=Paper=
{{Paper
|id=Vol-1318/paper10
|storemode=property
|title=Clasificadores Supervisados para el Análisis Predictivo de Muerte y Sobrevida Materna
|pdfUrl=https://ceur-ws.org/Vol-1318/paper10.pdf
|volume=Vol-1318
|dblpUrl=https://dblp.org/rec/conf/simbig/Leon14
}}
==Clasificadores Supervisados para el Análisis Predictivo de Muerte y Sobrevida Materna==
https://ceur-ws.org/Vol-1318/paper10.pdf
Clasificadores supervisados para el análisis predictivo de muerte y
sobrevida materna
Pilar Vanessa Hidalgo León
Universidad Andina del Cusco/San Jerónimo, Cusco-Perú
phidalgo@uandina.edu.pe
cuando este problema requiere prontitud por su
Resumen naturaleza, los clasificadores transforman los
datos en conocimiento y aportan aplicaciones
El presente trabajo se basa en el análisis de los
clasificadores supervisados que puedan generar exitosas.
resultados aceptables para la predicción de la muerte En el caso de factores de riesgo para la salud
y sobrevida materna, según características de materna, existen estudios estadísticos y
pacientes complicadas durante su gestación aplicaciones salubristas para determinarla, mas
determinada por los expertos salubristas. Se describe
no integrados simultáneamente como parte de
la metodología del desarrollo, las particularidades de
la muestra, además los instrumentos utilizados para el una probabilidad clasificatoria como modelo.
procesamiento de los datos. Los resultados de la Por ello, este estudio determinará, el clasificador
investigación luego de la evaluación de cada supervisado más eficiente en tiempo y resultado
clasificador y entre ellos el que mejores resultados que establezca la diferencia de clases entre
arroja. Los histogramas acerca de cada atributo de las
pacientes gestantes complicadas durante su
pacientes, y la inclusión en la muestra. Los
parámetros determinantes para su correcta embarazo que pueden llegar a presentar síntomas
clasificación. La comparación de cada resultado entre fatales y las que no, así apoyar al personal de
cada tipo de clasificador dentro de la familia a la que salud a tomar la decisión más optima y a
pertenece para después de identificado, implementar, prevenir futuras alzas en el índice de mortalidad
el algoritmo de Naive-Bayes con estimador de de su comunidad.
Núcleo activado (KERNEL=TRUE), en un software
que contribuya a la toma de decisiones certera y Los problemas que generan el alza de este
respaldada para los profesionales de la salud. En indicador ya son conocidos y puestos en valor en
conclusión se encontró un clasificador supervisado esta investigación:
que responde positivamente a dar cambio y mejora de
“Hoy en día existe suficiente evidencia que
la problemática que abarca a la sobrevida materna a
pesar de sus complicaciones.
demuestra que las principales causas de la
muerte materna son la hemorragia posparto, la
Palabras Clave: Mortalidad materna, preclampsia o la sepsis y los problemas
clasificadores supervisados, Redes bayesianas, relacionados con la presentación del feto.
Aprendizaje supervisado. Asimismo, sabemos cuáles son las medidas más
eficaces y seguras para tratar estas emergencias
1 Introducción obstétricas. Para poder aplicarlas, es necesario
que la gestante acceda a un establecimiento de
El objetivo en el uso de clasificadores salud con capacidad resolutiva, pero
supervisados (Araujo, 2006), es construir lamentablemente muchas mujeres indígenas no
modelos que optimicen un criterio de acuden a este servicio por diversas razones, tanto
rendimiento, utilizando datos o experiencia relacionadas con las características geográficas,
previa. En ausencia de la experiencia humana, económicas, sociales y culturales de sus grupos
para resolver una disyuntiva que requiere poblacionales, como por las deficiencias del
explicación precisa, los sistemas implementados propio sistema de salud.
