Base de conocimientos

Base de conocimientos en forma de
Reglas básicas “SI… ENTONCES…”
que se puede implementar fácilmente en el sistema de soporte de decisiones.

Selección de enfermedades

Basándose en estadísticas y datos actuales de las principales organizaciones sanitarias, como la Organización Mundial de la Salud (OMS, https://www.cdc.gov/nndss/index.html acceso el día 23 de febrero de 2024) a través de su Observatorio de Salud Global (GHO), los Centros para el Control y la Prevención de Enfermedades (CDC, https://www.cdc.gov/nndss/index.html, acceso antes del día 23 de febrero de 2024) a través del Sistema Nacional de Vigilancia de Enfermedades de Declaración Obligatoria (NNDSS) y el Centro Europeo para la Prevención y el Control de Enfermedades (ECDC, https://atlas.ecdc.europa.eu/public/index.aspx (acceso antes del 23 de febrero de 2023) a través de su Atlas de Vigilancia de Enfermedades Infecciosas, hemos identificado 22 enfermedades para su análisis y seguimiento concentrados en el marco de este proyecto. Estas enfermedades han sido seleccionadas en función de su impacto significativo en la salud mundial, su prevalencia y las tendencias observadas en datos recientes, asegurando así que nuestro sistema esté equipado para manejar enfermedades infecciosas que representan amenazas para las operaciones marítimas.

Lista de enfermedades seleccionadas
Varicela	Paperas
Chikunguña	Norovirus
Colera	Tos ferina
COVID-19	Rabia
Dengue	Rubeola
Difteria	Tetanos
Ëbola	Tuberculosis
Mononucleosis infecciosa	Fiebre tifoidea y paratifoidea
Gripe	Hepatitis A
Malaria	Fiebre amarilla
Infección meningocócica	Zika

Adquiriendo conocimientos médicos

En primer lugar, se identificaron las publicaciones pertinentes sobre enfermedades seleccionadas, los criterios de diagnóstico de diversas infecciones y las directrices para el diagnóstico de enfermedades infecciosas. La bibliografía incluye artículos internacionales revisados por pares, informes en línea, comentarios, editoriales, libros electrónicos y comunicados de prensa de universidades e instituciones de investigación, que incluyen opiniones de expertos. También se incluyó la literatura gris publicada por la OMS, los Centros para el Control y la Prevención de Enfermedades (CDC) de los Estados Unidos y otras publicaciones y medios de información de los gobiernos locales. Las bases de datos de investigación examinadas incluyeron PubMed, Google Scholar, Embase, Medline y Science Direct.

Literatura (haga clic para abrir/cerrar la lista)

