El diagnóstico de la Fasciolosis bovina basado en redes bayesianas

Contenido del Artículo principal

Neilys González Benítez Vivian Estrada Sentí Antonio Romillo Tarke

Resumen

El diagnóstico de una enfermedad es un proceso cognitivo complejo que implica capacitación, experiencia, reconocimiento de patrones y cálculo de probabilidad condicional, entre otros componentes menos comprendidos. En las últimas décadas se han realizado esfuerzos por aplicar el análisis predictivo en los sistemas de salud, así como lanzar sistemas de aprendizaje automático para facilitar el diagnóstico. En la actualidad la medicina utiliza innumerables adelantos que involucran el uso intensivo de alta tecnología como el diagnóstico por imágenes, la robótica, entre otros, especialmente la aplicación de métodos que aprovechan los datos disponibles y la experiencia clínica. Entre los métodos que utilizan son las redes bayesianas, en particular haciendo uso de la inferencia probabilista, la cual es especialmente adecuada para el modelado de conocimiento incierto, capaz de describir de manera concisa un problema, modelándolo a través de un conjunto de variables relacionadas entre sí. El empleo de las redes bayesianas en estos casos es útil, y máxime para la enfermedad que se estudia, la Fasciolosis bovina, la cual cursa con síntomas, signos y factores de riesgo similares con otras enfermedades ganaderas, además, a través del cuadro clínico que presentan los bovinos cuando presentan las primeras evidencias de la enfermedad no es posible decidir en presencia de qué enfermedad se encuentran los animales; en ese sentido es el objetivo de la investigación. El diagnóstico de enfermedades a priori resultó favorable con este método para apoyar la toma de decisiones de los especialistas de salud animal, con el fin de cuidar la salud animal y conservar la masa ganadera.

Descargas

Descargar datos aún no está disponible.

Article Details

Cómo citar
GONZÁLEZ BENÍTEZ, Neilys; ESTRADA SENTÍ, Vivian; ROMILLO TARKE, Antonio. El diagnóstico de la Fasciolosis bovina basado en redes bayesianas. Avances, [S.l.], v. 19, n. 1, p. 12-22, mar. 2017. ISSN 1562-3297. Disponible en: <http://www.ciget.pinar.cu/ojs/index.php/publicaciones/article/view/220>. Fecha de acceso: 25 sep. 2022
Sección
ARTÍCULOS CIENTÍFICOS

Citas

Chuang, C. L. (2011). Case-based reasoning support for liver disease diagnosis. Artif. Intell. Med., 53(1), 15-23. Recuperado de: http://www.ncbi.nlm.nih.gov/pubmed/21757326
Haigh, J. (2005). Probability Models, Springer Undergraduate Mathematics Series, UK.
Nagarajan, R.; Scutari, M.; Lébre, S. (2013). Bayesian Networks in R with Applications in Systems Biology, Springer, USA.
Koski, T., Noble, J. (2009). Bayesian Networks: An introduction. Wiley, UK.
Patel, V.L.; Shortliffe, E.H.; Stefanelli, M.; Szolovits, P.; Berthold M.R.; Bellazzi R.; Abu-Hanna, A. (2009). The coming of age of artificial intelligence in medicine. Artif. Intell. Med., 46(1), 5-17.Recuperado de: http://www.ncbi.nlm.nih.gov/pubmed/18790621
Tenorio, J. M.; Hummel, A.D.; Cohrs, F.M.; Sdepanian, V.L.; Pisa, I.T.; de Fátima Marin, H. (2011). Artificial intelligence techniques applied to the development of a decision - support system for diagnosing celiac disease. Int. J. Med. Inf., 80(11), 793-802. Recuperado de: http://www.ncbi.nlm.nih.gov/pubmed/21917512
Zumaquero, J. L.; Sarracent, J.; Rojas, R.; Rojas, L.; Martínez, Y.; Valero, M.A.; Mas, S. (2013). Fascioliasis and Intestinal Parasitoses Affecting Schoolchildren in Atlixco, Puebla State, Mexico: Epidemiology and Treatment with Nitazoxanide. PLoS Negl Trop. Dis., 7(11), 25-53. doi: 10.1371/journal.pntd.0002553.