por modelos clasificadores han sido parte
importante en la toma de decisiones. A parte, En los últimos años se han hecho muchos
67
esfuerzos para revertir esta situación, tanto ya que el estado del registro de las historias
mediante proyectos promovidos por el estado clínicas correspondientes a los casos de
como ejecutados por organismos no fallecimiento no son legibles, ni están
gubernamentales de desarrollo. Estos esfuerzos conservadas en las mejores condiciones en los
han tenido, sin embargo, resultados desiguales archivos de la Dirección Regional de Salud
debido principalmente a la poca adecuación de Cusco, esto hace que la muestra no pueda ser
los proyectos al contexto geográfico y de nutrida con mayor diversidad de datos.
infraestructura en el que vive gran parte de la (DIRESA, 2007)
población indígena, a sus dificultades
económicas para acceder al servicio, su cultura, Existe poca investigación acerca del tema
sus propios conceptos de salud y enfermedad, y relacionado con el uso de clasificadores
su sistema de salud.”(Cordero, 2010) supervisados y otras correspondientes a
diagnósticos médicos que tienen similitud con la
2 Contenido muestra pero ninguna que se relacione
directamente.
Problema
La relevancia de los datos se limito a los
¿Cuáles son los clasificadores supervisados que
antecedentes sobre estudios en mortalidad
predicen la muerte o la sobrevida materna con
materna (edad, estado civil, analfabeta,
mayor efectividad?
ocupación, procedencia, anticoncepción, entorno
Entonces para determinar adecuadamente la (estrato social), controles pre-natales, ubicación
efectividad de cada algoritmos nos domiciliaria, tiempo de demora en atención,
cuestionamos: atención profesional, antecedentes familiares,
espacio intergenésico (en años), paridad (número
• ¿Cuál es la especificidad, la de hijos), complicaciones no tratadas,
clasificación correcta y el error absoluto fallecimiento), conservando el anonimato de
y sensibilidad del clasificador cada paciente.
supervisado en relación a los datos de
mortalidad materna? Objetivos
- Redes neuronales • Determinar el clasificador supervisado
que brinde mejores resultados para el
- Redes Bayesianas análisis predictivo de muerte y
sobrevida materna.
- Regresión Logística
Luego para lograr este objetivo se debe:
- Arboles de Decisión
• Determinar la especificidad, la
- Algoritmos Basados en Distancias
clasificación correcta, el error absoluto,
Mediante la herramienta Weka, se determinó la la sensibilidad del clasificador
sensibilidad, la certeza más cercana de cada uno supervisado en relación a los datos de
de estos algoritmos, y cuya conclusión sugerirá muerte y sobrevida materna.
el más eficiente.
- Redes neuronales
Actualmente la problemática en mortalidad - Redes Bayesianas
materna es un indicador determinante de
desarrollo en los países Latinoamericanos. - Regresión Logística
Siendo no solo un indicador de pobreza y
desigualdad sino de vulnerabilidad de los - Arboles de Decisión
derechos de la mujer. (OMS, 2008)
- Algoritmos Basados en
Limitaciones de la Investigación Distancias
Los datos recolectados para este estudio con
respecto a pacientes fallecidas que tuvieron
complicaciones durante el embarazo fueron 48,
68
Hipótesis General. control sanitario de mortalidad materna de la
Región Cusco.
Hi: Existen clasificadores supervisados que El número es limitado, pues las historias desde
predicen la muerte o la sobrevida materna con 1992 al 2011, no han sido redactadas ni
efectividad conservadas en el mejor estado haciendo difícil
la tarea de interpretar los datos suficientes para
H. nula: No existen clasificadores supervisados ser analizados.
que predicen la muerte o la sobrevida materna
con efectividad Estas pacientes no fueron necesariamente
atendidas desde el inicio en estos
establecimientos, sino que debido a sus
complicaciones durante el parto y e embarazo
Definición de Variables: fueron derivadas a las capitales y luego a los
establecimientos de mayor capacidad
Variable principal: resolutiva para su atención.
