Diagnóstico de enfermedad hepática mediante técnicas de aprendizaje automático y su implementación en una aplicación web

Abstract

Las enfermedades hepáticas se han incrementado notablemente en los últimos años debido a los cambios en los hábitos de vida, siendo una de las principales causas de mortalidad a nivel mundial. Sin embargo, el diagnóstico de las enfermedades hepáticas sigue siendo complejo, costoso y la mayoría de las veces tardío. Este trabajo busca un modelo de clasificación automático que permita realizar un diagnóstico precoz y sencillo de pacientes hepáticos. Para ello, se generan modelos a partir del conjunto de datos de pacientes hepáticos ILPD y los algoritmos de aprendizaje automático K-nearest neighbor (KNN), Naive Bayes (NB), Decision tree (DT), Random Forest (RF), Support Vector Machines (SVM), Artificial Neural Network (ANN) y Logistic Regression (LR). Para determinar el mejor modelo se emplearon las métricas tasa de éxito, falsos negativos, falsos positivos, tasa de error, estadístico kappa, sensibilidad, especificidad, precisión, recall y F1-score. En base a esto, los modelos ANN y RF muestran mejores resultados que el resto de modelos para la predicción de pacientes hepáticos, con una tasa de éxito del 75,1% y 74,6% y una precisión del 76,8% y 75,3%. Por lo tanto, este trabajo demuestra que es posible diagnosticar pacientes hepáticos empleando modelos de clasificación automáticos entrenados con variables clínicas sencillas de obtener, sin tener que recurrir a métodos invasivos para el paciente. Además, se ha implementado el modelo ANN en una aplicación web, generando una herramienta única y con gran potencial para apoyar a profesionales sanitarios durante el diagnóstico de enfermedades hepáticas, permitiendo un diagnóstico precoz sin necesidad de técnicas intrusivas.

Liver diseases have increased considerably in recent years due to changes in lifestyle habits and are one of the leading causes of mortality worldwide. However, the diagnosis of liver diseases remains complex, expensive and most of the times late. This work seeks an automatic classification model that allows for an early and simple diagnosis of liver patients. To this end, models are generated using the ILPD liver patient dataset and the machine learning algorithms K-nearest neighbour (KNN), Naive Bayes (NB), Decision tree (DT), Random Forest (RF), Support Vector Machines (SVM), Artificial Neural Network (ANN) and Logistic Regression (LR). To determine the best model, the metrics accuracy, false negatives, false positives, error rate, kappa statistic, sensitivity, specificity, precision, recall and F1-score were used. Based on this, the ANN and RF models showed better results than the other models for the prediction of liver patients, with an accuracy of 75.1% and 74.6% and precision of 76.8% and 75.3%. Therefore, this work has demonstrated that it is possible to diagnose liver patients using automatic classification models trained with simple clinical variables, without having to use invasive methods on the patients. Furthermore, the ANN model has been implemented in a web application, generating a unique tool with great potential to support healthcare professionals during the diagnosis of liver diseases, allowing an early diagnosis without the need of intrusive techniques.

Les malalties hepàtiques s'han incrementat notablement en els darrers anys a causa dels canvis en els hàbits de vida, essent una de les principals causes de mortalitat a nivell mundial. No obstant això, el diagnòstic de les malalties hepàtiques continua sent complex, costós i la majoria de vegades tardà. Aquest treball cerca un model de classificació automàtic que permeti fer un diagnòstic precoç i senzill de pacients hepàtics. Per això, es generen models a partir del conjunt de dades de pacients hepàtics ILPD i els algoritmes d'aprenentatge automàtic K-nearest neighbor (KNN), Naive Bayes (NB), Decision tree (DT), Random Forest (RF), Support Vector Machines (SVM), Artificial Neural Network (ANN) i Logistic Regression (LR). Per determinar el millor model es van utilitzar les mètriques taxa dèxit, falsos negatius, falsos positius, taxa derror, estadístic kappa, sensibilitat, especificitat, precisió, recall i F1-score. Sobre això, els models ANN i RF mostren millors resultats que la resta de models per a la predicció de pacients hepàtics, amb una taxa d'èxit del 75,1% i 74,6% i una precisió del 76,8% i 75 ,3%. Per tant, aquest treball demostra que és possible diagnosticar pacients hepàtics fent servir models de classificació automàtics entrenats amb variables clíniques senzilles d'obtenir, sense haver de recórrer a mètodes invasius per al pacient. A més, s'ha implementat el model ANN en una aplicació web, generant una eina única i amb gran potencial per recolzar professionals sanitaris durant el diagnòstic de malalties hepàtiques, permetent un diagnòstic precoç sense necessitat de tècniques intrusives.