Hacia un modelo gráfico causal para el análisis de la vaginosis bacteriana
Article Sidebar
Publicado
ene 29, 2025
##plugins.pubIds.doi.readerDisplayName##
https://doi.org/10.36677/rici.v3i1.25016
Main Article Content
Maricela García-Ávalos
http://orcid.org/0009-0007-0643-8977
Juana Canul Reich
http://orcid.org/0000-0003-1893-1332
Lil María Xibai Rodríguez Henríquez
http://orcid.org/0000-0002-1515-1261
Erick De la Cruz-Hernández
http://orcid.org/0000-0001-5236-7347
http://orcid.org/0009-0007-0643-8977
Juana Canul Reich
http://orcid.org/0000-0003-1893-1332
Lil María Xibai Rodríguez Henríquez
http://orcid.org/0000-0002-1515-1261
Erick De la Cruz-Hernández
http://orcid.org/0000-0001-5236-7347
Resumen
El Análisis de Trayectorias (AT) es una técnica de Estadística Multivariante que estudia los efectos directos (causales) e indirectos de un conjunto de variables observables a través del análisis de correlaciones. Este estudio aplica AT a un conjunto de datos sobre la Vaginosis Bacteriana (VB) en mujeres embarazadas, el cual tiene tres tipos de diagnósticos. Aunque se han realizado investigaciones sobre las bacterias asociadas a la VB utilizando métodos como selección de variables, agrupaciones y reglas de asociación, el AT no ha sido utilizado como herramienta visual para detectar las variables coexistentes que varían de una mujer a otra. Se presenta un Modelo Gráfico Causal (MGC) que se basa en un modelo teórico derivado de la matriz de correlación de Pearson y métricas estadísticas. Este modelo muestra las variables que influyen en el diagnóstico de VB, identificando las bacterias relevantes: Mycoplasma Hominis (Mh), Atopobium Vaginae (Av), Gardnerella Vaginalis (Gv), Megasphaera Tipo 1 (MT1) y Bacteria Asociada a Vaginosis Bacteriana Tipo 2 (BVBA2). La validez biológica del modelo fue evaluada por un experto en biología. El análisis se llevó a cabo utilizando el software R.
Article Details
Como citar
GARCÍA-ÁVALOS, Maricela et al.
Hacia un modelo gráfico causal para el análisis de la vaginosis bacteriana.
Ideas en Ciencias de la Ingeniería, [S.l.], v. 3, n. 1, p. 22-34, ene. 2025.
ISSN 2992-7447.
Disponible en: <https://ideasencienciasingenieria.uaemex.mx/article/view/25016>. Fecha de acceso: 26 ago. 2026
doi: https://doi.org/10.36677/rici.v3i1.25016.
Sección
Artículos
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-SinObrasDerivadas 4.0.
Citas
[1] D. Mendoza, A. Quintana, y A. Díaz, “La importancia de la investigación científica en medicina,” Revista Médica Sinergia, Atención Familiiiar UNAM, Vol. 24, no. 3, 224-227, 2023. DOI: 10.22201/fm.14058871p.2023.3.85789
[2] C. Celeste et al., “Ethnic disparity in diagnosing asymptomatic bacterial vaginosis using machine learning,” npj Digital Medicine, vol. 6, no. 211, 2023. DOI: 10.1038/s41746-023-00953-1
[3] E. Sánchez et al., “Molecular epidemiology of bacterial vaginosis and its association with genital micro-organisms in asymptomatic women,” Journal of Medical Microbiology. vol 68, no. 9, pp.1373–1382, 2019. DOI: 10.1099/jmm.0.001044
[4] I. Morelli, y S. Gamboa, “Vaginosis bacteriana en el embarazo: últimos avances hasta la fecha,” Revista Médica Sinergia, vol. 7, no. 7, pp. e838, 2022. DOI: 10.31434/rms.v7i7.838