Chickenpox: presentation and complications in adults Abro AH, Ustadi AM, Das K, Abdou AM, Hussaini HS, Chandra FS.
Clinical manifestations, complications and management of chickenpox infection in pediatric Bereda G.
Chickenpox Clinical Presentation Anthony J Papadopoulos, MD
Interna Szczeklika 2022 Group work
Chronic Joint Pain 3 Years after Chikungunya Virus Infection Largely Characterized by Relapsing-remitting Symptoms Sarah R. Tritsch, Liliana Encinales, Nelly Pacheco, et al.
Manifestations of Atypical Symptoms of Chikungunya during the Dhaka Outbreak (2017) in Bangladesh Deeba IM, Hasan MM, Al Mosabbir A, Siam MHB, Islam MS, Raheem E, Hossain MS.
Overview on Chikungunya Virus Infection: From Epidemiology to State-of-the-Art Experimental Models Constant LEC, Rajsfus BF, Carneiro PH, Sisnande T, Mohana-Borges R and Allonso D
Chikungunya virus: A general overview K.A. Galán-Huerta, A.M. Rivas-Estilla, I. Fernández-Salas, J.A. Farfan-Ale, J. Ramos-Jiménez
Chikungunya virus disease European Centre for Disease Prevention and Control (ECDC) 2024
Parazytologia medyczna kompendium Morozinska- Gogol
A prolonged, community-wide cholera outbreak associated with drinking water contaminated by sewage in Kasese District, western Uganda Kwesiga, B., Pande, G., Ario, A.R. et al.
Cholera — the new strike of an old foe Anna Kuna, Michał Gajewski
Colera Matthew Fanous; Kevin C. King
Sensitivity, Specificity, and Public-Health Utility of Clinical Case Definitions Based on the Signs and Symptoms of Cholera in Africa Nadri J, Sauvageot D, Njanpop-Lafourcade BM, Baltazar CS et al.
Factsheet on COVID-19 European Centre for Disease Prevention and Control (ECDC) 2024
COVID-19 diagnosis and management: a comprehensive review Pascarella G, Strumia A, Piliego C, Bruno F et al.
COVID-19 patients’ clinical characteristics, discharge rate, and fatality rate of meta-analysis Li L-q, Huang T, Wang Y-q, et al.
Clinical profile of Dengue fever in an urban tertiary care hospital in South India Dhivya P., Monica A., Jayaramachandran S.
Dengue—How Best to Classify It Anon Srikiatkhachorn, Alan L. Rothman, Robert V. Gibbons et al.
Dengue hemorrhagic fever – A systemic literature review of current perspectives on pathogenesis, prevention and control Wen-Hung Wang, Aspiro Nayim Urbina, Max R. Chang et al.
Clinical Characteristics and Management of 676 Hospitalized Diphtheria Cases, Kyrgyz Republic, 1995 R. Kadirova, H. Ü. Kartoglu, P. M. Strebel
Corynebacterium Diphtheriae Anmol Chaudhary; Shivlal Pandey
Association of clinical signs and symptoms of Ebola viral disease with case fatality: a systematic review and meta-analysis Harsha Moole , Swetha Chitta , Darlyn Victor et al.
Clinical Manifestations and Laboratory Diagnosis of Ebola Virus Infection. Qureshi AI.
The Reemergence of Ebola Hemorrhagic Fever, Democratic Republic of the Congo, 1995 Ali S. Khan, F. Kweteminga Tshioko, David L. Heymann et al.
Acute and Chronic Symptoms of Mononucleosis Sanjay Lambore, MB, MSc, James McSherry, MB ChB, and Arthur S. Kraus, ScD
Infectious mononucleosis in children – one centre experience Joanna Maria Wrembel, Tomasz Jarmoliński
Clinical Signs and Symptoms Predicting Influenza Infection Monto AS, Gravenstein S, Elliott M, Colopy M, Schweinle J.
An Office-Based Approach to Influenza: Clinical Diagnosis and Laboratory Testing NORMAN J. MONTALTO, D.O.
Travelers Malaria Patricia Schlagenhauf-Lawlor
Sensitivity of fever for diagnosis of clinical malaria in a Kenyan area of unstable, low malaria transmission. utanda, Albino & Cheruiyot, Priscah & Hodges, James & Ayodo, George & Odero, Wilson & John, Chandy
Plasmodium falciparum clinical malaria in Dielmo, a holoendemic area in Senegal: No influence of acquired immunity on initial symptomatology and severity of malaria attacks Rogier, Christophe & Ly, Alioune & Adama, Tall & Cissé, Badara & Trape, J.
Invasive Meningococcal Infection: Analysis of 110 cases from a Tertiary Care Centre in North East India Dass Hazarika, R., Deka, N.M., Khyriem, A.B. et al.
Which early ‘red flag’ symptoms identify children with meningococcal disease in primary care? Tanya Ali Haj-Hassan, Matthew J Thompson, Richard T Mayon-White et al.
Mumps Virus: Modification of the Identify-Isolate-Inform Tool for Frontline Healthcare Providers Koenig KL, Shastry S, Mzahim B, Almadhyan A, Burns MJ.
Characteristics of a large mumps outbreak: Clinical severity, complications and association with vaccination status of mumps outbreak cases Stein Zamir, H Schroeder, H Shoob, N Abramson & G Zentner
Mumps outbreak and laboratory diagnosis Mylène Maillet, Eric Bouvat, Nicole Robert et al.
An outbreak of norovirus-related acute gastroenteritis associated with delivery food in Guangzhou, southern China Lu Y, Ma M, Wang H, Wang D, Chen C, Jing Q, Geng J, Li T, Zhang Z, Yang Z.
