de decisiones. Se inicia con una breve explicación de los elementos básicos, en un proceso de toma de decisiones, enfatizando en el ambiente de incertidumbre y en los aspectos subjetivos presentes en el mismo. Posteriormente, se realiza un acercamiento a la lógica
Fabián Castiblanco Ruiz
_ Lógica Difusa Toma de
decisiones
ambientes de certeza,
ambientes de riesgo; ambiente
de incertidumbre,
función de
_
99
difusa a través de algunos ejemplos, herramientas, conceptos generales y relaciones existentes con la incertidumbre y con la subjetividad, en general. Finalmente, se presenta un ejemplo y un listado de obras y trabajos realizados en torno a la toma de decisiones desde esta nueva lógica.
pertenencia, subjetividad
16
LA LÓGICA DIFUSA COMO HERRAMIENTA DE
EVALUACIÓN EN EL SECTOR UNIVERSITARIO
Este artículo presenta los avances parciales de una investigación sobre la aplicación de la Lógica Difusa en la valoración actitudinal en estudiantes universitarios. Circunscrita en el Paradigma Mixto, utiliza la Teoría Fundamentada, grupos de discusión y entrevistas, además de técnicas, instrumentos y procedimientos difusos, para generar, desde la perspectiva de una muestra intencional de dieciséis profesores expertos de la Universidad Politécnica Territorial “José Félix Ribas”, en Barinas, Venezuela, una aproximación a la valoración actitudinal que se realiza en este contexto. Los principales resultados hasta el momento, consisten en la definición de las actitudes relevantes del proceso de evaluación, su ponderación relativa y la escala difusa a utilizar en dicha valoración.
ASDRÚBAL ARROYO
NANCY TERESA Educación
universitaria lógica difusa
valuación del estudiante,
Valores sociales, Actitudes.
_
17
Aplicación de la lógica difusa tipo dos en una planta didáctica en control de procesos industriales,
respecto de las variables nivel y flujo
se presenta el uso de la lógica fuzzy tipo 1 y 2 para el control de procesos industriales, así como la implementación en un autómata programable industrial (PLC) y las comparaciones a través de los parámetros de desempeño EFC y IAE.
Gustavo Díaz Jesús López,
Eduardo Caicedo autómata
programable Lógica Difusa
Lógica Difusa tipo2, redes neuronales,
servidor OPC.
MATLAB, RSlink, RSlogix
100
18
Analysis of paradigm of artificial intelligence, model
for inteligent power management
El presente documento muestra la importancia del ahorro energético, así como la necesidad de diseñar modelos inteligentes que ayuden a dar un apoyo a la reducción del problema del consumo excesivo de la energía eléctrica. La herramienta principal para llegar a obtener un modelo inteligente son los paradigmas de inteligencia artificial, los cuales son modelos que se han diseñados para dar solución a muchos otros problemas de la ingeniería, en este caso se enfoca directamente en el tratamiento de datos y la visualización de un sistema para encontrar patrones que ayuden a hacer que el sistema se comporte de una manera adecuada, este comportamiento puede venir de datos previamente evaluados en auditorías eléctricas, o el modelo está diseñado para adquirir nuevos conocimientos de forma que al encontrar un patrón de consumo que no ponga en riesgo la estabilidad de la red eléctrica, este patrón puede ser consultado para hacer que el sistema se comporte igual en el futuro.
Mauricio Martinez
Edgardo Sanatana, Nicolas
Beliz Paradigmas
Inteligencia Artificial
eficiencia energética,
reglas, inferencia.
SCADA
19
Técnicas para la representación del
conocimiento casual: un estudo en Informática Médica
Frecuentemente en la medicina se busca descubrir y representar las relaciones causales entre variables de interés. Con el fin de representar computacionalmente el conocimiento causal se debe recurrir a grafos dirigidos. Existen dos técnicas fundamentales: las redes bayesianas y los mapas cognitivos difusos. En el presente trabajo se comparan ambas técnicas y se muestran la ventajas que presentan los mapas cognitivos difusos. Se sugiere la aplicación de los mapas cognitivos difusos en la medicina. Se muestra un procedimiento para la obtención de modelos causales. Se presenta un estudio de caso donde se muestra la aplicabilidad de la propuesta y las ventajas de los mapas cognitivos en la representación del conocimiento causal en una situación determinada. Se proponen trabajos futuros para extender el uso de los mapas cognitivos difusos.
Mikel Leiva Vásquez
Karina Pérez Teruel, Ailyn Febles, Jorge
Gulín
causalidad Redes
Bayesianas
Mapas Cognitivos
Difusos _
20
Redes bayesianas: una herramienta probabilística en los modelos de distribución
de especies.
Las redes bayesianas son un modelo probabilístico multivariante que permite trabajar con incertidumbre. En general, su aplicación en los modelos de distribución de especies es escasa y centrada en el tratamiento de datos discretos sin aprovechar toda su potencialidad. En este trabajo se estudian las redes bayesianas como una herramienta para resolver distintos problemas en los modelos de distribución de
R.F. Ropero P.A. Aguilera, A.
Fernández, R.Rumi
caracterización Clasificación
estadística multivariante,
modelos gráficos probabilísticos,
regresión
Elvira
101
especies: clasificación, ca-rasterización y regresión. La posibilidad de trabajar con datos discretos y continuos simultáneamente, la variedad de problemas que pueden resolver, y la flexibilidad en la estructura del modelo, convierten a las redes bayesianas en una herramienta apropiada, en los modelos de distribución de especies, en particular y en Macro ecología, en general.