[5] J. Pérez, J. Canul, J. Hernández, y B. Hernández, “Selección de predictores para el diagnóstico de la vaginosis bacteriana utilizando arboles de decisión y algoritmos de relief,” Applied Sciences, vol. 10, no. 9, pp. 3291, 2020. DOI: 10.3390/app10093291
[6] H. Hernández, J. Canul, B. Hernández, and E. De la Cruz, “An agglomerative hierarchical clustering approach to identify coexisting bacteria in groups of bacterial vaginosis patients,” Intelligent Data Analysis, vol. 27, no. 3, pp. 583-611, 2023. DOI: 10.3233/IDA-216488
[7] F. De la Cruz, J. Canul, R. Rivera, and E. De la Cruz, “Impact of data balancing a multiclass dataset before the creation of association rules to study bacterial vaginosis,” Intelligent Medicine, Elsevier, vol. 4, no. 3, pp. 188-199, 2023. DOI: 10.1016/j.imed.2023.02.001
[8] M. Álvarez, L. Quirós, y M. Cortés, “Inteligencia artificial y aprendizaje automático en medicina,” Revista Médica Sinergia, vol. 5, no. 8, pp. 1-12, 2020. DOI: 10.31434/rms.v5i8.557
[9] N. Sagaró y L. Zamora, “Métodos gráficos en la investigación biomédica de causalidad,” Revista Electrónica Dr. Zoilo E. Marinello Vidaurreta, vol. 44, no. 4, 2019. Disponible en: http://revzoilomarinello.sld.cu/index.php/zmv/article/view/1846.
[10] A. Lepera, “Introducción a los Modelos de Ecuaciones Estructurales y su Implementación en R mediante un ejemplo,” Revista de Investigación en Modelos Matemáticos Aplicados a la Gestión y la Economía, vol. 1, no. 8, pp. 15-37, 2021. Disponible en: https://www.economicas.uba.ar/wp-content/uploads/2016/04/Lepera-Andrea-1.pdf
[11] M. Molinas, C. Ochoa, y E. Ortega, “Correlación, Modelos de regresión, Evidencia Pediátrica,” vol. 17, no. 2, pp. 17-25, 2021. Disponible en: https://evidenciasenpediatria.es/articulo/7827/correlacion-modelos-de-regresion
[12] J. Iglesias, “Modelo de Ecuaciones Estructurales,” Universidad de Almería, pp. 1-72, 2021. Disponible en: https://repositorio.ual.es/bitstream/handle/10835/13177/IGLESIAS%20LABRACA,%20JUAN%20MIGUEL.pdf?sequence=1
[13] K. Barbeau, K. Boileau, F. Sarr, and K. Smith, “Path analysis in Mplus: A tutorial using a conceptual model of psychological and behavioral antecedents of bulimic symptoms in Young adults,” The Quantitative Methods for Psychology, vol. 15, no. 1, pp. 38-53, 2019. DOI: 10.20982/tqmp.15.1.p038
[14] F. Jordan, “Valor de corte de los índices de ajuste en el análisis factorial confirmatorio,” Revista de Investigación en Psicología Social, Redalyc, vol. 7, no. 1, pp. 66-71, 2021. Disponible en: https://www.redalyc.org/articulo.oa?id=672371335005
[15] F. Jahuey, J. Herrera, y F. Paredes, “El programa R: una estrategia inicial para su entendimiento y aprendizaje,” Revista Digital Universitaria, vol. 23, no. 4, 2022. DOI: 10.22201/cuaieed.16076079e.2022.23.4.4
[16] C. Bouza, “Análisis exploratorio de datos univariados para la ciencia de datos,” Red Iberoamericana de Estudios Cuantitativos Aplicados, 2023. DOI: 10.13140/RG.2.2.26038.06722
[17] A. Madrid, S. Valenzuela, C. Batanero, y J. Garzón, “Interpretación del diagrama de caja por estudiantes universitarios de ciencias de la actividad física y deporte,” Educación Matemática, vol. 34, no. 3, 2022. DOI: 10.24844/EM3403.10
