Predicción de la Efectividad de las Pruebas Rápidas Realizadas a Pacientes con COVID-19 mediante Regresión Lineal y Random Forest

Ecuadorian Science

View Publication Info
 
 
Field Value
 
Title Predicción de la Efectividad de las Pruebas Rápidas Realizadas a Pacientes con COVID-19 mediante Regresión Lineal y Random Forest
Predicting the Effectiveness of Rapid Tests Performed to Patients with COVID-19 through Linear Regression and Random Forest
 
Creator Patiño Pérez, Darwin
Munive Mora, Celia
Cevallos-Torres, Lorenzo
Botto-Tobar, Miguel
 
Subject COVID-19
Machine Learning
Linear Regression
Random Forest
Prediction
COVID-19
Machine Learning
Regresión Lineal
Random Forest
Predicción
 
Description En el transcurso del tiempo el mundo ha necesitado del conocimiento y la perseverancia de los seres humanos para poder solucionar cualquier problemática que se le presente. Como, por ejemplo, ¿en qué proporción está el aumento de infectados por COVID-19 en todo el planeta? Con la ayuda de enfoques no clínicos y tecnologías modernas como la minería de datos, inteligencia aumentada y técnicas de inteligencia artificial, se ha logrado agilizar la enorme carga de trabajo en los sistemas de salud y al mismo tiempo brindar los mejores medios posibles para el diagnóstico y pronóstico de pacientes con covid-19 de manera efectiva. En este estudio, se implementó un modelo matemático para la predicción de la efectividad de las pruebas rápidas a las que se someten las personas posiblemente infectadas y definir cuál es el comportamiento epidemiológico causado por SARS-CoV2 (COVID-19). Para determinar el tipo de modelo a utilizar se aplicaron dos algoritmos, el de Regresión Lineal y el de Bosque Aleatorio o Random Forest, a un conjunto de datos utilizando el lenguaje de programación Python. Posteriormente se realizarán las pruebas necesarias para verificar la efectividad de cada una de ellos. Una vez definido el modelo y después de haber realizado el debido entrenamiento de este, se realizará la predicción de un número mínimo y máximo de las pruebas rápidas utilizadas en los pacientes que se encuentran infectados con COVID-19, identificando cuál de las pruebas rápidas es la más utilizada y cuál es la más efectiva. 
The rapid spread of SARS-CoV2 (COVID-19) has caused a collapse of health systems worldwide, so a strategy to control the spread is the timely detection of the virus through rapid tests, which allows acting and thus giving a timely treatment that reduces its spread. With the help of artificial intelligence techniques, within the subfield of machine learning or machine learning, there have been significant advances that allow speeding up the analysis of large volumes of data. This study aims to determine the effectiveness of rapid tests in detecting covid-19, using machine learning, applying a methodology that involves the creation of linear regression and Random Forest models with the Python programming language. In the methodology used, the models were created, which were then defined and trained, and after performing the tests and predictions, the validation metrics determined the precision and effectiveness of these models. From the results obtained, it is concluded that the random forest model is good since it provided a precision of 61%, but with the linear regression model, it was determined that it has a precision level of approximately 90%, so finally, with these results, health professionals will be able to make reliable predictions regarding the effectiveness of rapid tests as a mechanism that will help to quickly detect the presence of the virus and thus reduce the spread of the virus.
 
Publisher GDEON Editorial
 
Date 2021-09-30
 
Type info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
 
Format application/pdf
 
Identifier https://journals.gdeon.org/index.php/esj/article/view/108
10.46480/esj.5.2.108
 
Source Ecuadorian Science Journal; Vol. 5 Núm. 2 (2021): Septiembre; 31-43
Ecuadorian Science Journal; Vol 5 No 2 (2021): September; 31-43
2602-8077
 
Language spa
 
Relation https://journals.gdeon.org/index.php/esj/article/view/108/129
 
Rights Copyright (c) 2021 DARWIN PATINO
https://creativecommons.org/licenses/by-nc-nd/4.0
 

Contact Us

The PKP Index is an initiative of the Public Knowledge Project.

For PKP Publishing Services please use the PKP|PS contact form.

For support with PKP software we encourage users to consult our wiki for documentation and search our support forums.

For any other correspondence feel free to contact us using the PKP contact form.

Find Us

Twitter

Copyright © 2015-2018 Simon Fraser University Library