21
Análisis de la productividad mediante Redes bayesianas
PYME desarrolladora de tecnología
Las redes bayesianas (RB) son una herramienta de novedosa aplicación a la gestión de riesgos, en particular para modelar el riesgo operacional. Su uso para medir el riesgo operativo en el sector financiero ha encauzado grandes esfuerzos en desarrollar nuevos métodos de medir este tipo de riesgo que permitan mejorar la gestión interna de los procesos operativos. El aplicar redes bayesianas para modelar el riesgo operacional presenta la oportunidad de incorporar elementos cualitativos como la opinión de expertos en el proceso de seleccionar las variables de interés, definir la estructura del modelo por medio de sus dependencias de causalidad, así como la especificación de las distribuciones a priori y las probabilidades condicionales de cada nodo El objetivo del presente trabajo es aprovechar esta herramienta para poder llevar a cabo el análisis de la productividad de una PYME dedicada al desarrollo de tecnología.
Griselda Dávila
Fernando cruz, Agustín I. Cabrera,
Francisco Ortiz
Redes bayesianas
PYME análisis,
productividad GeNIe
22 Redes Bayesianas aplicadas a un modelo CFD del entorno de un cultivo en invernadero
Los avances en sistemas y recursos informáticos permiten desarrollar modelos para simular el comportamiento de los fluidos en invernaderos. Sin embargo, la predicción de los gradientes de masa y energía, en los invernaderos con el cultivo y ventilación natural, es difícil por la naturaleza estocástica del viento y las relaciones de dependencia entre la temperatura, CO2 y humedad relativa. Existen técnicas heurísticas, como las Redes Bayesianas, que ayudan a conocer las relaciones entre las variables que no pueden determinarse con herramientas estadísticas. El objetivo del presente estudio fue determinar la temperatura, concentración de CO2 y humedad relativa con respecto a la altura del cultivo, en un invernadero con ventilación natural, mediante Redes Bayesianas aplicadas a un modelo de Dinámica de Fluidos
Guillermo de la Torre-Gea
Oscar Delfín, Irineo Torres,
Genaro Zarazúa, Ramón Guevara,
Enrique Rico
CDF Flujo de aire
invernadero, Solanum
lycopersicum, ventilación
natural
ANSYS FLUENT V.14., Elvira
102
Computacional. La Red Bayesiana permitió determinar los espacios del invernadero con condiciones ambientales adversas para el desarrollo del cultivo y los estados climáticos más probables, a partir de las relaciones entre las variables estudiadas.
23
Redes bayesianas aplicadas a las condiciones climáticas al interior de un invernadero
con ventilación Natural
La ventilación natural en invernaderos produce altas tasas de intercambio de aire; sin embargo, este comportamiento se produce cerca de las ventanas, lo que ocasiona un bajo intercambio de aire en la zona central del invernadero, debido a un efecto de estancamiento que reduce la distribución del viento en todo el invernadero. La predicción de los gradientes en un invernadero con ventilación natural es difícil de lograr, debido a la naturaleza inherentemente estocástica del flujo de aire. Las Redes bayesianas son técnicas numéricas de incertidumbre que se pueden utilizar para estudiar este problema. Se obtuvo un conjunto de datos experimentales: temperatura del aire, humedad del aire, velocidad del viento, y concentración de CO2 a uno y tres metros sobre el suelo, en el espacio de cultivo. El conjunto de datos fue discretizado y utilizado para desarrollar un modelo de Red Bayesiana que describe las relaciones entre las variables estudiadas. El modelo muestra las diferencias que nos permitan identificar el grado de dependencia de las variables, así como cuantificar su inferencia.
Alejandra Álvarez López
Oscar Delfín, Enrique Rico,
Guillermo De la Torre
Invernaderos Redes
Bayesianas Ventilación
Natura, clima Elvira
24 El mapa cognitivo en los
procesos de evaluación del aprendizaje
En este artículo se hace una revisión del mapa cognitivo de Reuven Feuerstein como instrumento de evaluación. El objetivo de este artículo, por lo tanto, es el análisis del mapa cognitivo en el marco de la evaluación, las ciencias cognitivas y su pertinencia como herramienta de uso en el aula de clase. Metodología: para el logro de ese objetivo se hizo una amplia revisión de la literatura en torno de la evaluación, la práctica de la calificación, los aportes de las ciencias cognitivas y los avances de la neurociencia, para concluir con el mapa cognitivo y un diseño propuesto para la sistematización de la información de acuerdo con los elementos del mapa cognitivo planteado por Feuerstein. Conclusiones: El mapa cognitivo es una herramienta de evaluación que responde a las necesidades de los estudiantes y al marco conceptual definido y aceptado por la comunidad académica. Las ventajas operativas del mapa cognitivo son evidentes a la luz de los avances del funcionamiento del cerebro y la mente en los procesos de aprendizaje.
William R. Aveñado
Abad E. Parada Mapa cognitivo evaluación aprendizaje, cognición,
neurociencia _
103
25
Mental Modeler: una herramienta de modelado de
mapeo cognitivo de lógica borrosa para gestión ambiental adaptativa
El modelado participativo ha crecido en popularidad en los últimos años con el reconocimiento de que el conocimiento de los interesados es un componente esencial para la toma de decisiones informadas sobre el medio ambiente. Incluir a las partes interesadas en la creación y el análisis de modelos permite a los responsables de la toma de decisiones comprender componentes conceptuales importantes en los sistemas ambientales que se administran, genera confianza y comprensión común entre grupos potencialmente diversos de grupos en competencia y reduce la incertidumbre extrayendo información que de otro modo podría no ser parte de evaluación científica realizada solo por expertos. Sin embargo, actualmente no se cuenta con un software que facilite la integración y el análisis del conocimiento de los interesados en el modelado. En este artículo informamos sobre el diseño y el uso anticipado de una herramienta de modelado participativo basada en el mapeo cognitivo de lógica difusa (FCM) llamada 'Modelador mental' que explicita los modelos mentales de las partes interesadas y brinda la oportunidad de incorporar diferentes tipos de conocimiento en toma de decisiones ambientales, defina las hipótesis que se probarán y ejecute escenarios para determinar los resultados percibidos de las políticas propuestas.