Clasificadores supervisados Los datos de las historias clínicas que
incluyeran:
Variables Implicadas:
• Edad
• Estado civil
Variable Clasificadores supervisados
• Analfabeta
Dimensión Las Redes Neuronales, Algoritmos
• Ocupación
supervisados, Las Redes
Bayesianas, Arboles de decisión, • Procedencia
Regresión Logística, Algoritmos • Anticoncepción
basados en instancias • Entorno (estrato social)
Indicador/ Clasificación correcta,
Criterios de Clasificación incorrecta, • Controles pre-natales
Medición Sensibilidad,Especificidad, Tiempo • Ubicación domiciliaria
de ejecución • Tiempo de demora en atención
Mean absolute error
Kappa statistic
• Atención profesional
Root mean squared erro, Relative • Antecedentes familiares
absolute error • Espacio intergenésico (en años)
Root relative squared error • Paridad (#de hijos)
Clase Numérica discreta
• Complicaciones no tratadas
Instrumento Weka 3.5.7, Explored
• Fallecimiento
Tabla I: Variables implicadas Entre 52 sobrevivientes y 48 fallecidas, ambos
grupos con similares características, siendo
factores determinantes: (Ramírez, 2009)
Metodología de investigación
Ubicación domiciliaria /tiempo demora en
Cuasi Experimental, Aplicada, Inductiva atención
Controles > 2: n (49.0/2.0)
Descripción de la muestra y método de PRODECENCIA = rural: s (6.0/1.0)
recolección
Técnica e instrumentos de investigación
Los datos recolectados en todas 100 historias Se utilizó la herramienta Weka Explorer para
clínicas (HC) de casos de sobrevida y de casos la interpretación de los datos.
de muerte materna. Las opciones de clasificación supervisada y los
algoritmos que propone esta herramienta.
Las características de las gestantes son muy
(Corso, 2009)
similares entre si y corresponden a la población
de la ciudad del Cusco, del archivo en la Red
Sur de la Dirección Regional de Salud sobre el
69
Se evaluaron los siguientes clasificadores o Identificación de las fuentes de
supervisados: información externas e internas y
selección del subconjunto de
• Las Redes Neuronales datos necesario.
- MultilayerPerceptron • Pre procesamiento: estudio de la calidad
- RBFNetwork de los datos y determinación de las
• Las Redes Bayesianas operaciones de minería que se pueden
- BayesNet realizar.
- Bayes simple estimator • Transformación de datos: conversión de
- BMA bayes datos en un modelo analítico.
- Naive-Bayes • Análisis de datos interpretación de los
- BayesNet Kernel resultados obtenidos en la etapa anterior,
- Naive-Bayes generalmente con la ayuda de una
- Discretizacion Supervisada técnica de visualización.
• Arboles de decisión • Asimilación de conocimiento
- J48 descubierto(Calderón, 2006)
- DecisionTable • Minería de datos: tratamiento
• Regresión Logística automatizado de los datos seleccionados
- MultiClassClassifier con una combinación apropiada de
- Logistic algoritmos. (Ramirez, 2011).
• Algoritmos basados en Distancias NEGATIVO POSITIVO VALORES
- IBK Edad Menor a 19 y Entre 19-35 14-48
- LWL mayor 35
- KStar Estado civil Soltera Pareja Soltera-pareja
Estos resultados fueron comparados con las Analfabeta Analfabeta Primaria Analfabeta-
reglas de clasificación que nos proporcionará primaria-
secundaria-
los algoritmos de predicción inmediata: superior
Ocupación No Remunerada Remunerada-no
- OneR remunerada remunerada
Procedencia Rural Urbana Rural-urbana
- ZeroR
Anticoncepc No Si Si-no
ión
Procedimiento de recolección de datos Entorno Bajo Medio-alto Baja-alta
(estrato
social)
Las Historias Clínicas se insertaron en un Controles De 1 a 5 6 a mas 0-12
fichero CSV (delimitado por comas) cuya
Ubicación Más de 2 Menos 3 del Menos de 1 hora,
cabecera contiene las etiquetas de cada domiciliaria/ horas ee.ss 1-2,3-5,6 a mas
atributo, y la última columna se refiere a la tiempo
clase a la pertenecen. demora en
atención
Con respecto a los indicadores particulares en Personal de No Si No-si
cada uno de los atributos de los sujetos de la atención
clase tenemos los siguientes valores: Tabla II profesional
Antecedente No Si No-si
s familiares
• La calidad de la estructuración Espacio Menos de 2 Entre 2-4 Primera gesta,1-
intergenésic mayor a 4 3,4-6, menos 1
• Comparar todas mediciones en cada o (en años)
clasificador por algoritmo. Paridad (#de Primípara o Entre 2-4 0-10
• Evaluar los resultados. hijos) mas de 4
Complicacio Complicacion Sin No-si
• Interpretar los resultados. nes no es antes y complicacion
tratadas durante es
2.9. Plan de análisis de la información Fallecida Si No No-si
• Determinación de objetivos Tabla II: Rango de valores de los atributos en las
• Preparación de datos pacientes de la muestra
• Selección de datos:
70
Histogramas:
Cada Atributo es evaluado visualmente por los • Fracción de verdaderos negativos (FVN).