Vomiting as a Symptom and Transmission Risk in Norovirus Illness: Evidence from Human Challenge Studies Amy E. Kirby, Ashleigh Streby, Christine L. Moe
Clinical Manifestation of Norovirus Gastroenteritis in Health Care Settings Ben A. Lopman, Mark H. Reacher, Ian B. Vipond, Joyshri Sarangi, David W. G. Brown
Clinical manifestation of norovirus infection in children aged less than five years old admitted with acute diarrhea in Surabaya, Indonesia: a cross-sectional study Fardah Athiyyah A, Shigemura K, Kitagawa K et al.
Diagnostic value of symptoms and laboratory data for pertussis in adolescent and adult patients Miyashita N, Akaike H, Teranishi H, Kawai Y, Ouchi K, Kato T, Hayashi T, Okimoto N.
Pertussis (Whooping Cough) Centers for Disease Control and Prevention
Pertussis prevalence among adult patients with acute cough İlbay A, Tanrıöver MD, Zarakol P, Güzelce EÇ, Bölek H, Ünal S.
Clinical aspects of human rabies in the state of Ceará, Brazil: an overview of 63 cases Duarte NFH, Pires Neto RDJ, Viana VF, Feijão LX, Alencar CH, Heukelbach J.
Epidemiological and clinical features of human rabies cases in Bali 2008-2010 Susilawathi NM, Darwinata AE, Dwija IB, Budayanti NS et al.
Rubella outbreak among workers in three small- and medium-size business establishments associated with imported genotype 1E rubella virus-Shizuoka, Japan, 2015 Kato H, Kamiya H, Mori Y, Yahata Y, Morino S, Griffith M et al.
Rubella (German Measles, Three-Day Measles) Centers for Disease Control and Prevention
Five years review of cases of adult tetanus managed at Gondar University Hospital, North West Ethiopia (Gondar, Sep. 2003-Aug. 2008) Tadesse A, Gebre-Selassie S.
Clinical features and outcomes of tetanus: a retrospective study Fan Z, Zhao Y, Wang S, Zhang F, Zhuang C.
Tetanos Louise Thwaites, MD
Tetanus: Presentation and outcome in adults. Younas NJ, Abro AH, Das K, Abdou AMS, Ustadi AM, Afzal S.
Miliary tuberculosis: Clinical manifestations, diagnosis and outcome in 38 adults Mert, A., Bilir, M., Tabak, F., Ozaras, R., Ozturk, R. et al.
A Population-Based Survey of Tuberculosis Symptoms: How Atypical Are Atypical Presentations? Loren G. Miller, Steven M. Asch, Emily I. Yu, Laura Knowles, Lillian Gelberg, Paul Davidson
Alert sign and symptoms for the early diagnosis of pulmonary tuberculosis: analysis of patients followed by a tertiary pediatric hospital Farina, E., D’Amore, C., Lancella, L. et al.
Clinical and epidemiological characteristics of HIV/AIDS patients diagnosed with tuberculosis in the Integral Care Service of the Dr. Robert Reid Cabral Children’s Hospital during the period 2010-2016 Ricardo Elías-Melgen, Rosa Abreu, Milandres García
Typhoid FeverAn Epidemic With Remarkably Few Clinical Signs and Symptoms Klotz SA, Jorgensen JH, Buckwold FJ, Craven PC.
Current trends in typhoid fever Crum, N.F.
Characteristic features of culture positive enteric fever in pediatric teaching hospital in Sulaimani governorate Tyib, Tara & Fakhir, Haydar & Mohammad, Hayder
Enteric fever Basnyat B, Qamar FN, Rupali P, Ahmed T, Parry CM.
Clinical Manifestations Of Hepatitis A: Recent Experience In A Community Teaching Hospital Myron J. Tong, Neveen S. El-Farra, Marianne I. Grew,
Natural History, Clinical Manifestations, and Pathogenesis of Hepatitis A Shin EC, Jeong SH
Clinical and Epidemiological Spectrum of Acute Viral Hepatitis Due to Hepatitis A and E in Children: A Descriptive, Cross-Sectional, Hospital-Based Study Javaria Rasheed, Muhammad Khalid, Sobia Rubab, Bushra Iqbal, Iram Nawaz, Asad Shahzad
Assessing yellow Fever risk in the ecuadorian Amazon. Izurieta RO, Macaluso M, Watts DM, Tesh RB, Guerra B, Cruz LM, Galwankar S, Vermund SH
Clinical features of yellow fever cases at Vom Christian Hospital during the 1969 epidemic on the Jos Plateau, Nigeria Evan M Jones and D. C. Wilson
Clinical and epidemiological characteristics of yellow fever in Brazil: analysis of reported cases 1998-2002 Tuboi, Suely & Costa, Zouraide & Vasconcelos, Pedro & Hatch, Douglas.
An Overview of Yellow Fever Virus Disease McGuinness I, Beckham JD, Tyler KL, Pastula DM.
Yellow fever outbreak in Kenya: A review Olivier Uwishema, Stanley Chinedu Eneh, Anyike Goodness Chiburoma et al.
Yellow Fever Leslie V. Simon; Muhammad F. Hashmi; Klaus D. Torp.
Zika Virus The Johns Hopkins University
Clinical, laboratory and virological data from suspected ZIKV patients in an endemic arbovirus area Tatiana Elias Colombo, Cássia Fernanda Estofolete, Andréia Francesli Negri Reis et al.
Clinical relevance of Zika symptoms in the context of a Zika Dengue epidemic Humberto Guanche Garcell, Francisco Gutiérrez García, Manuel Ramirez Nodal et al.
The Clinical Spectrum of Zika Virus in Returning Travelers Eyal Meltzer, Eyal Leshem, Yaniv Lustig, Giora Gottesman, Eli Schwartz