Steven A. Gray Linda J. Cox, Sarah Henly-
Shepard Mental Modeler Mapa cognitivo _ Mental modeler
26 Mapas cognitivos
daprendizaje desde la vivencia espacial
El artículo integra los marcos teóricos de la Geografía de la Percepción y el aprendizaje significativo mediante una secuencia didáctica para la enseñanza de la cartografía en el curso Didáctica de los Estudios Sociales para educación Básica, de la carrera Diplomado en pedagogía con acento en I y II ciclos de la Educación general Básica, Universidad Nacional. El objetivo general se centró en analizar la utilidad del mapa cognitivo en la enseñanza de la cartografía, para contrastar con otros métodos tradicionales. Los resultados revelan que las configuraciones espaciales representadas en los mapas cognitivos se asemejan muy poco a las representaciones cartográficas convencionales, no obstante la metodología implementada produce aprendizaje significativo.
Iliana Araya Ramírez
Xenia Pacheco Soto
Geografía de la Percepción
Aprendizaje significativo
Secuencia didáctica, Mapa
cognitivo, Enseñanza de la
cartografía
_
27 Aplicación de métodos de
decisión multicriterio En este articulo se realizará una revisión delos métodos de decisión multicriterio discretos y de la formulación matemática
Belén Muñoz Manuel G. Roma Método de decisión
estudio informativo
método AHP, método VOKOR
Matlab
104
discretos al análisis de alternativas en estudios
informativos de infraestructuras de transporte
de los mismos. De igual forma, se desarrolla una metodología de decisión basada en la aplicación secuencial en cascada de varios métodos de decisión, la cual, a modo de ejemplo, es aplicada al análisis de alternativas en estudios.
multicriterio discreto
28
LÓGICA DIFUSA PARA LA TOMA DE DECISIONES Y
LA SELECCIÓN DE PERSONAL
Este trabajo de investigación se enfoca en la lógica difusa. Identifica de qué manera sirve para la selección de personal y qué publicaciones relevantes existen acerca de su efectividad en el escenario empresarial. La revisión realizada se llevó a cabo a partir de una búsqueda en bases de datos especializadas. Se encuentra que la fuzzy logic puede ofrecer al proceso de selección de personal algo de certidumbre, en particular en la toma de decisiones que lo acompaña. Puede contribuir también en el proceso de identificación de la persona más adecuada para realizar un conjunto de actividades, de acuerdo, además, con su perfil psicológico. Su uso ayuda, en efecto, a disminuir la ambigüedad y la subjetividad inherentes a la decisión en estos procesos. Esto, dado que los resultados de las pruebas psicométricas y de las entrevistas no son discrecionales, ellas se acompañan, usualmente, de múltiples criterios de asignación de valor.
Ruvalcaba Coyaso
Francisco Javier Lógica Difusa Modelos
Matemáticos
Selección del personal, Toma de decisiones
_
29
Modelo para el análisis de escenarios basado en mapas cognitivos difusos: Estudio de caso en software biomédico
El análisis de escenarios mediante mapas cognitivos difusos constituye un enfoque que, aunque relativamente reciente, ha recibido una creciente atención. Una de las principales dificultades de esta técnica consiste en interpretar de un modo cuantitativo los resultados de la simulación de los distintos escenarios. En el presente trabajo se propone una metodología que hace uso de los operadores OWA sobre la noción de distancia para el ordenamiento de los escenarios. Un caso de estudio es presentado basado en el análisis de los casos de negocio en una organización que desarrolla software para la biomedicina
Maikel Leiva Vásquez
Karina Pérez, Ailyn Febles, Jorge Gulín
Anális de escenarios
mapas cognitivos
difusos
operadores OWA, modelos
causales, software
biomédico
_
105
30
Metodología Para Medir Y Evaluar Las Capacidades De Innovación Tecnológica En
Instituciones Prestadoras De Servicios De Salud Bajo Un Enfoque De Lógica Difusa
El sector servicios en general ha tenido relevancia en los últimos años dada su contribución al desarrollo económico; particularmente respecto a los servicios de salud destacan en la literatura modelos que permiten entender las interacciones entre los agentes que conforman tal sector, así como estudiar la innovación en instituciones prestadoras de servicios de salud. No se han encontrado trabajos que presenten metodologías aplicadas a la evaluación de capacidades de innovación tecnológica en las IPS, que permitan un diagnóstico del estado de tales capacidades y que contribuyan al proceso de toma de decisiones estratégicas para el mejoramiento de la calidad de los servicios prestados. El propósito del presente trabajo es contribuir al desarrollo de tales metodologías, proponiendo una metodología que combina el análisis jerárquico con la ponderación lineal en ambos casos bajo un enfoque difuso para la evaluación de capacidades de innovación tecnológica en IPS.
Juan Carlos Botero Morales
_ análisis
jerárquico ponderacion
lineal
lócica difusa, capacidades de
innovación tecnológica,
istituciones de servicios de
salud.
_
31 Los métodos y procesos
multicriterio para la evaluación
El presente artículo tiene por objeto evidenciar las bondades que el método multicriterio otorga en las evaluaciones científicas que sean consistentes con un marco de racionalidad. Inicia haciendo referencia al método científico a través del cual el hombre trata de entender el mundo, construyendo uno artificial desde la ciencia. A continuación se reflexiona sobre el valor agregado que pueden proporcionar los métodos cualitativos al entregar una visión diferente del mundo, al tomar en consideración variables que no pueden ser expresadas cuantitativamente. Para finalizar se expone el método multicriterio como una herramienta útil para determinar el impacto de acciones a desarrollo sobre la sostenibilidad al incorporar los conflictos que existen entre objetivos económicos, ambientales y sociales, y entre distintos niveles de decisión en las evaluaciones científicas.