histogramas que arroja Weka (en total 15), por Demuestra la cantidad de pacientes que
ejemplo con respecto a la EDAD de las pacientes realmente pertenecen a la clase
de la muestra. Sobreviviente. Quiere decir que si el
algoritmo estudiado tiene alto porcentaje
de especificidad determina con gran éxito
la probabilidad de sobrevida en pacientes
complicadas durante su embarazo según
los datos proporcionados en la ficha de
antecedentes.
• Clasificación correcta: de la totalidad de
datos, entre los que 52 que pertenecen a la
clase Sobreviviente, y los 48 que pertenece
a la clase Fallecida, determina dentro de
cada clase cuantas instancias luego de la
construcción del clasificador cuantas si
pertenecen a la clase determinada.
Gráfico 1: Histograma de la Edad de las
pacientes de la muestra
• En el caso de pertenecer a la clase
Este histograma nos muestra el intervalo de edad sobreviviente o a la fallecida de las 100
de las pacientes de la muestra, la diferencia de instancias cuantas fueron clasificadas
colores determinan la clase a la que pertenece correctamente.
cada intervalo. Podemos observar lo siguiente:
• Clasificación incorrecta: del mismo
• Las pacientes del intervalo 14-20 años modo la cantidad de instancias que no
pertenecen en su mayoría a la clase fueron clasificadas de manera correcta,
“sobreviviente” son las que de manera supervisada se sabe
que pertenecen a una u otra clase y fueron
• Las pacientes del intervalo 21-31 años incluidas dentro de la cual no eran. Si el
tienen un mayor porcentaje de sobrevida, indicador emite un número mayor al 50%
coincide con el promedio de edad de la cantidad total de instancias, no se
adecuado y de la muestra. debe considerar como eficiente.
• El intervalo de paciente entre 32-40 años • Sensibilidad: es la capacidad del
tiene mayor porcentaje de muerte. algoritmo de clasificar a las pacientes
complicadas dentro de la clase Fallecidas.
• Las pacientes mayores a 40 años
Es decir que si el clasificador tiene un alto
pertenecen a la clase “fallecida” en gran
porcentaje tiene mejor curva de corte y
porcentaje.
discernimiento entre los sujetos que
Resultados por algoritmo testeado: pertenecen o no a la clase fallecida, es así
que si la cifra de sensibilidad es del 90%,
Los algoritmos usados para evaluar la base de existe entonces esa probabilidad de que la
datos en mortalidad materna dieron como paciente fallezca.
resultado cifras continuas indicando los
siguientes sucesos: Tabla 2.
• Mean absolute error: Se define error
• Especificidad: es la probabilidad de que absoluto de una medida la diferencia entre
pacientes complicadas y de riesgo el valor medio obtenido y el hallado en esa
pertenezcan a la clase Sobreviviente. Es medida todo en valor absoluto.
decir los verdaderos negativos.
71
• Entonces el promedio de error absoluto, es • Relative absolute error: es el error
la suma de los errores absolutos de relativo a cada característica de la clase,
clasificación en cada uno de los sujetos por ejemplo el error relativo de tener de
llevados a promedio. El clasificador que Espacio Intergenésico 0.5 años y
arroje mayor cifra (mayor a 0.1) define un pertenecer o no a la clase fallecida, la
error de clasificación alto, por lo cual no clasificación indicaría que si pertenece,
se debe considerar por sobre los que por ser el valor indicado para aquellas
arrojen una cifra menor. pacientes que están en peligro.
