Ítem
Acceso Abierto
Machine learning in the loop for tuberculosis diagnosis support
| dc.creator | Orjuela-Cañón, Alvaro D | |
| dc.creator | Jutinico, Andrés L | |
| dc.creator | Awad, Carlos | |
| dc.creator | Vergara, Erika | |
| dc.creator | Palencia, Angélica | |
| dc.date.accessioned | 2025-11-12T20:20:58Z | |
| dc.date.available | 2025-11-12T20:20:58Z | |
| dc.date.created | 2022-02-16 | |
| dc.date.issued | 2022-07-26 | |
| dc.description | 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 | |
| dc.description.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. | |
| dc.format.extent | 10 pp | |
| dc.format.mimetype | application/pdf | |
| dc.identifier.doi | https://doi.org/10.3389/fpubh.2022.876949 | |
| dc.identifier.uri | https://repository.urosario.edu.co/handle/10336/46930 | |
| dc.language.iso | eng | |
| dc.rights | Attribution-NonCommercial-ShareAlike 4.0 International | * |
| dc.rights.accesRights | info:eu-repo/semantics/openAccess | |
| dc.rights.acceso | Abierto (Texto completo) | spa |
| dc.rights.licencia | EL AUTOR, manifiesta que la obra objeto de la presente autorización es original y la realizó sin violar o usurpar derechos de autor de terceros, por lo tanto la obra es de exclusiva autoría y tiene la titularidad sobre la misma. PARGRAFO: En caso de presentarse cualquier reclamación o acción por parte de un tercero en cuanto a los derechos de autor sobre la obra en cuestión, EL AUTOR, asumirá toda la responsabilidad, y saldrá en defensa de los derechos aquí autorizados; para todos los efectos la universidad actúa como un tercero de buena fe. EL AUTOR, autoriza a LA UNIVERSIDAD DEL ROSARIO, para que en los términos establecidos en la Ley 23 de 1982, Ley 44 de 1993, Decisión andina 351 de 1993, Decreto 460 de 1995 y demás normas generales sobre la materia, utilice y use la obra objeto de la presente autorización. -------------------------------------- POLITICA DE TRATAMIENTO DE DATOS PERSONALES. Declaro que autorizo previa y de forma informada el tratamiento de mis datos personales por parte de LA UNIVERSIDAD DEL ROSARIO para fines académicos y en aplicación de convenios con terceros o servicios conexos con actividades propias de la academia, con estricto cumplimiento de los principios de ley. Para el correcto ejercicio de mi derecho de habeas data cuento con la cuenta de correo habeasdata@urosario.edu.co, donde previa identificación podré solicitar la consulta, corrección y supresión de mis datos. | spa |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/4.0/ | * |
| dc.source.bibliographicCitation | Panch T, Szolovits P, Atun R. Artificial intelligence, machine learning and health systems. J Glob Health. (2018) 8:020303. doi: 10.7189/jogh.08.020303 | |
| dc.source.bibliographicCitation | Witten IH, Frank E, Hall MA, Pal CJ. Data Mining: Practical Machine Learning Tools and Techniques. New York, NY, USA: Morgan Kaufmann (2016). | |
| dc.source.bibliographicCitation | Annabel B, Anna D, Hannah M. Global Tuberculosis Report 2019. Geneva: World Heal Organ (2019). | |
| dc.source.bibliographicCitation | Fogel N. Tuberculosis: a disease without boundaries. Tuberculosis. (2015) 95:527–31. doi: 10.1016/j.tube.2015.05.017 | |
| dc.source.bibliographicCitation | Wahl B, Cossy-Gantner A, Germann S, Schwalbe NR. Artificial intelligence (AI) and global health: how can AI contribute to health in resource poor settings? BMJ Glob Heal. (2018) 3:e000798. doi: 10.1136/bmjgh-2018- 000798 | |
| dc.source.instname | instname:Universidad del Rosario | spa |
| dc.source.reponame | reponame:Repositorio Institucional EdocUR | spa |
| dc.subject | Diagnóstico de tuberculosis | |
| dc.subject | Aprendizaje automático | |
| dc.subject | Análisis de relevancia | |
| dc.subject | Aprendizaje automático iterativo | |
| dc.subject | Sistemas de apoyo al diagnóstico | |
| dc.subject.keyword | Tuberculosis diagnosis | |
| dc.subject.keyword | Machine learning | |
| dc.subject.keyword | Relevance analysis | |
| dc.subject.keyword | Machine learning in the loop | |
| dc.subject.keyword | Diagnosis support systems | |
| dc.title | Machine learning in the loop for tuberculosis diagnosis support | |
| dc.type | journalArticle | |
| dc.type.hasVersion | info:eu-repo/semantics/publishedVersion | |
| dc.type.spa | Artículo |
Archivos
Bloque original
1 - 1 de 1
Cargando...
- Nombre:
- Machine_learning_in_the_loop_for_tuberculosis_Orjuela_Cañón_Alvaro_D.pdf
- Tamaño:
- 987.97 KB
- Formato:
- Adobe Portable Document Format
- Descripción:
