RESUMEN

Introducción:

Los escenarios de convivencia de las diversas poblaciones son muy complejos, lo que contribuye con la propagación de enfermedades. Diagnosticar tempranamente enfermedades infecciosas representa una tarea fundamental para disminuir su propagación y evitar epidemias. Sin embargo, la inconsistencia en los datos de poblaciones y la imposibilidad de contar con un diagnóstico oportuno en muchos casos trae como consecuencia la proliferación de pandemias tales como la COVID-19.

Objetivo:

Desarrollar un sistema de apoyo al diagnóstico médico para COVID-19 a partir de la modelación de las relaciones causales de los criterios de diagnóstico, para conformar el mapa cognitivo difuso.

Métodos:

Para el desarrollo de la investigación se utilizaron métodos teóricos, empíricos y estadísticos, tales como: analítico-sintético, inductivo-deductivo, hipotético-deductivo, modelación. Como método empírico se utilizó la entrevista semiestructurada con la intención de recoger información que permitiera incluir contenidos no prescritos y precisar el conocimiento de los expertos sobre los principales indicadores para la toma de decisiones en el diagnóstico médico de la COVID-19.

Resultados:

El sistema funciona a través de un mapa cognitivo difuso para modelar las relaciones causales que representan la base de la inferencia. Se utilizan técnicas de inteligencia artificial como base al diagnóstico médico. Se presenta un ejemplo demostrativo para el diagnóstico médico de la COVID-19 en el que se modelan las relaciones causales de los diferentes conceptos que describen la enfermedad provocada.

Conclusiones:

El sistema diseñado constituye una herramienta viable de apoyo a la toma de decisiones en el diagnóstico médico de la COVID-19, que permite obtener criterios evaluativos a partir de la modelación de las relaciones causales, esto lo hace extensible a otros tipos de situaciones de emergencias sanitarias.

Palabras clave:
diagnóstico médico; enfermedades infecciosas; mapa cognitivo difuso; COVID-19

ABSTRACT

Introduction:

Different populations coexistence scenarios are very complex, which contributes to the spread of diseases. Diagnosing infectious diseases early is a critical task in reducing its spread and preventing epidemics. However, inconsistency in population data and the inability to have timely diagnosis in many cases result in the proliferation of pandemics such as COVID-19.

Objective:

Develop a support system for COVID-19 medical diagnostic from modeling causal relations of diagnostic criteria, to form the diffuse cognitive map.

Methods:

Theoretical, empirical and statistical methods were used for the development of the research, such as: analytical-synthetic, inductive-deductive, hypothetical-deductive, modeling. As an empirical method, the semi-structured interview was used with the intention of collecting information that would include unprescribed contents and require expert knowledge of the main indicators for decision-making in COVID-19 medical diagnosis.

Results:

The system works through a diffuse cognitive map to model causal relationships that represent the inference´s basis. Artificial intelligence techniques are used as a basis for medical diagnosis. A demonstrative example is presented for COVID-19 medical diagnosis in which are modelled the causal relations of the different concepts that the disease describes.

Conclusions:

The designed system is a viable support tool for decision-making in COVID-19 medical diagnosis, which allows to obtain evaluative criteria from the modelling of causal relations, and this makes it extendable to other types of health emergencies situations.

Keywords:
medical diagnosis; infectious diseases; diffuse cognitive map; COVID-19

Introducción

Las personas en diferentes ambientes se enfrentan a problemáticas o circunstancias que deben ser resueltas. El diagnóstico médico constituye una actividad en la que los especialistas de la salud, a partir de la base de su conocimiento, identifican una enfermedad o estado de salud. Durante el proceso de diagnóstico, el especialista tiene en cuenta una gran cantidad de información suministrada por el paciente durante el interrogatorio o anamnesis, el examen físico, pruebas de laboratorio, entre otros elementos para llegar al diagnóstico definitivo.