En este caso el valor positivo para
• Tiempo de ejecución: medido en pertenecer al clase sobreviviente es de
segundos es la cantidad de tiempo que entre 2-4 años o primera gesta: 0.5 años
demora en construir la arquitectura del incluido en la clase fallecido si el error
clasificador y en arrojar resultados. entre los valores determinados por la clase
• Puede que un clasificador se defina como y el valor ingresado es menor a 1.
eficiente si el tiempo que emplea en emitir
resultados es menor a 5 segundos, aun así • Root relative squared error: La raíz
depende de los demás indicadores para relativa E de error al cuadrado i de un
valerse de esta característica. programa individual i es evaluado por la
ecuación:
• Kappa statistic: el Kappa statistic es la
concordancia de comparación que tienen
los observadores de clasificación. Quiere
decir en una matriz de clasificación, el
índice esperado entre el diagonal principal
esperada (Xii elemento clasificado en la
misma clase por ambos observadores) y el donde P (ij) es el valor predicho por el
índice real luego de la clasificación programa para el individuo i j muestra de
efectuada por la arquitectura seleccionada casos (de los casos de la muestra n), T j es el
(sea regresión lineal, backpropagation, valor objetivo para la muestra j caso,
Naive-bayes, etc.), es la diferencia en y está dada por la fórmula:
porcentaje de su lejanía a este valor.
• Si por ejemplo, la matriz esperada clasifica
el valor en 25.00 y el resultado de la
arquitectura es 26.7, la diferencia seria, 1.7
equivale al 90.32%. Entonces cuanto mas Para un ajuste perfecto, el numerador es
grande sea el porcentaje, estará más cerca igual a 0 y E i = 0. Así, el E i índice varía de
de ser considerado eficiente. 0 a infinito, con el ideal que corresponde a
0.
• Root mean squared error: error
cuadrático medio, es una medida de uso
Redes Redes
frecuente de las diferencias entre los Reglas Bayesianas Neuronales
valores pronosticados por un modelo o un NAÏVE
estimador y los valores realmente BAYES
observados. RMSD es una buena medida INDICADORES OneR KERNEL RBFNetwork
de precisión, pero sólo para comparar 0.9
Especificidad 0.836 0.91
diferentes errores de predicción dentro de Clasificación 90
un conjunto de datos y no entre los correcta 84 91
diferentes, ya que es dependiente de la una Clasificación 10
escala muestra. Estas diferencias incorrecta 16 9
individuales también se 0.9
Sensibilidad 0.868 0.914
denominan residuos, y la RMSD sirve para 0.1468
agregarlos en una sola medida de la Mean absolute
error 0.16 0.1142
capacidad de predicción.
72
Tiempo de 0.26 • Relative absolute error <25%, <1 ideal
ejecución 0.2 0.01 • Root relative squared <50%, 0 ideal
0.7997
Kappa statistic 0.6759 0.819 El clasificador que cumpla con estas
Root mean 0.3032 especificaciones, se considera como optimo
squared error 0.4 0.2737
Relative absolute 29.39%
para la integración en un sistema que evaluará
error 32.03% 22.86% la base de datos que contengan los datos de las
Root relative 60.64% pacientes a comparar con un registro nuevo de
squared error 80.01% 54.74% entrada.
Tabla III: Algoritmos de clasificación Etapa de Evaluación:
supervisada con mejores resultados por
Cada uno de los clasificadores estudiados, que
familia
analizaron la muestra de pacientes, arrojaron los
indicadores que muestra la tabla, en nivel de
Arboles Algoritmos rendimiento y buenos resultados, aceptables para
de de Regresión el estudio, la arquitectura que lleva los
Decisión Distancia Logística porcentajes mas óptimos dentro de los
INDICADORES J48 LWL Logistic parámetros, es el algoritmo de Naive bayes con
0.889 0.82 estimador de núcleo.
Especificidad 0.9
Clasificación 89 82
correcta 90 Descartando así el resto de arquitecturas como
Clasificación 11 18 apropiadas para este tipo de muestras. Además
incorrecta 10 de visualizar de manera más clara y correcta los
Sensibilidad 0.9 0.902 0.82 resultados comunes entre cada una de las
Mean absolute 0.168 0.1753 arquitecturas dejando atrás aquel paradigma que
error 0.1174 incluye a la regresión logística como la más
Tiempo de 0 0.81 adecuada a la hora de realizar diagnósticos
ejecución 0.02
0.6388 0.6388
preventivos en salud.