Alberto Grajales Quintero
Edgar D. Serrano, Christine Hahn
Método científico Métodos
cualitativos método
multicriterio _
106
32 Lógica difusa, un punto de
vista
La teoría de lógica difusa ha sido utilizada en diferentes áreas, pero fue en ingeniería y específicamente en el área de control donde se hicieron las primeras aplicaciones, permitiendo introducir las percepciones humanas en los procesos reales. En general, los ingenieros no le han dado importancia a sus raíces, por lo que este trabajo examina y compara, a través de diferentes épocas, tanto el pensamiento occidental como el oriental de manera de poder presentar una visión no ingenieril de la lógica difusa. En el análisis se incluye tanto los pensamientos filosóficos de la antigua Grecia y de China, las cuales se desarrollaron en forma paralela aproximadamente 500 años A.C., como la influencia que dichos pensamientos tienen en la forma de razonar y en el comportamiento del ser humano. Las diferencias entre la forma de pensar resaltan el por qué la lógica difusa pudo penetrar de forma más rápida en Asia Oriental que en Occidente. Esta visión es importante y de gran ayuda para todos aquellos que implementan la lógica difusa en diferentes áreas de la ingeniería ya que permite conectar su aplicación con sus fundamentos.
Miguel Strefezza _ Lógica Difusa pensamiento
occidental pensamiento
oriental _
33
Safety and efficacy of non-vitamin K oral anticoagulants
in non-valvular atrial fibrillation: a Bayesian meta-
analysis approach
Introduction: Choosing between different non-vitamin K antagonist oral anticoagulants (NOACs) in non-valvular atrial fibrillation (NVAF) is difficult due to the absence of head to head comparative studies. We performed a Bayesian meta-analysis to explore similarities and differences between different NOACs and to rank treatments overall for safety and efficacy outcomes. Areas covered: Through a systematic literature search we identified randomized controlled Phase III trials of dabigatran, rivaroxaban, apixaban, and edoxaban versus adjusted-dose warfarin in patients with NVAF.
Paolo Verdecchia
Claudia Batolini, Valentina De
Filippo, Adolfo Aita, Letizia
Giacomo, Cristina Poltronieri,
Gregory YH lip, Gianpaolo Reboldi
apixaban _ _
MRC Biostatistics
Unit, Cambridge, UK
34
Network meta-analysis in health psychology and
behavioural medicine: a primer
El progreso en la ciencia y la práctica de la psicología de la salud depende de la síntesis sistemática de la evidencia psicológica cuantitativa. Los metanálisis de estudios experimentales han llevado a avances importantes en la
G.J. Molloy C. Noone, D. Caldwell, N.j
Welton, J.Newell _
107
comprensión de las intervenciones de cambio de comportamiento relacionadas con la salud. Las preguntas fundamentales con respecto a tales intervenciones se han investigado sistemáticamente a través de la síntesis de evidencia experimental relevante usando procedimientos metaanalíticos estándar por pares que proporcionan estimaciones confiables de la magnitud, homogeneidad y posibles sesgos en los efectos observados. Sin embargo, estas síntesis solo proporcionan información sobre si los tipos particulares de intervenciones funcionan mejor que una condición de control o enfoques alternativos específicos. Para aumentar el impacto de la psicología de la salud en la formulación de políticas relacionadas con la salud, es necesaria la evidencia con respecto a la eficacia comparativa de todos los enfoques de intervención relevantes que pueden incluir enfoques biomédicos. Con el desarrollo del metanálisis de red (NMA), dicha evidencia puede ser sintetizado, incluso cuando no existen ensayos directos directos. Sin embargo, se debe tener cuidado en su aplicación para asegurar que se revelen estimaciones confiables de los tamaños del efecto entre las intervenciones. Este artículo de revisión describe la importancia potencial de NMA para la psicología de la salud, cómo funciona la técnica y consideraciones importantes para su aplicación apropiada dentro de la psicología de la salud.
35 Toma de decisiones a través
de la lógica borrosa en el Sector Cooperativo
La presente investigación se realizó debido al cierre de las cooperativas de Ahorro y Crédito en el Ecuador, por lo cual se establece como objetivo principal analizar como la teoría de la lógica borrosa beneficia en el estudio de la toma de decisiones en el sector cooperativo de ahorro y crédito. El presente trabajo está sustentado en la investigación bibliográfica- documental, el mismo que tiene un enfoque mixto y abarca una investigación exploratoria y descriptiva. Para analizar esta metodología se utilizó términos de incidencia que va de 0 a 1 los cuales a su vez, están representados por variables lingüísticas, las metas extraídas de los indicadores aplicadas a las cooperativas se establecieron como niveles medios o que están dentro del término difuso 0.5, y los demás términos difusos se establecieron rangos constantes para cada indicador. Posteriormente se asignó interpretaciones para cada variables lingüística. Ante el problema detectado en el Sector Cooperativo, se propone implementar una matriz a través de la teoría de lógica borrosa con la ayuda de los indicadores financieros con el fin de lograr resultados para mejorar el control administrativo.