En la actualidad, la propagación de la COVID-19, enfermedad provocada por el nuevo coronavirus SARS-CoV-2, identificado en China en diciembre de 2019, representa una pandemia que afecta a las poblaciones de casi todo el mundo.¹1. Bai Y, Yao L, Wei T, Tian F, Jin DY, Chen L, et al. Presumed asymptomatic carrier transmission of COVID-19. Jama. 2020 acceso 15/04/2020;323(14)1406-07. Disponible en: https://jamanetwork.com/journals/jama/fullarticle/2762028
https://jamanetwork.com/journals/jama/fu... ^,22. WHO. Coronavirus disease 2019 (COVID-19): situation report, 67. Ginebra: WHO; 2020. acceso 15/04/2020. Disponible en: Disponible en: https://apps.who.int/iris/bitstream/handle/10665/331685/nCoVsitrep01Apr2020-eng.pdf
https://apps.who.int/iris/bitstream/hand... Obtener un diagnóstico certero a partir de las manifestaciones clínicas constituye una tarea que salva vidas y evita su propagación.³3. Xu Z, Shi L, Wang Y, Zhang J, Huang L, Zhang C, et al. Pathological findings of COVID-19 associated with acute respiratory distress syndrome. The Lancet respiratory medicine. 2020;8(4):420-422. DOI: 10.1016/S2213-2600(20)30076-X
https://doi.org/10.1016/S2213-2600(20)30... ^,44. Gao J, Tian Z, Yang X. Breakthrough: Chloroquine phosphate has shown apparent efficacy in treatment of COVID-19 associated pneumonia in clinical studies. BioScience Trends 2020;14(1):72-73. DOI: 10.5582/bst.2020.01047
https://doi.org/10.5582/bst.2020.01047... ^).Cuando el personal médico se enfrenta al diagnóstico de la COVID-19, analiza el cuadro clínico presentado por el paciente donde realiza una primera clasificación de las sintomatologías y posteriormente profundiza en pruebas clínicas que corroboren el diagnóstico.⁵5. Vila J, Gómez MD, Salavert M, Bosch J. Métodos de diagnóstico rápido en microbiología clínica: necesidades clínicas. Enfermedades Infecciosas Y Microbiología Clínica. 2017 acceso 15/04/2020;35(1):41-6. Disponible en: https://www.sciencedirect.com/science/article/pii/S0213005X16303500
https://www.sciencedirect.com/science/ar...

En el proceso de diagnóstico médico, a partir del chequeo clínico, son muchos los casos que se clasifican como sospechosos de infección de COVID-19.⁶6. Díaz OD, González NO. Manual para el diagnóstico y tratamiento del paciente diabético a nivel primario de salud. La Habana: Ecimed; 2016 acceso 15/04/2020. Disponible en: Disponible en: http://www.bvs.sld.cu/libros/manual_diag_ttmo_paciente_diabetico/manual_diag_ttmo_pte_diabetico_completo.pdf
http://www.bvs.sld.cu/libros/manual_diag... ^,77. Arenas Gallego A, Calderon Castro IP, Garcia C, Franko J. Responsabilidad del estado frente a los diagnósticos médicos erróneos en la prestación de servicios de salud. Colombia: Ediciones Universidad Simón Bolívar; 2018 acceso 15/04/2020. Disponible en: Disponible en: https://bonga.unisimon.edu.co/bitstream/handle/20.500.12442/3156/Resumen.pdf?sequence=4&isAllowed=y
https://bonga.unisimon.edu.co/bitstream/... Sin embargo, a partir del resultado del laboratorio clínico resultan negativos.⁸8. Arribasa MM, Riverob A, Fernández E, Povedad T, Caylàe JA. Enfermedades infecciosas y microbiología clínica. Enfermedades Infecciosas y Microbiología Clínica. 2018 acceso 15/04/2020;36(Supl 1): 3-9. Disponible en: https://viivhealthcare.com/content/dam/cf-viiv/viiv-healthcare/es_ES/documents/Monografico%20SEIMC%20%202018.pdf#page=6
https://viivhealthcare.com/content/dam/c... ^,99. Lejarazu L, Rello SR, Muñoz IS. Retos diagnósticos de la gripe. Enfermedades Infecciosas y Microbiología Clínica. 2019 acceso 15/04/2020;37:47-55. Disponible en: https://www.sciencedirect.com/science/article/pii/S0213005X1930182X
https://www.sciencedirect.com/science/ar... En este sentido, una clasificación más certera garantizaría un diagnóstico con mayor precisión. Problemas de esta naturaleza han sido abordados por la ciencia a partir de la representación de modelos causales para la toma de decisiones.¹⁰10. Fuster VDE, Boigues FJ, Vidal A, Pastor JI. Redes bayesianas y diagnóstico médico. Una forma diferente de aprender probabilidades condicionadas. Modelling in Science Education and Learning. 2019 acceso 15/04/2020;12(2):59-76. Disponible en: https://polipapers.upv.es/index.php/MSEL/article/download/10830/11695
https://polipapers.upv.es/index.php/MSEL... ^,1111. Ventura G, Junior F, Peña Membrillo BO. Sistema Experto Médico para Mejorar el Diagnóstico de Pacientes con Depresión del CSM Santa Lucia de Moche. [tesis de ingeniería]. [Perú]: Universidad César Vallejo; 2018. [acceso 15/04/2020]. Disponible en: http://repositorio.ucv.edu.pe/bitstream/handle/20.500.12692/38474/gupioc_vf.pdf?sequence=1
http://repositorio.ucv.edu.pe/bitstream/...

