Minería de Datos para la Detección de Factores de Influencia en el Test Apgar
Resumen
En este trabajo se aplicaron técnicas de minería de datos para clasificar los valores del test de Apgar en los nacimientos ocurridos en el hospital público Justo José de Urquiza entre los años 2009 y 2017. Se aplicaron técnicas de selección de atributos para reducir la dimensionalidad en la vista minable, se realizaron experimentos con tres algoritmos de balanceo de clases: Class Balancer, SMOTE y Spread Sub Sampled; y se aplicaron tres modelos de clasificación basados en árboles de decisión: J48, REP Tree y Random Tree. Se compararon los resultados mediante métricas como TP-Rate, F-Score y matriz de confusión obteniendo mejores resultados con la combinación de Class Balancer y Random Tree. Entre los principales factores resultantes de aplicar el modelo de clasificación se encuentran: la aplicación de oxitócicos durante el trabajo de parto, la posición del niño al nacer, el peso y la edad gestacional del recién nacido.
Citas
O. P. d. l. S. OPS, “Información y análisis de salud situación de salud en las américas: Indicadores básicos,” Washington, DC, vol. 2017, 2017.
H. A. Thorngern-Jerneck K, “Low 5-minute apgar score: a population based register study of 1 million term births,” in Am College Obstetr Gynecol, 2001, p 65–70.
S. Lai and S. Kumar, “Perinatal risk factors for low and moderate five-minute apgar scores at term,” European Journal of Obstetrics and Gynecology and Reproductive Biology, vol. 2017, 2017.
U. Fayyad, G. Piatetsky-Shapiro, and P. Smyth, “From data mining to knowledge discovery in databases,” AI magazine, vol. 17, no. 3, p. 37, 1996.
S. Monserrat and O. Chiotti, “Minería de datos en base de datos de servicios de salud,” Congreso Nacional de Ingeniería Informática Sistemas de Información, 2013.
J. Hernández Orallo, C. Ferri Ramirez, and M. J. Ramirez Quintana, Introducción a la Minería de Datos. Pearson Prentice Hall„ 2004.
A. De Battista, P. Cristaldo, L. Ramos, J. P. Nuñez, S. Retamar, D. Bouzenard, and N. E. Herrera, “Minería de datos aplicada a datos masivos,” in XVIII Workshop de Investigadores en Ciencias de la Computación (WICC 2016, Entre Ríos, Argentina), 2016.
C. C. Aggarwal, Data Classification: Algorithms and Applications, 1st ed. Chapman & Hall/CRC, 2014.
H. J. H. Gómez, “Aplicación de minería de datos a información de pacientes prediabéticos,” Revista Iberoamericana de Producción Académica y Gestión Educativa, vol. 1, no. 1, 2014.
R. R. López and C. S. D. W. Clegg, “El cambio climático y sus consecuencias en el desarrollo socioeconómico de la ciudad de México,” 2010.
P. G. C. y A. Meza Mendoza, “Estudio de minería de datos para la información de mortalidad en México,” Universidad Nacional Autónoma de México, 2012.
V. Apgar, “A proposal for a new method of evaluation of the newborn,” Classic Papers in Critical Care, vol. 32, no. 449, p. 97, 1952.
B. M. Casey, D. D. McIntire, and K. J. Leveno, “The continuing value of the apgar score for the assessment of newborn infants,” New England Journal of Medicine, vol. 344, no. 7, pp. 467–471, 2001.
E. A. Moore, F. Harris, K. R. Laurens, M. J. Green, S. Brinkman, R. K. Lenroot, and V. J. Carr, “Birth outcomes and academic achievement in childhood: A population record linkage study,” Journal of Early Childhood Research, vol. 12, no. 3, pp. 234–250, 2014.
C. del Uruguay, “Indicadores de natalidad en,” 2016.
M. A. Hall, “Correlation-based feature subset selection for machine learning,” Thesis submitted in partial fulfillment of the requirements of the degree of Doctor of Philosophy at the University of Waikato, 1998.
M. A. Hall and G. Holmes, “Benchmarking attribute selection techniques for data mining,” 2000.
M. A. Hall, “Correlation-based feature subset selection for machine learning,” Thesis submitted in partial fulfillment of the requirements of the degree of Doctor of Philosophy at the University of Waikato, 1998.
H. Liu, R. Setiono et al., “A probabilistic approach to feature selection-a filter solution,” in ICML, vol. 96. Citeseer, 1996, pp. 319–327.
K. Kira and L. A. Rendell, “A practical approach to feature selection,” in Machine Learning Proceedings 1992. Elsevier, 1992, pp. 249–256.
A. Orriols and E. Bernadó-Mansilla, “The class imbalance problem in learning classifier systems: a preliminary study,” in Proceedings of the 7th annual workshop on Genetic and evolutionary computation. ACM, 2005, pp. 74–78.
A. León Pérez and E. Y. Yglesias, “Factores relacionados con el Apgar bajo al nacer,” Revista Cubana de Obstetricia y Ginecología, vol. 36, pp. 25 – 35, 03 2010.
A. Laffita B, “Factores que influyen en el Apgar bajo al nacer, en el hospital América de La Habana, CUBA, 2000,” Revista chilena de obstetricia y ginecología, vol. 70, pp. 359 – 363, 00 2005.
J. M. Pérez, B. L. Cobián, and C. M. Silva, “Maternal risk factors and premature birth in a public hospital at west of Mexico”, Ginecología y obstetricia de Mexico, vol. 72, pp. 142–149, 2004.
