Introducción a RPA

[pic 1][pic 2][pic 3][pic 4][pic 5][pic 6][pic 7]

[pic 8]

[pic 9]

[pic 10]

[pic 11]

[pic 12]

1. Estado de arte

S. Aguadero, A. Ezponda, F. Mendoza, (2021) analizan las imágenes de las tomografías computarizadas de tórax con el método TC de 218 pacientes infectados por SARS-CoV-2 en el cual 20 fueron excluidos por pruebas negativas, 16 pacientes presentaron infecciones con otro patógenos, al realizar los análisis estadísticos para verificar el porcentaje de aceptación de los 16 examinadores de las tomografías, en el cual se usó el método Cohen y luego el programa SPSS para la verificación, se obtuvo como resultado una aceptación del 95,4% a un 98.2%, donde estos resultados nos muestran que las tomografías computarizadas son eficientes para la detección temprana del SARS-CoV-2.

H. Yuen, H. Yin, A. Ho-Tung, S. Ting, (2020) utilizan el método CXR para la detección del COVID-19, siendo este método el más común usado para la lectura de imágenes de rayos X por un personal inexperto permitiendo ahorrar hasta un 65% de lectura del análisis. Para el estudio de la aceptación del método de imágenes de tomografías de rayos X se usó una población de 64 pacientes a los cuales se le realizaron las pruebas utilizando el método RT-PCR para la obtención de datos estadísticos en el cual se obtuvo un 65% de aceptación el cual no ha logrado demostrar un resultado favorable para la detección del COVID-19.

M. Corbacho, F. Corbacho, A. Ruano, A. Fernández, (2020). Hacen uso del método CXR este es un método de detección de COVID-19 en el cual se analizan imágenes de rayo X y después de ellos se obtienen los resultados. Estos resultados son analizados por examinadores y verifican si el paciente se encuentra con Covid-19. Se implementó una IA capaz de medir con precisión e identificar la enfermedad, esto se llevo acabo gracias a un modelo de código abierto llamado COVID-Net, gracias a estos algoritmos de la muestra de 100 radiografías se llego a obtener una precisión de detección de un 92.4%.

A. Cobre, D. Pontarolo, G. Rodríguez, M. Millan, M. Surek, (2021) demuestra como utilizando pruebas bioquímicas y el aprendizaje automático muestran indicadores de pronósticos de COVID-19. Los modelos por utilizar fueron el PCA, KMCA en donde estos modelos diferencian entre pacientes positivos y negativos y con más de 5000 muestras de RT-PCR de datos sobre los distintos parámetros bioquímicos, hematológicos muestran que los modelos basados en ML no son tan precisos, caso contrario ocurrió con el ANN el cual obtuvo una precisión de un 94%.

H. Jiao, H. Zhengyuan, A. Asghar, S. Yeqi, L. Wang, X. Huang, C, Huiling, Y. Chen, (2022) utilizan parámetros de análisis de gases de sangre combinado con una máquina de aprendizaje extremo optimizada llamada Harris Hawks para detectar la gravedad del COVID-19. El método utilizado fue un clasificador KELM que se fusiona con el clasificador HHOSRL en donde se determina que la esta fusión logra casi un 100.00% de especificad, precisión y sensibilidad tras a haber analizado 50 pruebas en pacientes con COVID-19.

S. Boussen, P. Cordier, A. Malet, P. Simeone, S. Cataldi, C. Vaisse, X. Roché, A. Castelli, (2020) elaboran un algoritmo que evalúa la gravedad y necesidad de intubación dinámica en pacientes utilizando datos como frecuencia respiratoria y saturación de oxígeno, teniendo una muestra de 279 pacientes se tuvo una tasa de precisión del 87,8% para el reconocimiento de intubación. El modelo de aprendizaje automático no supervisado fue el modelo de la mezcla Gaussiana y se usaron los algoritmos de agrupación BF y SPO2 para los pacientes intubados y no intubados.

N. Alballa, I. Al-Turaiki, (2020) se usa el algoritmo ML de aprendizaje automático para el diagnóstico de COVID-19, su mortalidad y el riesgo de gravedad que puede tener este paciente, este algoritmo se utilizó a 645 pacientes con COVID-19 llegando a tener un AUC del 94,4%, una sensibilidad del 94,1% y una especificidad del 90,2% ayudando también a una mejor toma de decisión compleja, estos datos son independientes de la mortalidad de las cuales está influenciado cuatro factores.

D. Kumar, M. Subramanian, M. Pachá, S. Bojja, S. Mukta, T. Madiha, (2020) en este estudio se proyecta una técnica para le diagnóstico de COVID-19 sobre diferentes imágenes de casos positivos y negativos, se usa la optimización de hiperparámetros del clasificador de aprendizaje automático SVM el cual utiliza el algoritmo de cuco el cual fue modificado y para la selección de características se uso el algoritmo mRMR. Se aplicaron estos algoritmos a 64 pacientes entre ellos positivos y negativos a la prueba COVID-19 y en el cual se llegó a una especificidad de un 88,9% teniendo una buena precisión respecto a otros algoritmos.

R. Sarath, B. Kumar, P. Karmakar, A. Bhaumilk, V. Nassa, V. Sumanta, (2020) debido a la falta de observadores radiólogos profesionales se empezó a implementar el aprendizaje automático a las imágenes de tomografías computarizadas de alta resolución o también llamadas HRCT. La investigación utilizó 1157 personas con la enfermedad pulmonar fibrótica, en donde la mediana de confiablidad de los radiólogos fue del 70,7% en comparación del 73,3% de la eficiencia del método, este estudio tubo dificultades con las perspectivas ML y LD pero el método facilitó las evaluaciones de estas imágenes automáticamente.

E. Martínez, A. Diez, L. Ibáñez, O. Vélez. (2020) para detectar el SARS-CoV-2 se usa la prueba inversa RT-PCR con un rango de sensibilidad de 60 a 70% al 95 – 97% pero el problema recae en los falsos positivos especialmente en las primeras etapas y va cambiando conforme va transcurriendo el tiempo. Las pruebas de imágenes tienen vital importancia en la detección y manejo de los pacientes y se usa para diagnosticar, determinar la gravedad de la enfermedad, orientar el tratamiento y valorar respuestas terapéuticas, dicho esto se recomienda utilizar este análisis de imágenes en la evaluación de las complicaciones.

S. Vangipuram, A. Rajesh, (2021) se realizó un estudio para diagnosticar el COVID-19 basando en información básica y síntomas informador por pacientes sospechosos, esta información considerada para el desarrollo del modelo de aprendizaje automático fueron la edad, sexo, el contacto preliminar con el paciente contratado por COVID, síntomas de dolor de cabeza, dolor de garganta, fiebre, dificultad de respirar y tos. Se hicieron pruebas a 1134 pacientes con posible contagio en donde se pudo obtener del resultado una sensibilidad de 80.3%, este resultado positivo ayudó a la toma de decisiones y medidas de enfermedades.

...