A su vez, un sistema para la toma de decisiones representa un proceso de selección entre cursos de alternativas, basado en un conjunto de criterios, para alcanzar uno o más objetivos.¹²12. Herbert S. The New Science of Management Decision. New York: Sage Publications, Inc; 1960. acceso 15/04/2020. Disponible en: Disponible en: https://psycnet.apa.org/record/2009-05849-000
https://psycnet.apa.org/record/2009-0584... ^,1313. Enrique B, Franklin F. Toma de decisiones empresariales. Contabilidad y Negocios 2011;6(11):113-20. Incluye el proceso de identificación de un problema u oportunidad y la selección de una alternativa de acción entre varias existentes, es una actividad clave en todo tipo de organización. El proceso de inferencia se compone de cuatro etapas fundamentales:¹⁴14. Martínez E. Evaluación y decisión multicriterio: reflexiones y experiencias. UNESCO: Editorial Universidad de Santiago; 1998. acceso 15/04/2020. Disponible en: Disponible en: http://www.cs.put.poznan.pl/ewgmcda/pdf/MartinexBook.pdf
http://www.cs.put.poznan.pl/ewgmcda/pdf/...

Los problemas de toma de decisiones pueden ser clasificados según el ambiente de decisión como:

En el marco de las observaciones anteriores, la presente investigación tiene como objetivo desarrollar un sistema de apoyo al diagnóstico médico para COVID-19 a partir de la modelación de las relaciones causales de los criterios de diagnóstico, para conformar el mapa cognitivo difuso.

Métodos

Para el desarrollo de la investigación se utilizaron métodos teóricos, empíricos y estadísticos. Los métodos teóricos utilizados fueron:

La modelación permitió la representación estructurada de métodos, procedimientos y variables, mediante una secuencia coherente y lógica de los diferentes artefactos que componen el sistema de apoyo al diagnóstico médico propuesto.

El sistema fue diseñado para soportar el proceso de inferencia en el diagnóstico médico. Se emplea una concepción multicriterio a partir de la representación de los indicadores sobre los cuales se cuantifica el diagnóstico.¹⁷17. Rocchi L, Paolotti L, Rosati A, Boggia A, Castellini C. Assessing the sustainability of different poultry production systems: A multicriteria approach. Journal of cleaner production. 2019 acceso 15/04/2020;211:103-14. Disponible en: https://www.sciencedirect.com/science/article/pii/S0959652618334139
https://www.sciencedirect.com/science/ar... Se utiliza una composición de trabajo en grupo de expertos, que permiten la generación de la base de conocimiento sobre el conjunto de indicadores evaluativos para el diagnóstico.¹⁸18. Moghadas M, Asadzadeh A, Vafeidis A, Fekete A, Kotter T. A multi-criteria approach for assessing urban flood resilience in Tehran, Iran. International journal of disaster risk reduction. 2019 acceso 15/04/2020;35:101069. Disponible en: https://www.sciencedirect.com/science/article/pii/S2212420918308021
https://www.sciencedirect.com/science/ar...

