Ítem
Acceso Abierto
Machine learning in the loop for tuberculosis diagnosis support
Título de la revista
Autores
Orjuela-Cañón, Alvaro D
Jutinico, Andrés L
Awad, Carlos
Vergara, Erika
Palencia, Angélica
Fecha
2022-02-16
Directores
ISSN de la revista
Título del volumen
Editor
Buscar en:
Métricas alternativas
Resumen
El uso del aprendizaje automático (AA) para el apoyo al diagnóstico ha avanzado en el campo de la salud. En este artículo, se presentan los resultados del estudio de técnicas de AA en un proceso de diagnóstico de tuberculosis en un escenario de recursos limitados. Se analizan datos de un programa de tratamiento de tuberculosis (TB) en una institución de salud de una ciudad principal de un país en desarrollo, utilizando cinco modelos de AA. Regresión logística, árboles de clasificación, bosques aleatorios, máquinas de vectores de soporte y redes neuronales artificiales se entrenan bajo la supervisión de médicos, siguiendo su práctica diaria habitual. Los modelos se entrenan con siete variables principales recopiladas al ingreso de los pacientes al centro. Además, se analizan las variables utilizadas para entrenar los modelos y se discuten sus ventajas y limitaciones en el contexto de las técnicas automatizadas de AA. Los resultados muestran que las redes neuronales artificiales obtienen los mejores resultados en términos de precisión, sensibilidad y área bajo la curva ROC. Estos resultados representan una mejora con respecto a la microscopía de frotis, técnica comúnmente utilizada para detectar TB en casos especiales. Los hallazgos demuestran que el aprendizaje automático en el ciclo de diagnóstico de la tuberculosis puede reforzarse con los datos disponibles para servir como una herramienta de diagnóstico alternativa basada en el procesamiento de datos en lugares donde la infraestructura sanitaria es limitada
Abstract
The use of machine learning (ML) for diagnosis support has advanced in the field of health. In the present paper, the results of studying ML techniques in a tuberculosis diagnosis loop in a scenario of limited resources are presented. Data are analyzed using a tuberculosis (TB) therapy program at a health institution in a main city of a developing country using five ML models. Logistic regression, classification trees, random forest, support vector machines, and artificial neural networks are trained under physician supervision following physicians’ typical daily work. The models are trained on seven main variables collected when patients arrive at the facility. Additionally, the variables applied to train the models are analyzed, and the models’ advantages and limitations are discussed in the context of the automated ML techniques. The results show that artificial neural networks obtain the best results in terms of accuracy, sensitivity, and area under the receiver operating curve. These results represent an improvement over smear microscopy, which is commonly used techniques to detect TB for special cases. Findings demonstrate that ML in the TB diagnosis loop can be reinforced with available data to serve as an alternative diagnosis tool based on data processing in places where the health infrastructure is limited.
Palabras clave
Diagnóstico de tuberculosis , Aprendizaje automático , Análisis de relevancia , Aprendizaje automático iterativo , Sistemas de apoyo al diagnóstico
Keywords
Tuberculosis diagnosis , Machine learning , Relevance analysis , Machine learning in the loop , Diagnosis support systems