Jessica Bonilla Jaime Díaz
Córdova Fuzzy Logic
Toma de decisiones
indicadores financieros, varianles
lingüísticasm sector
cooperativo
_
108
36
Network meta-analysis of treatments for type 2 diabetes mellitus following failure with metformin plus sulfonylurea
Objetivos La eficacia y seguridad de los transportadores ligados a sodio-glucosa (SGLT2) más metformina y sulfonilurea (METþSU) para el tratamiento de la diabetes mellitus tipo 2 (DM2) en pacientes que no logran el control glucémico con METþSU, en comparación con otras terapias triples autorizadas en la UE, fueron estimados. Métodos Se realizó una revisión sistemática de la literatura y un metanálisis de red (NMA) de ensayos controlados aleatorios (ECA) que incluyeron tratamientos antidiabéticos añadidos a METþSU. Conclusión Los inhibidores de SGLT2 son al menos tan efectivos como otras clases de agentes antidiabéticos para controlar los niveles de HbA1c, al tiempo que proporcionan los beneficios adicionales de la pérdida de peso y la reducción de la PAS. Además, dado que el riesgo de hipoglucemia es similar o se reduce con los inhibidores de SGLT2, los pacientes no tienen que sacrificar la eficacia por la tolerabilidad. Se observaron hallazgos similares para los análogos de GLP-1.
G. Lozano Ortega
S. Goring, H.A. Bergenheim, C. Sternhufvud, J.
Mukherjee
_
37
A targeted Bayesian network learning for classification
(Una red Bayesiana dirigida para la clasificación)
Se propone un método de aprendizaje de red bayesiano específico (TBNL) para dar cuenta de un objetivo de clasificación durante la etapa de aprendizaje del modelo de red. El TBNL aproxima la distribución de probabilidad condicional esperada de la variable de clase. Gestiona eficazmente el equilibrio entre la precisión de la clasificación y la complejidad del modelo mediante el uso de un enfoque discriminativo, limitado por las mediciones de la teoría de la información. El enfoque propuesto también proporciona un mecanismo para maximizar la precisión a través de una frontera de Pareto sobre un plano de precisión de complejidad, en casos de datos faltantes en los conjuntos de datos. Un estudio comparativo sobre un conjunto de problemas de clasificación muestra la competitividad del TBNL principalmente con respecto a otros clasificadores gráficos.
A. Gruber I. Ben Gal Clasificadores
bayesianos
compensación de complejidad-
precisión; Teoría de la información
Inteligencia Artificial,
aprendizaje automático, orientado a objetivos
aprendizaje
_
38 Estimating Probabilities of Diabetes Mellitus Using
Los problemas de clasificación se aplican rutinariamente al diagnóstico médico. Este artículo proporciona una
M. Shanker M. Y. Hu & M. S.
Hung Redes
Neuronales Clasificación
diagnostico medico,
109
Neural Networks (Estimación de
probabilidades de diabetes mellitus utilizando redes
neuronales)
introducción a la teoría de la clasificación y destaca la importancia de las probabilidades posteriores en la clasificación. Las probabilidades posteriores corresponden a la probabilidad de que un objeto pertenezca a un grupo. Por lo tanto, estas probabilidades contienen información más útil para un médico que la clasificación en sí misma. Las redes neuronales artificiales se han aplicado con éxito a problemas de clasificación. Este trabajo muestra que no solo se pueden usar las redes neuronales para estimar las probabilidades posteriores, como con otros procedimientos estadísticos tradicionales, como el análisis discriminante y la regresión logística, sino que las estimaciones de las redes neuronales son directas y no están sujetas a distribución. Sin embargo, el principal inconveniente en el uso de estas estimaciones neurales ha sido la ausencia de una medida de confiabilidad. El enfoque bootstrapped se propone y utiliza aquí para construir estimaciones de intervalo para las probabilidades predichas.
Probabilidad posterior
39 Bayesian network classifiers for probability-based metrics
Se ha propuesto una gran cantidad de métricas de distancia para medir la diferencia de dos instancias. Entre estas medidas, la métrica Short y Fukunaga (SFM) y la métrica mínima de riesgo (MRM) son dos métricas basadas en la probabilidad que se utilizan ampliamente para encontrar una distancia razonable entre cada par de instancias con atributos nominales solamente. Para simplificar, las obras existentes usan clasificadores bayesianos (NB) ingenuos para estimar las probabilidades de pertenencia a clases en SFM y MRM. Sin embargo, se ha demostrado que la capacidad de los clasificadores de NB para estimar la probabilidad de clase es pobre. Para escalar el rendimiento de clasificación de los clasificadores NB, se proponen muchos clasificadores NB aumentados. En este artículo, estudiamos el rendimiento de estimación de probabilidad de clase de estos clasificadores de NB aumentados y luego los usamos para estimar las probabilidades de membresía de clase en SFM y MRM. Los resultados experimentales basados en un gran número de conjuntos de datos de la Universidad de California, Irvine (UCI) muestran que el uso de estos clasificadores NB aumentados para estimar las probabilidades de membresía de clase en SFM y MRM puede mejorar significativamente su capacidad de generalización.
Chaoqun Li Hongwei Li Clasificadores de redes bayesianas
métricas basadas en la probabilidad
probabilidad de clase
Estimacion, clasificación,
minería de datos
_
40 Simulation metamodeling with Bayesian networks
Este artículo presenta el uso de redes bayesianas (BN) como una herramienta exploratoria de metamodelado para respaldar
J Pousi J Poropudas, K
Vitanen Redes
bayesianas Bayesian networks,
GeNIe
110
estudios de simulación realizados con modelos de simulación estocástica que contienen múltiples entradas y salidas. Los metamodelos de BN combinan datos de simulación con el conocimiento experto disponible en una descripción no paramétrica de la distribución de probabilidad conjunta de variables aleatorias discretas que representan entradas y salidas de simulación. Las distribuciones de las entradas se determinan con base en el conocimiento experto y / o en una fuente de datos del mundo real, mientras que las distribuciones condicionales de las salidas se estiman a partir de los datos de la simulación. El uso exploratorio de los metamodelos de BN es un proceso iterativo que incluye la construcción y validación de los BN y permite varios análisis que abordan las dependencias entre las entradas y las salidas, la incertidumbre de entrada y el razonamiento inverso. Los resultados de estos análisis se aplican para guiar y ayudar a la utilización e interpretación del modelo de simulación en consideración. Además, los análisis se utilizan para estudiar el comportamiento del sistema simulado. El uso exploratorio se ilustra con un ejemplo que implica una cola simulada.