Kappa statistic 0.7994
Root mean 0.3019 0.4157
squared error 0.299 Kernel estimator, al ser un método de
Relative absolute 33.64% 35.10% construcción no paramétrico, es mas flexible que
error 23.75% los clasificadores que incluyen parámetros.
Root relative 60.39% 83.15% Dividiendo la muestra en 40 grupos en la
squared error 59.80% variable edad, paridad 15, controles 17, para la
exploración descubre nuevas alternativas de
Tabla IV: Algoritmos de clasificación clasificación en los atributos de la clase,
supervisada con mejores resultados por familia mostrándolos como relevantes.
Descripción de la metodología propuesta El problema más resaltante es que requiere
mayor tamaño de muestra para mantener estos
Se propone entonces que evaluando cada uno resultados, ya que utilizado el agrupamiento para
de los indicadores más importantes en la la clasificación (clustering) que podría ser una
construcción del clasificador, se descarten desventaja si de clasificadores supervisados
aquellos que no cumplen las siguientes hablamos. Esto se denomina the curse of
características: dimensionality, pues dependen de la elección de
un parámetro suavizado, en este caso los valores
• Especificidad > 90% la edad, número de controles, y número de hijos,
• Clasificación correcta > 90 instancias transformándola en no objetiva.
• Clasificación incorrecta < 10 instancias
• Sensibilidad >90% Cuando Naive-Bayes actúa con la estimación no
• Mean absolute error < 0.1 ideal paramétrica, las estructuras que se construyen a
• Kappa statistic >0.79, >0.9 ideal partir de esta arquitectura se obtienen a partir de
• Root mean squared error < 0.3, <1 ideal un árbol formado con variables potencialmente
predictoras multidimensionales. (Serrano, 2010)
73
3 Conclusiones
Con respecto a la respuesta de las hipótesis
podemos afirmar lo siguiente:
• Encontramos que las arquitecturas
propuestas por esta memoria, totas
conservan una efectividad bastante
aceptable e cada uno de sus indicadores
que en conjunto hacen un 80% de
eficacia. Siendo el más optimo el de
Naive-Bayer Kernel.
• Descarta estas hipótesis luego del
trabajo realizado.
• Las Redes Bayesianas brindan al estudio
Gráfico 2: Indicadores estadísticos de
de los datos en mortalidad y sobrevida
todos los algoritmos de clasificación
materna una especificidad 91%,
supervisada
clasificación correcta 91%., error
absoluto 0.1142, y sensibilidad 0.914 4 Recomendaciones
recomendada.
• Se recomienda usar datos discretizados,
• Las Redes Neuronales brindan al estudio
si se desea usar Naive-Bayes para su
de los datos en mortalidad y sobrevida
evaluación.
materna una especificidad 90%,
clasificación correcta 90%, error • Agrupar los datos de la manera
absoluto 0.1468 y sensibilidad 90% propuesta en la Tabla 1, así podremos
recomendada. respetar los parámetros acerca de
mortalidad materna que establecen los
• Los Arboles de Decisión brindan al expertos salubristas.
estudio de los datos en mortalidad y • Es importante comparar los resultados
sobrevida materna una especificidad con la regla de decisión OneR para
90%, clasificación correcta 90%, error próximos experimentos, pues nos da la
absoluto 0.1174 y sensibilidad 90% mejor noción de veracidad y efectividad
recomendada. a la hora de analizar la información.
• Se pretende implementar un sistema en
• Los Algoritmos basados en Distancias R Project, para ingresar nuevos registros
brindan al estudio de los datos en y que lleve en la memoria la base de
mortalidad y sobrevida materna una datos recolectada a través de este trabajo.
especificidad 88.9%, clasificación • Para ayudar a la muestra numeraria que
correcta 89%, error absoluto 0.168 y requiere Naive- Bayes Kernel, es
sensibilidad 90.2% recomendada. necesario ingresar los registros de las
muertes maternas y complicaciones
• La Regresión Logística brinda al estudio diarias de las gestantes a nivel Nacional
de los datos en mortalidad y sobrevida en la base de datos.
materna una especificidad 82%,
clasificación correcta 82%, error
absoluto 0.1753 y sensibilidad 82%
recomendada.