Como parte de la implementación de la propuesta, se consultaron 7 expertos: 2 médicos con especialización clínica, 2 médicos con especialidad general integral, 2 epidemiólogos y 1 intensivista.

A su vez, el conjunto de indicadores evaluativos representa una de las entradas del sistema que constituyen informaciones necesarias para el diagnóstico.¹⁹19. Bagdanavicute I, Kelpsaite-Rimkiene L, Galiniene J, Soomere T. Index based multi-criteria approach to coastal risk assesment. J Coast Conserv. 2019;23(4):785-800. DOI: 10.1007/s11852-018-0638-5
https://doi.org/10.1007/s11852-018-0638-... ^,2020. Efe B. Fuzzy cognitive map based quality function deployment approach for dishwasher machine selection. Applied Soft Computing. 2019 acceso 15/04/2020;83:105660. Disponible en: https://www.sciencedirect.com/science/article/pii/S1568494619304405
https://www.sciencedirect.com/science/ar... ⁾ La actividad de diagnóstico constituye el núcleo fundamental para el razonamiento del sistema, su procesamiento se basa en la modelación de las relaciones causales con el empleo de FCM.²¹21. Portilla ICB, Sánchez ICH, Tarquino IR. Diffuse cognitive maps for analysis of vulnerability to climate variability in Andean rural micro-watersheds. Dyna. 2020 acceso 15/04/2020;87(212):38-46. Disponible en: http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0012-73532020000100038
http://www.scielo.org.co/scielo.php?scri... ^,2222. Zhang Y, Qin J, Shi P, Kang Y. High-order intuitionistic fuzzy cognitive map based on evidential reasoning theory. IEEE Transactions on Fuzzy Systems. 2018 acceso 15/04/2020;27(1):16-30. Disponible en: https://ieeexplore.ieee.org/abstract/document/8408491/
https://ieeexplore.ieee.org/abstract/doc...

Como método empírico se utilizó la entrevista semiestructurada, con la intención de recoger información que garantizara la inclusión de contenidos no prescritos. Su objetivo era determinar el conocimiento de los expertos sobre los principales indicadores para la toma de decisiones en el diagnóstico médico de la COVID-19. Esto permitió establecer las relaciones causales de los conceptos para conformar el mapa cognitivo difuso (FCM por sus siglas en inglés).

Se utilizaron métodos matemáticos estadísticos como ajuste del modelo y validación de las predicciones del modelo, que permitieron el procesamiento y análisis de los datos manifestados por los expertos, así como el procesamiento de los instrumentos utilizados en la presente investigación. La inferencia del sistema propuesto, basó su implementación en la técnica matemática mapa cognitivo difuso.

Resultados

El sistema de apoyo al diagnóstico médico modela las relaciones causales entre los diferentes conceptos que intervienen en el proceso. Sustenta los siguientes principios:

El diseño del sistema está compuesto por un flujo de trabajo que guía el proceso para la toma de decisiones sobre el diagnóstico médico. Está integrado por seis actividades, cuya propuesta se puede visualizar en la figura 1.

Actividad 1: selección del grupo de expertos

La actividad consiste en determinar el grupo de personas que trabajarán en el proceso de identificación de los criterios evaluativos y la determinación de las relaciones causales.

Los criterios de selección que se deben tener en cuenta contemplan que el grupo de expertos debe cumplir con las siguientes características:

El grupo de expertos determina los parámetros de entrada del sistema correspondiente a los criterios evaluativos y sus relaciones causales.

Actividad 2: identificación de los criterios para el diagnóstico

La actividad consiste en determinar el conjunto de criterios que son utilizados en el chequeo físico del paciente para el diagnóstico médico. Para la selección de los criterios se utiliza un enfoque de trabajo en grupo. La actividad hace uso de los expertos seleccionados en el paso previo. El grupo de expertos determina los criterios que se tendrán en cuenta para la inferencia del proceso. Se debe cumplir que el número de criterios seleccionado cumpla con el enfoque multicriterio para lo cual se aplica la ecuación 1.

(1)

Donde:
• C:   representa el conjunto de criterios evaluativos en el proceso de inferencia.