Simulación de eventos discretos
simulación; metamodelado de simulación;
simulación estocástica
41
Wireless Local Loop Media Modelling using Bayesian
Networks. (Modelado de medios de bucle local inalámbrico
utilizando redes bayesianas)
Este documento se dedica a la modelación de medios teniendo en cuenta la incertidumbre y el conocimiento experto para un sistema de comunicación de bucle local inalámbrico. Las herramientas utilizadas para este propósito entre las variables de un sistema determinado. Permiten tener en cuenta la incertidumbre en un enfoque estadístico.
A. P. Tchagani _ Redes
bayesianas bucle local inalámbrico
Inteligencia Artificial, IA, AI
_
42
A Framework for Generic Object Recognition with
Bayesian Networks (Un marco para el
reconocimiento de objetos genéricos con redes
bayesianas)
Desde que Biederman presentó a la comunidad de visión por computadora una teoría de la comprensión de la imagen humana llamada "reconocimiento por componentes", se ha generado un gran interés en usarla como base para el reconocimiento genérico de objetos. Inspirado por optica, proponemos un marco para el reconocimiento genérico de objetos con múltiples redes bayesianas, donde las redes de objeto, primitiva, predicción y cara se integran con la representación gráfica más comúnmente utilizada en la visión
J. M. Liang J. Q. Liang, Q. L.
Ren Redes
Bayesianas redes de creencias
razonamiento probabilístico, aplicación de
redes bayesianas,
reconocimiento genérico de
objetos
_
111
por computadora para capturar las relaciones causales y probabilísticas entre objetos, primitivas, aspectos, caras y contornos. Basado en el uso de evidencia de verosimilitud, el mecanismo de comunicación entre las redes es simple y eficiente, y los cuatro comportamientos básicos de reconocimiento se realizan en un marco único. Cada red es un agente autónomo, que responde de manera selectiva a los datos del nivel inferior en el contexto de su red principal, y se ocupa de la incertidumbre y controla las tareas de reconocimiento en su nivel correspondiente. Nuestras contribuciones en este artículo son el control dinámico de retroalimentación entre etapas de reconocimiento basadas en redes Bayesianas, el mecanismo de atención que usa funciones de valores basadas en la consistencia y la discriminación, y el unificación de la agrupación incremental, la coincidencia parcial y la indexación multi-clave como un proceso idéntico bajo la predicción para la generación de hipótesis. Nuestros experimentos han demostrado que este nuevo enfoque es más robusto y eficiente que el anterior.
43
Object-Oriented Bayesian Networks for Modeling the Respondent Measurement
Error. (Redes Bayesianas
Orientadas a Objetos para Modelar el Error de Medición
de la Demandada).
En este artículo, las redes bayesianas orientadas a objetos (OOBN) se proponen como una herramienta para modelar errores de medición en una variable categórica debido al encuestado. Se presenta un modelo de error de medición mixto y se introduce una OOBN que implementa dicho modelo. La inserción de evidencia representada por el valor observado y su propagación a lo largo de la red arroja para cada unidad la distribución de probabilidad del valor verdadero dado lo observado. Se usan dos métodos para predecir el valor verdadero individual y su desempeño se evalúa mediante simulación.
Daniela Marella Paola Vicard Redes
bayesianas Errores de medición
Error encuestado
R
44
Type 2 diabetes and cognitive dysfunction in
minorities: a review of the literature.
(Diabetes tipo 2 y disfunción cognitiva en minorías: una
revisión de la literatura)
El propósito de esta revisión fue resumir el estado actual del conocimiento sobre la disfunción cognitiva y la diabetes en las minorías. La literatura sobre la interacción de la disfunción cognitiva y la diabetes se analizó para (a) examinar el número y las características de los estudios en poblaciones minoritarias; (b) identificar las pruebas utilizadas para evaluar la función cognitiva en la diabetes; (c) considere el impacto de
Heather E. Cuevas
_ Diabetes tipo 2 cognitive
dysfunction salud minoritaria _
112
la diabetes en la función cognitiva; y (d) evaluar a los moderadores de la asociación entre la diabetes y la función cognitiva. Dado el contexto de la salud de las minorías, existe un potencial de mayor impacto negativo en la salud debido a la mayor prevalencia de la diabetes y la disfunción cognitiva y otras disparidades de salud relacionadas. La reducción de los factores de riesgo fisiológicos para la diabetes, la consistencia en la evaluación, así como la eliminación de las barreras estructurales, como el acceso a la atención, deberían ser útiles para disminuir la incidencia tanto de la diabetes como del deterioro cognitivo. Se necesita más investigación para determinar si las diferencias observadas son modificables e identificar los factores implicados en la interacción de la diabetes y el deterioro cognitivo, no solo factores fisiológicos, pero factores relacionados con el estado socioeconómico y la calidad de vida.
45
Network meta-analysis in health psychology and
behavioural medicine: a primer.
(Metanálisis de red en psicología de la salud y
medicina conductual: una cartilla).