Cada enfermedad se describió a partir de varios signos agrupados en ocho categorías específicas. Se llevaron a cabo entrevistas específicas con expertos médicos para determinar los elementos cruciales en el diagnóstico de enfermedades infecciosas y su relación con los parámetros de toma de decisiones clínicas. Hemos desarrollado una tabla que representa las frecuencias de los diversos síntomas de enfermedades. Cada fila de la tabla corresponde a una enfermedad específica y cada columna corresponde a un síntoma particular. La intersección de una fila y una columna contiene la frecuencia o la aparición de un síntoma específico para una enfermedad en particular.

Grupos de signos de enfermedades infecciosas
General/signos sistémicos	Fiebre continua o fiebre con intervalos de menos de un día Fiebre intermitente cada 2-4 días Letargo sudoración y/o escalofríos Dolor de cabeza Falta de apetito y/o pérdida de peso	Síntomas hematológicos	manifestaciones hemorrágicas
Signos respiratorios	Dolor de pecho Tos Flema dificultad para respirar Dolor de garganta rinorrea	Síntomas gástricos	abdominal pain diarrea nausea vómitos
3. Signos musculoesqueléticos	Dolor de espalda Dolor en las articulaciones Dolor muscular trismo	7. Signos dermatológicos o asociados:	hinchazón del cuello erupción cutánea piel amarilla y/o orina oscura
Signos neurológicos	visión borrosa dificultades cognitivas dificultad para tragar mareo agitación emocional problemas neurológicos con sensación y movimiento convulsiones Rigidez del cuello y sensibilidad a la luz.	Otros signos	miedo al agua dolor testicular enrojecimiento de los ojos

Algoritmo de predicción

El objetivo del algoritmo de predicción es proporcionar las posibles enfermedades infecciosas que puede tener un paciente en función de sus síntomas. El algoritmo de predicción debe entrenarse, y lo hicimos con la base de conocimientos de síntomas y enfermedades infecciosas. La base de conocimientos de síntomas y enfermedades infecciosas se expresó en porcentajes, es decir, cuántos pacientes de cada 100 manifestarían un síntoma específico cuando se infectaran con una enfermedad infecciosa específica. Con base en estos datos, generamos aleatoriamente cientos de pacientes artificiales con síntomas específicos, pero alcanzamos para todos ellos los porcentajes exactos de la base de conocimientos. Por ejemplo, si para una enfermedad específica el 25% de los pacientes tienen el síntoma 1, el 50% de ellos el síntoma 2 y el 100% de ellos el síntoma 3, podríamos generar los siguientes 5 pacientes a partir de estos datos y los porcentajes generales seguirían coincidiendo con los datos iniciales. Utilizamos este enfoque de generación aleatoria de pacientes artificiales para tener en cuenta que cada ser humano es único, por lo que los síntomas que aparecen después de la infección son ligeramente diferentes para cada persona.

Paciente	Síntoma 1	Síntoma 2	Síntoma 3
1	1	1	1
2	1		1
3		1	1
4			1
5		1	1
6			1
7		1	1
8			1
	25%	50%	100%

Usamos estos datos generados aleatoriamente para entrenar nuestro algoritmo de predicción. En nuestro algoritmo de predicción, probamos tres modelos de IA para poder compararlos y seleccionar el más preciso: bosque aleatorio, árbol de decisiones y Bayes ingenuo. Todos estos modelos se utilizan para predecir una enfermedad directamente en función de los síntomas dados. 1. El modelo Bayes ingenuo es un clasificador que supone que los síntomas son condicionalmente independientes, dada la enfermedad objetivo. La solidez de esta suposición (ingenuidad) es lo que le da el nombre al clasificador. 2. El modelo de árbol de decisiones es un modelo en forma de árbol de síntomas y sus posibles enfermedades, que incluye resultados de eventos aleatorios, costos de recursos y utilidad. Cada rama representa el resultado de la prueba (si un síntoma está presente o no) y cada nodo de hoja representa una enfermedad. En la siguiente imagen se muestra un árbol de decisiones completo.