Para un enfoque de trabajo en grupo, el número de expertos que realiza la selección de los criterios para la valoración de los pacientes en el diagnóstico médico debe cumplir con lo descrito en la ecuación 2.

(2)

Donde:
• E:   representa el conjunto de expertos que intervienen en el sistema.

Una vez seleccionados los expertos que intervienen en el proceso, se someten a su consideración la identificación de los criterios evaluativos para el diagnóstico médico. Mediante el trabajo realizado por el grupo de expertos se obtiene la identificación de un conjunto de criterios. La tabla 1 muestra el resultado de los criterios identificados en su implementación.

Actividad 3: determinación de las relaciones causales

Para la obtención de las relaciones causales sobre los criterios identificados en la actividad anterior, se emplea el enfoque de trabajo en grupo. Los expertos establecen qué relaciones causales existen entre los diferentes criterios. De la actividad se obtiene como resultado el conocimiento expresado por el conjunto de expertos que representa la base de la inferencia futura.

En el FCM existen tres posibles tipos de relaciones causales entre conceptos:²³23. Nápoles G, Espinosa M, Grau I, Vanhoof K, Bello R. Fuzzy cognitive maps based models for pattern classification: Advances and challenges. In Soft Computing Based Optimization and Decision Models. p. 83-98 Springer, Cham; 2018 DOI: 10.1007/978-3-319-64286-4_5
https://doi.org/10.1007/978-3-319-64286-...

Las relaciones causales son representadas por variables difusas expresadas como términos lingüísticos, específicamente 2-tuplas lingüísticas. Para la representación lingüística se utiliza un conjunto de etiquetas lingüísticas con granularidad 9. La tabla 2 muestra el conjunto de términos utilizados.²⁴24. McCauley SM, Christiansen MH. Language learning as language use: A cross-linguistic model of child language development. Psychological review. 2019 acceso 15/04/2020;126(1):1. Disponible en: http://livrepository.liverpool.ac.uk/3028272/1/McCauley_Christiansen_in_press_Psych_Rev.pdf
http://livrepository.liverpool.ac.uk/302... ^,2525. Wu Z, Xu J, Jiang X, Zhong L. Two MAGDM models based on hesitant fuzzy linguistic term sets with possibility distributions: VIKOR and TOPSIS. Information Sciences. 2019 acceso 15/04/2020;473:101-20. Disponible en: https://www.sciencedirect.com/science/article/pii/S0020025516322034
https://www.sciencedirect.com/science/ar...

Una vez obtenidas las relaciones causales de cada criterio por cada experto que intervino en el proceso, se realiza un proceso de agregación de información a partir de una función promedio tal como muestra la ecuación 3.

(3)

Donde:
• VA:   es valor agregado
• E:   cantidad de expertos que participan en el proceso,
• C_ij:   vector de pesos expresado por los expertos para los criterios C.

En la actividad 2 el grupo de expertos identifica los criterios evaluativos para el diagnóstico médico. Para determinar las relaciones causales se somete a consideración del grupo de expertos los criterios identificados. A partir de los cuales se pueden determinar las 7 relaciones causales expresadas por los expertos para cada criterio, las que se agregan aplicando la ecuación 3. Finalmente, se obtiene el valor absoluto de relación para cada criterio. La tabla 3 muestra la matriz de adyacencia resultante del proceso.