El progreso en la ciencia y la práctica de la psicología de la salud depende de la síntesis sistemática de la evidencia psicológica cuantitativa. Los metanálisis de estudios experimentales han llevado a avances importantes en la comprensión de las intervenciones de cambio de comportamiento relacionadas con la salud. Las preguntas fundamentales con respecto a tales intervenciones se han investigado sistemáticamente a través de la síntesis de evidencia experimental relevante usando procedimientos metaanalíticos estándar por pares que proporcionan estimaciones confiables de la magnitud, homogeneidad y posibles sesgos en los efectos observados. Sin embargo, estas síntesis solo proporcionan información sobre si los tipos particulares de intervenciones funcionan mejor que una condición de control o enfoques alternativos específicos. Para aumentar el impacto de la psicología de la salud en la formulación de políticas relacionadas con la salud, es necesaria la evidencia con respecto a la eficacia comparativa de todos los enfoques de intervención relevantes que pueden incluir enfoques biomédicos. Con el desarrollo del metanálisis de red (NMA), dicha evidencia puede ser sintetizado, incluso cuando no existen ensayos directos directos. Sin embargo, se debe tener cuidado en su aplicación para asegurar que se revelen estimaciones confiables de los tamaños del efecto entre las intervenciones. Este artículo de revisión describe la importancia potencial de NMA para la psicología de la salud, cómo funciona la técnica y consideraciones importantes para su aplicación apropiada dentro de la psicología de la salud.
G. J. Molloy
C. Noone, D. Caldwell, N. J.
Welton & J. Newell
Síntesis de evidencia
formulación de políticas
metaanálisis; cambio de
comportamiento de salud.
Gibbs Sampling (BUGS) software
113
46 On generating high InfoQ with Bayesian networks
Los números no son datos y el análisis de datos no necesariamente genera información y conocimiento. Las estadísticas, la extracción de datos y la inteligencia artificial son disciplinas centradas en la extracción de conocimiento de los datos. Proporcionan herramientas para probar hipótesis, predecir nuevas observaciones, cuantificar los efectos de la población y resumir datos de manera eficiente. En estos campos, los datos cuantitativos y cualitativos se utilizan para obtener conocimiento. Kenett y Shmueli definen el concepto de calidad de la información (InfoQ) como el potencial de un conjunto de datos para alcanzar un objetivo específico (científico o práctico) utilizando un método de análisis de datos determinado. Ocho dimensiones ayudan a evaluar el nivel de InfoQ de un estudio. Estos son: Resolución de Datos, Estructura de Datos, Integración de Datos, Relevancia Temporal, Generalizabilidad, Cronología de Datos y Meta, Operacionalización y Comunicación. Esta papel muestra con ejemplos, cómo la combinación de análisis gráfico con análisis bayesiano en forma de redes bayesianas genera alto InfoQ. Específicamente, nos referimos a ejemplos de encuestas a clientes de compañías de alta tecnología, gestión de riesgos de sistemas de telecomunicaciones, monitoreo de biorreactores y gestión de atención médica de pacientes diabéticos. Estos ejemplos respaldan la afirmación más general hecha aquí de que las redes bayesianas generan alta calidad de información (InfoQ).
Ron S. Kenett _ Calidad de la información
Redes Bayesianas
InfoQ, aplicación de redes
bayesianas
GeNIe (Graphical Network
Interface),
47
Systemic methodology for risks evaluation and
management in the energy and mining sectors
(SYSMEREM-EMS) using bayesian networks.
(Metodología sistémica para la evaluación y gestión de riesgos en los sectores de
energía y minería (SYSMEREM-EMS)
utilizando redes bayesianas).
El propósito del trabajo fue mostrar una metodología sistémica para la evaluación y gestión de riesgos en los sectores de energía y minería (SYSMEREM-EM) y su aplicación en el contexto peruano. Para este propósito, este documento muestra la combinación de enfoques sistémicos y tecnología de inteligencia artificial. Por lo tanto, para el modelado de procesos de las cadenas de valor en ambos sectores, se utilizó la Metodología de Sistemas Blandos (SSM); para la elucidación de las causalidades de riesgos incrustadas en eventos peligrosos existentes en los procesos, se usaron diagramas causales de System Dynamics; y para la evaluación y gestión de los riesgos, la aplicación de sistemas expertos de redes bayesianas para la toma de decisiones fue el enfoque utilizado. Estas tres técnicas se usaron, en esta secuencia, dentro de un marco general. El documento finaliza con algunos comentarios sobre las lecciones aprendidas y recomendaciones para futuras investigaciones.
Ricardo Rodriguez Ulloa
_ Evaluación de
riesgos y administración
Soft Systems Metodología
(SSM)
Evaluación de riesgos y
administración; Soft Systems Metodología
(SSM); Sistema Redes
bayesianas, sector
energético, minería
sector,sistemas expertos
_
114
48
Stabilization of Rössler chaotic dynamical system using fuzzy logic control
algorithm
Este artículo propone un algoritmo de control de lógica difusa (FLCA) para estabilizar el sistema dinámico caótico Rössler. El sistema de control de lógica difusa se basa en un motor de inferencia Takagi-Sugeno-Kang y el análisis de estabilidad en el sentido de Lyapunov se lleva a cabo utilizando el método directo de Lyapunov. La nueva FLCA está formulada para ofrecer condiciones de estabilidad de desigualdad suficientes. La complejidad asintótica de nuestro algoritmo se analiza y se comprueba que es menor en comparación con la de las FLCA lineales basadas en la desigualdad de matrices. Un conjunto de resultados de simulación ilustra la efectividad de la FLCA propuesta.
