Un equipo de investigadores de la Facultad de Ciencias de Rabat, perteneciente a la Universidad Mohammed V, está explorando avanzadas técnicas de aprendizaje automático y aprendizaje profundo para mejorar la detección de enfermedades crónicas y trastornos tiroideos. Estas patologías, incluyendo enfermedades cardiovasculares, diabetes, enfermedades renales crónicas y trastornos tiroideos, representan las causas más importantes de mortalidad prematura en el mundo.
El estudio emplea una serie de modelos predictivos como la regresión logística, bosques aleatorios, árboles de decisión, redes neuronales, y árboles potenciados por gradiente. Todo esto es para analizar y predecir los resultados de la enfermedad a través de diferentes conjuntos de datos relacionados con enfermedades del corazón, diabetes, enfermedades renales crónicas y trastornos tiroideos. Los procesos de preparación de datos incluían la gestión de valores perdidos, codificación de variables categóricas y agregación de características.
En cuanto a los resultados obtenidos, los modelos de métodos de ensamblaje, especialmente Bosques Aleatorios y Árboles Potenciados por Gradiente, demostraron tener un rendimiento superior en comparación con otros enfoques. Las redes neuronales también se destacaron en su capacidad para captar patrones complejos dentro de los datos.
El equipo utilizó métricas de rendimiento detalladas como la precisión, el recuerdo, la exactitud, la puntuación F1 y el área bajo la curva (AUC) para evaluar la importancia de cada modelo. Con un rendimiento sobresaliente, los métodos Basados en Conjuntos consistentes superaron a los demás modelos, validando así su uso en contextos donde la precisión es esencial.
Esta exploración es parte de un proyecto de Big Data dirigida por los profesores Abderrahmane EZ-ZAHOUT y Abdessamad ESSAIDI, mostrando el poder transformador del aprendizaje automático y profundo en el ámbito de la salud. Sin embargo, hay desafíos subyacentes, como la calidad de los datos y la interpretabilidad del modelo, que deben ser tratados para una implementación eficiente.
Mirando hacia adelante, la integración de estas tecnologías promete revolucionar el diagnóstico temprano de enfermedades crónicas, permitiendo diagnósticos más precisos y tratamientos personalizados, reduciendo así la carga de estas condiciones en el sistema de salud.