74
María García Jiménez, & Aránzazu Álvarez
Sierra. (2010) Análisis de Datos en WEKA
Agradecimientos
– Pruebas de Selecitividad. Articulo.
Agradezco al Dr. Basilio Araujo y al Dr.
Yosu Yuramendi, por su apoyo y María N. Moreno García* L. A. (2005)
perseverancia para la culminación de este Obtención Y Validación De Modelos De
proyecto de fin de master. Estimación De software Mediante Técnicas
De Minería De Datos. Revista colombiana
Al personal de salud que proporciono la de computación, 3[1], 53-71.
información clínica que se usó en la
investigación. Msp Mynor Gudiel M., 1. E. (2001-2002)
5 Síntesis curricular de la autora: Modelo Predictor De Mortalidad Materna.
Mortalidad Materna, 22-29.
Pilar Hidalgo León, Ingeniera de Sistemas de
la Universidad Andina del Cusco en Perú, Organización Mundial De La Salud.
Docente en la Facultad de Ingeniería, Mortalidad Materna En 2005, (2008) :
Sustentación de proyecto de máster en la Estimaciones Elaboradas Por La Oms, El
Universidad del País Vasco. Unicef, El Unfpa Y El Banco. Ginebra 27:
Contacto:phidalgo@uandina.edu.pe, Ediciones de la OMS.
Universidad Andina de Cusco, San Jerónimo,
Cusco, Perú. Porcada, V. R. (2003) Clasificación
Supervisada Basada En Redes Bayesianas.
6 Referencias bibliográficas Aplicación En Biología Computacional.
Clasificadores supervisados: el objetivo es Madrid: Tesis Doctoral.
obtener un modelo clasificatorio valido
para permitir tratar casos futuros.( 2006) Ramírez Ramírez, R., & Reyes Moyano, J. ,
Araujo, B. S. Aprendizaje Automatico: (2011). Indicadores De Resultado
conceptos básicos y avanzados. Madrid, Identificados En Los Programas
España: Pearson Prentice Hall, Estratégicos. Lima: Encuesta Demográfica
Y De Salud Familiar – Endes
Cordero Muñoz, L., Luna Flórez, A., & Ramirez, C. J. (2009)Caracterización De
Vattuone Ramírez, M. (2010) Salud de la Algunas Técnicas Algoritmicas De La
mujer indígena : intervenciones para reducir Inteligencia Artificial Para El
la muerte materna. © Banco Interamericano Descubrimiento De Asociaciones Entre
de Desarrollo. Variables Y Su Aplicación En Un Caso De
Antonio Serrano, E. S., (2010) Redes Investigación Específico. Medellin: Tesis
Neuronales Artificiales. Universidad de Magistral.
Valencia. Reproductive Health Matters, (2009)
Calderón Saldaña, J., & Alzamora de los Mortalidad Y Morbilidad
Godos Urcia, L. (2009) Regresión Logística Materna:Gestación Más Segura Para Las
Aplicada A La Epidemiología. Revista Mujeres. Lima: © Reproductive Health
Salud, Sexualidad y Sociedad, 1[4]. Matters.
Calderón, S. G, (2006) Una Metodología Vilca, C. P. (2009) Clasificación De Tumores
Unificada para la Evaluación de Algoritmos De Mama Usando Métodos. Lima: Tesis.
de Clasificación tanto Supervisados como Dirección Regional De Salud Cusco, (2007)
No-Supervisados. México D. F.: resumen de Análisis De Situación De La Mortalidad
tesis doctoral. Materna Y Perinatal, Región Cusco.
Corso, C. L. (2009) Aplicación de algoritmos
de clasificación supervisada usando Weka. Ministerio De Salud, Dirección General De
Córdoba: Universidad Tecnológica Epidemiología Situación De Muerte
Nacional, Facultad Regional Córdoba. Materna, (2010-2011), Perú.
75