3. El modelo de bosque aleatorio se basa en el modelo de árbol de decisión, pero en este último se genera un bosque (una gran cantidad) de árboles de decisión considerando solo algunos síntomas para cada árbol de decisión. El resultado del bosque aleatorio es la enfermedad seleccionada por la mayoría de los árboles de decisión.

Se utilizó el software de minería de datos Orange para construir los tres modelos. El software de minería de datos Orange es uno de los programas para el aprendizaje automático y la minería de datos. Lo usamos porque es un software gratuito y ampliamente utilizado desde el cual los modelos generados se pueden exportar y luego usar en casi cualquier lugar mediante una biblioteca de Python de Orange (Demsar J, Curk T, Erjavec A, Gorup C, Hocevar T, Milutinovic M, Mozina M, Polajnar M, Toplak M, Staric A, Stajdohar M, Umek L, Zagar L, Zbontar J, Zitnik M, Zupan B (2013) Orange: Data Mining Toolbox in Python, Journal of Machine Learning Research 14 (agosto): 2349−2353. http://jmlr.org/papers/volume14/demsar13a/demsar13a.pdf). Esto nos permite integrar fácilmente el algoritmo de predicción en el sitio web y la aplicación móvil y ponerlo a disposición del público.

En la siguiente imagen se muestra la visualización del proyecto en el software de minería de datos Orange.

Evaluación de resultados

Esta En esta sección se presenta la evaluación de tres modelos de aprendizaje automático diferentes: Random Forest, Naive Bayes y Decision Tree. Los modelos se evaluaron utilizando varias métricas de rendimiento para determinar su idoneidad para la implementación.

Conjunto de datos utilizado

Recopilamos una pequeña cantidad de síntomas y combinaciones de enfermedades de pacientes reales como datos de prueba. Cabe destacar que los datos de prueba no se utilizaron durante el proceso de entrenamiento al construir estos modelos.

Técnicas de validación

El proyecto aplicó técnicas de validación cruzada y muestreo aleatorio para probar la precisión de los modelos. La combinación de validación cruzada y muestreo aleatorio facilita una evaluación integral del desempeño de los modelos de aprendizaje automático. Este enfoque de validación dual garantiza una comprensión completa de cómo funciona el modelo en varios escenarios.

Técnica de validación cruzada y configuración de muestreo

Validación cruzada

Número de pliegues: 5
Estratificado: habilitado (garantiza que cada pliegue tenga una distribución similar de clases)

Muestreo aleatorio

Repetir entrenamiento/prueba: 10 veces
Tamaño del conjunto de entrenamiento: 66%
Estratificado: habilitado

Medidas de evaluación

AUC (Área bajo la curva):Mide la capacidad del modelo para diferenciar entre clases.
CA (Precisión de clasificación):La relación entre las instancias predichas correctamente y el total de instancias.
Puntuación F1:La media armónica de precisión y recuperación.
Precision:La relación entre las observaciones positivas predichas correctamente y el total de observaciones positivas predichas.
Recordar:La relación entre las observaciones positivas predichas correctamente y todas las observaciones de la clase real.
Coeficiente de correlación de Matthews (MCC):Una medida de la calidad de las clasificaciones binarias.

Rendimiento del modelo

A continuación se muestra una tabla que resume los resultados de la evaluación de los tres modelos de aprendizaje automático: Random Forest, Naive Bayes y Decision Tree.

Métrico	Random forest	Naive bayes	Decision tree
AUC	1.000	0.998	0.802
CA	0.952	0.857	0.571
F1	0.937	0.825	0.500
Precision	0.929	0.810	0.468
Recordar	0.952	0.857	0.571
MCC	0.952	0.854	0.559

Esta tabla refleja el desempeño de cada modelo en las métricas de evaluación clave utilizadas en el proyecto DESSEV. La comparación de los modelos por área bajo la curva ROC indica que el modelo Random Forest es superior, seguido por Naive Bayes, siendo el modelo Decision Tree el menos eficaz.

Como el modelo Random Forest tiene el mejor rendimiento, es el modelo utilizado para la predicción de enfermedades en nuestro sitio web y aplicación móvil.