Radu-Emil Precup
Marius-Lucian Tomescu &
Claudia-Adina Dragos
complejidad asintótica
fuzzy logic control
algorithm, algoritmo de
control de lógica difusa
El método directo de
Lyapunov, El sistema
dinámico caótico de Rössler;
estabilización
_
49
Use of Fuzzy Logic Based Decision Support Systems in
Medicine. (Uso de sistemas de soporte
de decisión basados en lógica difusa en medicina)
La complejidad de los problemas que se enfrentan en el proceso de toma de decisiones de las personas puede revelar una variedad de desafíos en el proceso de solución. La creciente complejidad de los eventos enfrentados hace que la toma de decisiones sea más difícil. Por lo tanto, recientemente, se ha producido una tendencia en las tecnologías avanzadas, como los sistemas de apoyo a las decisiones (DSS). DSS ofrece soluciones alternativas con una perspectiva flexible y objetiva a los investigadores en diversos campos, particularmente en los campos de la medicina y las ciencias de la vida. DSS se puede diseñar utilizando métodos basados en la inteligencia artificial como la lógica difusa (FL) y las redes neuronales artificiales (ANN). Hoy en día, los DSS de lógica difusa en el campo médico, como el diagnóstico de la enfermedad, la determinación del tratamiento apropiado, los costos, etc., incluidos los problemas para tomar decisiones clínicas, son ampliamente utilizados y aplicados con éxito. En este estudio, se han introducido DSS basados en FL, y se han proporcionado diferentes aplicaciones utilizadas en el campo de la medicina. La medida de la se determinó que el nivel de éxito de los DSS basados en FL era del noventa por ciento. El DSS basado en FL ha proporcionado una contribución significativa al diagnóstico de la enfermedad en los estudios examinados.
Ozkan Gorgulu Asli Akilli Inteligencia
artificial Diagnóstico de
enfermedad
Sistemas expertos, Fuzzy Set, Sistemas inteligentes
DSS
50 IDENTIFIABILITY IN CAUSAL BAYESIAN
En este artículo describimos una estructura importante utilizada para modelar teorías causales y un problema
Marco Valtorta Yimin Huang Redes
bayesianas IA
115
NETWORKS: A GENTLE INTRODUCTION
relacionado de gran interés para los científicos semiempíricos. Una red bayesiana causal es un par que consiste en un gráfico acíclico dirigido (llamado gráfico causal) que representa relaciones causales y un conjunto de tablas de probabilidades, que junto con el gráfico especifican la probabilidad conjunta de las variables representadas como nodos. En el gráfico Brevemente describimos la semántica probabilística de la causalidad propuesta por Pearl para este modelo gráfico probabilístico, y cómo las variables no observables complican enormemente los modelos y su aplicación. Una pregunta común sobre las redes bayesianas causales es el problema de identificar los efectos causales a partir de datos no experimentales, lo que se denomina problema de identificabilidad. En la versión básica de este problema, un científico semiempírico postula un conjunto de mecanismos causales y los utiliza, junto con una distribución de probabilidad en el conjunto observable de variables en un dominio de interés, para predecir el efecto de una manipulación sobre alguna variable de interés. Explicamos este problema, proporcionamos varios ejemplos y dirigimos a los lectores a trabajo reciente que proporciona una solución al problema y algunas de sus extensiones. Suponemos que la estructura de la red bayesiana se nos da y no aborda el problema de aprenderla a partir de los datos y las cuestiones de inferencia y pruebas estadísticas relacionadas.
Redes Bayesianas Casuales
51
A ROUGH SET/FUZZY LOGIC BASED DECISION
MAKING SYSTEM FOR MEDICAL APPLICATIONS
Se propone un método para elaborar modelos de pronóstico de estados de enfermedad. La técnica usa conjuntos aproximados para extraer reglas de una base de datos. Los datos se reformatean en una plantilla de lógica difusa y un algoritmo de aprendizaje para ajustar las funciones de membresía del conjunto difuso. El método se aplica al problema de POSCH, que analiza los factores de riesgo asociados con la progresión de la enfermedad arterial coronaria. Los datos de POSCH tienen varios inconvenientes, incluidos un número limitado de casos, entradas correlacionadas, así como ruido en las entradas y los resultados. El problema fue predecir la progresión de la aterosclerosis en la LAD tres años después de la basetina según los datos fisiológicos disponibles al inicio del estudio. El método propuesto roughlhuy set predecía con precisión la progresión de la enfermedad aterosclerótica en el 69% de los pacientes, que es estadísticamente mejor que la red neuronal, el conjunto aproximado y los modelos logísticos realizados.
GARY T. ANDERSON
JU ZHENG , RICHARD
WYETH , ALAN JOHNSON , JOE BISSETT & THE POSCH GROUP
Fuzzy Logic conjuntos ásperos
Redes neuronales;
algoritmos de aprendizaje
SAS
116
52
Application of Bayesian networks for hazard ranking of nanomaterials to support
human health risk assessment.
(Aplicación de redes bayesianas para el peligro
clasificación de nanomateriales para apoyar
la evaluación de riesgos de la salud humana)
En este estudio, se desarrolló una red Bayesiana (BN) para la predicción del potencial de peligro y efectos con enfoque en los nanomateriales de óxido de metal y metal para apoyar el riesgo para la salud humana evaluación. El BN desarrollado captura las (inter) relaciones entre la ruta de exposición, los nanomateriales propiedades fisicoquímicas y los últimos efectos biológicos de una manera holística y fue en base a la consulta de expertos internacionales y la literatura científica (por ejemplo, datos in vitro / in vivo). El BN fue validado con datos independientes extraídos de estudios publicados y la precisión de la predicción del potencial de peligro de los nanomateriales fue del 72% y del efecto biológico del 71%, respectivamente. La aplicación del BN se muestra con estudios de escenarios para los nanomateriales de TiO2, SiO2, Ag, CeO2, ZnO. Está demostrado que el BN puede ser utilizado por diferentes partes interesadas en varias etapas de la evaluación de riesgos para predecir ciertas propiedades de un nanomaterial del cual hay poca información disponible o priorizar los nanomateriales para una mayor detección.
Hans J. P. Marvin
Yamine Bouzembrak,
Esmée M. Janssen, Meike vander Zande,
Finbarr Murphy, Barry Sheehan, Martin Mullins &
Hans Bouwmeester
Redes Bayesianas
nanomateriales metálicos
estudios de escenarios,
Evaluación de riesgos,
elicitación experta
Hugin 8.3
117