Optimización de un modelo de clasificación de enfermedades Cardiovasculares utilizando técnicas de aprendizaje Profundo supervisado y despliegue de dashboard web

Abstract

El presente trabajo de grado presenta la optimización y despliegue del modelo del pregrado de título “Modelo predictivo de hipertensión para el diagnóstico de pacientes con factores de riesgo cardiovascular en el departamento de bolívar, mediante técnicas de Deep Learning” presentado por Gisella Rojas y Cristian Ruiz en el año 2020, el trabajo se centró en la elaboración de un modelo basado en Deep Learning que fuese capaz de apoyar el diagnóstico de los pacientes que en sus condiciones de salud y otros aspectos puedan elevar la vulnerabilidad de la hipertensión. El desarrollo de este proyecto se basa en la optimización de un modelo previo de predicción de hipertensión del cual se mejora el proceso de análisis de los datos ya que el modelo inicial no generaba la predicción exacta de clasificación de enfermedades cardiovasculares debido a la mala interpretación y la falta de limpieza de los datos. Asimismo, la optimización consistió en hacer ajustes en el modelo realizando mejoras en la construcción de la red neuronal y en el proceso de entrenamiento identificando técnicas de activación y épocas adecuadas para lograr obtener resultados óptimos. Finalmente la preparación de los datos permitió formular, entrenar y probar un modelo de clasificación de enfermedades cardiovasculares construido en el entorno de TensorFlow desarrollado por Google el cual se obtuvo una red neuronal recurrente compuesta con una capa de entrada con 18 nodos, dos capas ocultas con 128 nodos cada capa y una capa de salida de 3 nodos en cual fueron los más óptimos para la predicción la cual obtuvo una precisión de 97% en la validación del modelo, y posteriormente se desplegó haciendo uso de una aplicación web para la consulta del personal médico el modelo elaborado por los mencionado anteriormente arrojó como resultados, una precisión superior al 86%, viendo los porcentajes en las métricas de evaluación que se utilizaron como: Precisión, Recall, F1 Score y accuracy, las cuales arrojaron resultados que superan el 80% en la clasificación de los riesgos. Cabe destacar que el modelo desarrollado no disponía de una interfaz gráfica que permitiera la toma de decisiones por parte del personal médico usuario de la aplicación. tiene como enfoque realizar la clasificación del código del diagnóstico de las personas que posiblemente sufran patologías como hipertensión esencial, diabetes mellitus no insulinodependiente sin mención de complicación, diabetes mellitus insulinodependiente sin mención de complicación, así también integrar una interfaz gráfica mediante un aplicativo web la cual será desarrollado en el framework DJANGO (Python) que se integre el modelo construido para realizar clasificación diferencial del diagnóstico de hipertensión.