[18] A. Contreras, N. Luna, P. Macías, y N. González, “Imputación de datos faltantes en encuestas en hogares,” Memorias de la Décima Cuarta Conferencia Iberoamericana de Complejidad, Informática y Cibernética, pp. 310-316, 2024. DOI: 10.54808/CICIC2024.01.310
[19] E. Mejía, J. Aguilar, P. Bolaños, y J. López, “Métodos de imputación por regresión, imputación por moda, imputación múltiple y árboles de decisión para variables categóricas en perspectiva comparada,” Revista De La Universidad Del Zulia, vol. 15, no. 43, pp. 541-555, 2024. DOI: 10.46925//rdluz.43.29
[20] L. Poaquiza y G. Gavilanes, “El estrés y su relación con la inteligencia emocional en docentes universitarios,” Ciencia Latina Revista Científica Multidisciplinar, vol. 6, no. 3, pp. 1357-1372, 2022. DOI: 10.37811/cl_rcm.v6i3.2301
[21] R. Ponce y M. Cáceres, “Dependencia emocional y su relación con el riesgo suicida en adultos jóvenes,” LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, vol. 4, no. 1, pp. 329-339, 2023. DOI: 10.56712/latam.v4i1.247
[22] R. Drew et al., “An interpretation algorithm for molecular diagnosis of bacterial vaginosis in a maternity hospital using machine learning: proof-of-concept study,” Diagnostic Microbiology and Infectious Disease, vol. 96, no. 2, pp. 114950, 2020. DOI: 10.1016/j.diagmicrobio.2019.114950
[23] J. Salas, L. Angulo, y E. Garita, “Vaginosis Bacteriana-Actualización y novedad terapéutica,” Revista Ciencia y Salud. UCIMED, vol. 5, no. 6, 85-93, 2022. DOI: 10.34192/cienciaysalud.v5i6.387
[2] C. Celeste et al., “Ethnic disparity in diagnosing asymptomatic bacterial vaginosis using machine learning,” npj Digital Medicine, vol. 6, no. 211, 2023. DOI: 10.1038/s41746-023-00953-1
[3] E. Sánchez et al., “Molecular epidemiology of bacterial vaginosis and its association with genital micro-organisms in asymptomatic women,” Journal of Medical Microbiology. vol 68, no. 9, pp.1373–1382, 2019. DOI: 10.1099/jmm.0.001044
[4] I. Morelli, y S. Gamboa, “Vaginosis bacteriana en el embarazo: últimos avances hasta la fecha,” Revista Médica Sinergia, vol. 7, no. 7, pp. e838, 2022. DOI: 10.31434/rms.v7i7.838
[5] J. Pérez, J. Canul, J. Hernández, y B. Hernández, “Selección de predictores para el diagnóstico de la vaginosis bacteriana utilizando arboles de decisión y algoritmos de relief,” Applied Sciences, vol. 10, no. 9, pp. 3291, 2020. DOI: 10.3390/app10093291
[6] H. Hernández, J. Canul, B. Hernández, and E. De la Cruz, “An agglomerative hierarchical clustering approach to identify coexisting bacteria in groups of bacterial vaginosis patients,” Intelligent Data Analysis, vol. 27, no. 3, pp. 583-611, 2023. DOI: 10.3233/IDA-216488
[7] F. De la Cruz, J. Canul, R. Rivera, and E. De la Cruz, “Impact of data balancing a multiclass dataset before the creation of association rules to study bacterial vaginosis,” Intelligent Medicine, Elsevier, vol. 4, no. 3, pp. 188-199, 2023. DOI: 10.1016/j.imed.2023.02.001
[8] M. Álvarez, L. Quirós, y M. Cortés, “Inteligencia artificial y aprendizaje automático en medicina,” Revista Médica Sinergia, vol. 5, no. 8, pp. 1-12, 2020. DOI: 10.31434/rms.v5i8.557
[9] N. Sagaró y L. Zamora, “Métodos gráficos en la investigación biomédica de causalidad,” Revista Electrónica Dr. Zoilo E. Marinello Vidaurreta, vol. 44, no. 4, 2019. Disponible en: http://revzoilomarinello.sld.cu/index.php/zmv/article/view/1846.
