Correo Electrónico
DNINFOA - SIA
Bibliotecas
Convocatorias
Identidad U.N.
Publicado
PREDICCIÓN DE CASOS DE MALARIA EN LA REGIÓN DE ASHANTI GHANA UTILIZANDO LOS MODELOS NAIVE BAYES Y K VECINOS MÁS CERCANOS
PREDICTION OF MALARIA CASES IN THE ASHANTI REGION GHANA USING THE NAIVE BAYES AND K NEAREST NEIGHBORS MODELS
Palabras clave:
K vecinos más cercanos, machine learning, naive bayes, aprendizaje estadístico, malaria (es)K nearest neighbors, machine Learning, naive bayes, statistical learning, malaria (en)
Descargas
La malaria es una enfermedad causada por parásitos del género Plasmodium, transmitidos por la picadura de mosquitos hembra del género Anopheles. En Ghana, esta enfermedad representa un problema de salud pública significativo, siendo la principal causa de morbilidad y responsable de entre el 40 % y el 60 % de las hospitalizaciones en el país. El objetivo de este estudio fue comparar el desempeño de los modelos de aprendizaje estadístico K vecinos más cercanos y Naive Bayes en la predicción del número de casos probables de malaria. Se utilizo variables hematológicas, edad y género de pacientes, cuyos datos fueron extraídos del laboratorio del Hospital St. Patrick?s de Ashanti, en Ghana desde enero de 2018, a junio del mismo año, a partir del libro de registros hematológicos. Para este estudio se utilizaron datos de 2076 pacientes. En la evaluación de los modelos, Naive Bayes obtuvo un AUC del 80.6 % y una precisión del 77.9 %, destacando variables hematológicas como Hemoglobina (Hb), Plaquetas (Plt) y Linfocitos (Lymph), además de la Edad (Age), como las más relevantes dentro del conjunto analizado. Su sensibilidad fue del 70.3%, lo que indica una buena capacidad para identificar casos positivos, aunque con un valor predictivo positivo del 38.1%, reflejando una alta tasa de falsos positivos. Sin embargo, su valor predictivo negativo alcanzó el 93.6%, lo que sugiere una alta confiabilidad en la identificación de casos negativos. En contraste, KNN presentó un AUC del 70.3% y una precisión del 78.4%, pero con una menor sensibilidad del 39%. Su especificidad fue del 94%, permitiéndole identificar correctamente la mayoría de los casos negativos, con un valor predictivo positivo del 71.9%, indicando mayor precisión en la clasificación de casos positivos. En conclusión, Naive Bayes mostró mejor desempeño en términos de AUC y sensibilidad, aunque su capacidad para predecir correctamente casos positivos fue inferior a la de KNN.
Descargas
Citas
Ankamah, S., Nokoe, K. & Iddrisu,W. (2018). Modelling Trends of Climatic Variability and Malaria in Ghana Using Vector Autoregression. Hindawi, 2018(6124321), 1-11.
Bishop, C. M.(2006).Pattern Recogniton and Machine Learning- 738p.
Bun, Y., Ma, X., Lam, K. F. & Milligan, P. (2020). Estimation of the primary, secondary and composite effects of malaria vaccines using data on multiple clinical malaria episodes. Elsevier, 38(32), 4964-4969.
Dalrymple, ´U., Arambepola, R., Gething, P.W & Cameron, E. (2018). How long do rapid diagnostic tests remain positive after anti-malaria treatment?. Malaria Journal, 17(1), 1-13.
Deress, T & Girma, M. (2019). Plasmodium falciparum am Plasmodium vivax Prevalence in Ethiopia: A Systematic Review and Meta-Analysis. Hindawi, 2019(7065064), 1-12.
Gaw, S-L., Hromatka, B.S., Ngeleza, S., Buarpung, S., Ozorslan, N., Tshefu, A & Fisher, S.J. (2019). Differential Activation of Fetal Hofbaver Cells in Primigravidas Is Associated with Decreased Birth Weight in Symptomatic Placental Malaria. Hindawi, 2019(378174), 1-10.
Hume, J.C., Barnish, G., Mangal, T., Arm´azio, L., Streat, E. & Bates, I. (2008). Household cost of malaria overdiagnosis in rural Mozambique. Malaria Journal, 7(1), 1-8.
