Un Un modelo de Red Bayesiana para datos cualitativos de Vaginosis Bacteriana en mujeres embarazadas
Article Sidebar
Main Article Content
http://orcid.org/0000-0002-4825-4558
Juana Canul Reich
http://orcid.org/0000-0003-1893-1332
Cristina López Ramírez
http://orcid.org/0000-0001-6010-2023
Erick De la Cruz Hernández
http://orcid.org/0000-0001-5236-7347
Resumen
La Vaginosis Bacteriana BV es un factor de riesgo para el parto prematuro. La Organización Mundial de la Salud OMS, destaca que a pesar que la BV ya se considera una afección más común y de no tratarse puede provocar problemas en el embarazo como aborto espontáneo y parto prematuro así como mayor riesgo de otras infecciones de transmisión sexual. Las técnicas computacionales de Inteligencia Artificial como Redes Bayesianas Causales CBNs, se han utilizado en diferentes estudios con el objetivo de análisis de diagnóstico de enfermedades. Este estudio tiene la finalidad de compartir como una CBN puede identificar que bacterias coexisten y la relación que tienen frente a un diagnóstivo positivo DxBV+. Los datos que se utilizaron para este estudio tienen como base una recolección de datos reales por parte de personal investigador de la División Académica Multidisplinaria de Comalcalco DAMC formando un dataset de casos positivos, negativos e indeterminados de BV en mujeres embarazadas. El resultado que se obtuvo dio un modelo gráfico causal que es presentado como una CBN y su tabla de probabilidad condicional que detalla el porcentaje de relación con el DxBV+.
Article Details
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-SinObrasDerivadas 4.0.
Citas
[2] Rivera, Z., Bravo, N., Borges, R., & Ferreiro, M. (2010). Infecciones de transmisión sexual y embarazo.
[3] Lachira Vasquez, A. A. (2023). Factores asociados a vaginosis bacteriana en mujeres en edad reproductiva en una localidad rural y otra urbano-marginal de Piura–2021.
[4] Perez Coronel, G. (2024). Conocimiento y actitudes sobre prevención de infecciones de transmisión sexual en estudiantes del Colegio Sagrado Corazón de Jesús, Chota 2023.
[5] Swidsinski, S., Moll, W. M., & Swidsinski, A. (2023). Bacterial Vaginosis-Vaginal Polymicrobial Biofilms and Dysbiosis. Deutsches Ärzteblatt International, 120(20), 347.
[6] Vega, M. Á., Mora, L. M. Q., & Badilla, M. V. C. (2020). Inteligencia artificial y aprendizaje automático en medicina. Revista médica sinergia, 5(8), e557-e557.
[7] Cantú, F., & Aldeco, R. (2019). Conocimiento y Razonamiento Computacional.
[8] Rojas, E. M. (2020). Machine Learning: análisis de lenguajes de programación y herramientas para desarrollo. Revista Ibérica de Sistemas e Tecnologias de Informação, (E28), 586-599.
[9] Soto, G. (2011). El teorema de Bayes. Revista de Educación Matemática, 26(3).
[10] Pearl, J., & Mackenzie, D. (2020). El libro del porqué. La nueva ciencia de la causa y el efecto. and others, editor. Barcelona, España: Pasado y Presente.
[11] Sucar, L. E. (2015). Probabilistic graphical models. Advances in Computer Vision and Pattern Recognition. London: Springer London. doi, 10(978), 1.
[12] Lajous, M. (2021). Inferencia causal en análisis basados en datos de vigilancia epidemiológica para Covid-19. Salud pública de méxico, 63(4), 459-460.
[13] Train, K. (2014). Métodos de elección discreta con simulación.
[14] Friedman, N. (2013). The Bayesian structural EM algorithm; arXiv preprint arXiv:1301.7373.
[15]. Yucra López, C. E. (2021). Biblioteca para la comparación estadística de algoritmos evolutivos.
[16]. Morón, K. A. M., & Romero, C. A. M. Prevalencia y Factores Asociados con Vaginosis Bacteriana en Universitarias de la. Medicina, 15, 15.