[10] A. Lepera, “Introducción a los Modelos de Ecuaciones Estructurales y su Implementación en R mediante un ejemplo,” Revista de Investigación en Modelos Matemáticos Aplicados a la Gestión y la Economía, vol. 1, no. 8, pp. 15-37, 2021. Disponible en: https://www.economicas.uba.ar/wp-content/uploads/2016/04/Lepera-Andrea-1.pdf
[11] M. Molinas, C. Ochoa, y E. Ortega, “Correlación, Modelos de regresión, Evidencia Pediátrica,” vol. 17, no. 2, pp. 17-25, 2021. Disponible en: https://evidenciasenpediatria.es/articulo/7827/correlacion-modelos-de-regresion
[12] J. Iglesias, “Modelo de Ecuaciones Estructurales,” Universidad de Almería, pp. 1-72, 2021. Disponible en: https://repositorio.ual.es/bitstream/handle/10835/13177/IGLESIAS%20LABRACA,%20JUAN%20MIGUEL.pdf?sequence=1
[13] K. Barbeau, K. Boileau, F. Sarr, and K. Smith, “Path analysis in Mplus: A tutorial using a conceptual model of psychological and behavioral antecedents of bulimic symptoms in Young adults,” The Quantitative Methods for Psychology, vol. 15, no. 1, pp. 38-53, 2019. DOI: 10.20982/tqmp.15.1.p038
[14] F. Jordan, “Valor de corte de los índices de ajuste en el análisis factorial confirmatorio,” Revista de Investigación en Psicología Social, Redalyc, vol. 7, no. 1, pp. 66-71, 2021. Disponible en: https://www.redalyc.org/articulo.oa?id=672371335005
[15] F. Jahuey, J. Herrera, y F. Paredes, “El programa R: una estrategia inicial para su entendimiento y aprendizaje,” Revista Digital Universitaria, vol. 23, no. 4, 2022. DOI: 10.22201/cuaieed.16076079e.2022.23.4.4
[16] C. Bouza, “Análisis exploratorio de datos univariados para la ciencia de datos,” Red Iberoamericana de Estudios Cuantitativos Aplicados, 2023. DOI: 10.13140/RG.2.2.26038.06722
[17] A. Madrid, S. Valenzuela, C. Batanero, y J. Garzón, “Interpretación del diagrama de caja por estudiantes universitarios de ciencias de la actividad física y deporte,” Educación Matemática, vol. 34, no. 3, 2022. DOI: 10.24844/EM3403.10
[18] A. Contreras, N. Luna, P. Macías, y N. González, “Imputación de datos faltantes en encuestas en hogares,” Memorias de la Décima Cuarta Conferencia Iberoamericana de Complejidad, Informática y Cibernética, pp. 310-316, 2024. DOI: 10.54808/CICIC2024.01.310
[19] E. Mejía, J. Aguilar, P. Bolaños, y J. López, “Métodos de imputación por regresión, imputación por moda, imputación múltiple y árboles de decisión para variables categóricas en perspectiva comparada,” Revista De La Universidad Del Zulia, vol. 15, no. 43, pp. 541-555, 2024. DOI: 10.46925//rdluz.43.29
[20] L. Poaquiza y G. Gavilanes, “El estrés y su relación con la inteligencia emocional en docentes universitarios,” Ciencia Latina Revista Científica Multidisciplinar, vol. 6, no. 3, pp. 1357-1372, 2022. DOI: 10.37811/cl_rcm.v6i3.2301
[21] R. Ponce y M. Cáceres, “Dependencia emocional y su relación con el riesgo suicida en adultos jóvenes,” LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, vol. 4, no. 1, pp. 329-339, 2023. DOI: 10.56712/latam.v4i1.247
[22] R. Drew et al., “An interpretation algorithm for molecular diagnosis of bacterial vaginosis in a maternity hospital using machine learning: proof-of-concept study,” Diagnostic Microbiology and Infectious Disease, vol. 96, no. 2, pp. 114950, 2020. DOI: 10.1016/j.diagmicrobio.2019.114950
[23] J. Salas, L. Angulo, y E. Garita, “Vaginosis Bacteriana-Actualización y novedad terapéutica,” Revista Ciencia y Salud. UCIMED, vol. 5, no. 6, 85-93, 2022. DOI: 10.34192/cienciaysalud.v5i6.387