James, G., Witten, D., Hastie, T & Tibshirani, R. (2021). An Introduction to Statistical Learning with Applications in R. 607 p.
Johnson, R.A & Wichern, D.W.(2007). Applied Multivariate Statistical Analysis. 773 p.
Kobina, E., Yaw, A., Glover, M & Akwasi, M. (2019). Analysis of Haematological Parameters asPredictors of Malaria Infection Using a Logistic Regression Model: A case Study of a Hospital in The Ashanti Region of Ghana. Hindawi, 2019(1486370), 1-7.
Ladier, J., Parker, D.M., Myin, A., Carrara, V.I., Maung, K., Bonnington, C.A., Pukrittayakamee, S., Delmas, G & Nosten, F.H. (2016). The role of early detection and treatment in malaria elimination. Malaria Journal, 15(1), 1-8.
Lamine. & Sy, A. (2021). On the Efficiency of Machine Learning Models inMalaria Prediction.Public Health and Informatics, 281, 437-441. doi: 10.3233/SHTI210196
Lave, E., Aseidu, J & Adjei, E. (2017). A Weather-Based Prediction Model of Malaria Prevalence in Amenfi West District, Ghana. Hindawi, 2017(7820454), 1-8.
Muhamedhussein, M.S., Ghosh, S., Khanbhai, K., Maganga, E., Nagri, Z. & Manji. (2019). Prevalence and Factors Association with Acute Kidney Injury among Malaria Patients in Dar es Salaam: A Cross-Sectional Study. Hindawi, 2019(4396108), 1-7.
R Core Team. (2023). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. [Consultada en 2023]. Disponible en: https://www.Rproject.org/.
RStudio Team. (2023). RStudio: Integrated Development for R. RStudio, PBC, Boston, MA. [Consultada en 2023]. Disponible en: http://www.rstudio.com/.
Suseela, Devi.S., Samantha, E., Priyadharshini, B., & Jetlin, C.P. (2021). Malaria Detection Using Machine Learning with K Nearest Neighbour Algorithm. International Journal of Scientific Development and Research, 6(2455-2631), 457-460.
Walpole, R.E., Myers, R.H., Myers, S.L & Ye, K.(2012). Probabilidad y estadística para ingeniería y ciencias. 816p.
Wackerly, D., Mendenhall, W & Scheaffer, R. (2008). Estadística matemática con aplicación. 911
Licencia
Derechos de autor 2025 Revista de la Facultad de Ciencias
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los autores o titulares del derecho de autor de cada artículo confieren a la Revista de la Facultad de Ciencias de la Universidad Nacional de Colombia una autorización no exclusiva, limitada y gratuita sobre el artículo que una vez evaluado y aprobado se envía para su posterior publicación ajustándose a las siguientes características:
1. Se remite la versión corregida de acuerdo con las sugerencias de los evaluadores y se aclara que el artículo mencionado se trata de un documento inédito sobre el que se tienen los derechos que se autorizan y se asume total responsabilidad por el contenido de su obra ante la Revista de la Facultad de Ciencias, la Universidad Nacional de Colombia y ante terceros.
2. La autorización conferida a la revista estará vigente a partir de la fecha en que se incluye en el volumen y número respectivo de la Revista de la Facultad de Ciencias en el Sistema Open Journal Systems y en la página principal de la revista (https://revistas.unal.edu.co/index.php/rfc/index), así como en las diferentes bases e índices de datos en que se encuentra indexada la publicación.
3. Los autores autorizan a la Revista de la Facultad de Ciencias de la Universidad Nacional de Colombia para publicar el documento en el formato en que sea requerido (impreso, digital, electrónico o cualquier otro conocido o por conocer) y autorizan a la Revista de la Facultad de Ciencias para incluir la obra en los índices y buscadores que estimen necesarios para promover su difusión.
4. Los autores aceptan que la autorización se hace a título gratuito, por lo tanto renuncian a recibir emolumento alguno por la publicación, distribución, comunicación pública y cualquier otro uso que se haga en los términos de la presente autorización.
5. Todos los contenidos de la Revista de la Facultad de Ciencias, están publicados bajo la Licencia Creative Commons Atribución – No comercial – Sin Derivar 4.0.
MODELO DE CARTA DE PRESENTACIÓN y CESIÓN DE DERECHOS DE AUTOR