Actividad 4: obtención del FCM del sistema

El FCM es una representación del conocimiento causal extraído de los expertos sobre los criterios evaluativos. En la actividad 3 los expertos determinan las relaciones que existe entre cada par de conceptos C i y 𝐶 𝑗 . Como resultado se obtiene la matriz de adyacencia.²⁶26. Leyva-Vázquez M, Pérez-Teruel K, Febles-Estrada A, Gulín-González J. Modelo para el análisis de escenarios basado en mapas cognitivos difusos: estudio de caso en software biomédico. Ingeniería y Universidad. 2013 acceso 15/04/2020;17:375-90. Disponible en: https://www.redalyc.org/pdf/477/47728826007.pdf
https://www.redalyc.org/pdf/477/47728826... ^,2727. Papageorgiou K, Singh PK, Papageorgiou E, Chudasama H, Bochtis D, Stamoulis G. Fuzzy Cognitive Map-Based Sustainable Socio-Economic Development Planning for Rural Communities. Sustainability. 2019 acceso 15/04/2020;12(1):1-31. Disponible en: https://www.mdpi.com/2071-1050/12/1/305/pdf
https://www.mdpi.com/2071-1050/12/1/305/... ^,2828. Mar O, Ching I, Gulín J. Competency assessment model for a virtual laboratory system at distance using fuzzy cognitive map. Investigación Operacional. 2018 acceso 15/04/2020;38(2):169-77. Disponible en: http://www.invoperacional.uh.cu/index.php/InvOp/article/download/541/503
http://www.invoperacional.uh.cu/index.ph... ⁾ Para cada relación causal se obtienen K reglas con la siguiente estructura: Si 𝐶 𝑖 es A entonces 𝐶 𝑗 es B y el peso 𝑊 𝑖𝑗 es C. Cada nodo constituye un concepto causal, esta característica hace que la representación sea flexible para visualizar el conocimiento humano.²⁹29. Mar O, Gulín J. Modelo para la evaluación de habilidades profesionales en un sistema de laboratorios a distancia. Revista científica. 2018 acceso 15/04/2020;3(33):332-43. Disponible en: https://dialnet.unirioja.es/descarga/articulo/7021279.pdf
https://dialnet.unirioja.es/descarga/art... ^,3030. Anninou AP, Groumpos PP. A new mathematical model for fuzzy cognitive maps-application to medical problems. Ingeniería de Sistemas y Tecnología de la Información, 2019 acceso 15/04/2020;1(1):63-6. Disponible en: http://siit.ugatu.su/index.php/journal/article/viewFile/10/25
http://siit.ugatu.su/index.php/journal/a... ^,3131. Khodadadi M, Shayanfar H, Maghooli K, Mazinan AH. Fuzzy cognitive map based approach for determining the risk of ischemic stroke. IET systems biology. 2019 acceso 15/04/2020;13(6):297-304. Disponible en: https://digital-library.theiet.org/content/journals/10.1049/iet-syb.2018.5128
https://digital-library.theiet.org/conte...

Luego de obtener las relaciones causales, se realiza el análisis estático. Se toma de referencia el conocimiento almacenado en la matriz de adyacencia. Para el desarrollo del presente método se trabaja con el grado de salida, tal como muestra la ecuación 4.³²32. White E, Mazlack J. Discerning suicide notes causality using fuzzy cognitive maps. IEEE International Conference on Fuzzy Systems (FUZZ-IEEE 2011). Taipei; 2011, p 2940-2947 DOI:10.1109/FUZZY.2011.6007692
https://doi.org/10.1109/FUZZY.2011.60076... ^,3333. Vasquez MYL, Veloz GSD, Saleh SH, Roman AMA, Flores RMA. A model for a cardiac disease diagnosis based on computing with word and competitive fuzzy cognitive maps. Revista de la Facultad de Ciencias Médicas de la Universidad de Guayaquil. 2018 acceso 15/04/2020;19(1). Disponible en: https://www.revistas.ug.edu.ec/revistas/index.php/RFCM/article/viewFile/10/100
https://www.revistas.ug.edu.ec/revistas/... ^,3434. Ladeira MJ, Ferreira FA, Ferreira JJ, Fang W, Falcão PF, Rosa ÁA. Exploring the determinants of digital entrepreneurship using fuzzy cognitive maps. International Entrepreneurship and Management Journal. 2019 acceso 15/04/2020;15(4):1077-101. Disponible en: https://link.springer.com/article/10.1007/s11365-019-00574-9
https://link.springer.com/article/10.100...

(4)

Donde:
• id:   es grado de salida,
• C_ij:   vector de pesos expresado por los expertos para los criterios C.

Las relaciones causales obtenidas y almacenadas en la matriz de adyacencia, como resultado del conocimiento expresado por el grupo de expertos, se representan mediante mapa cognitivo difuso para aumentar la interpretación de la información. La figura 2 muestra el FCM que expresa las relaciones causales de los criterios evaluativos para el diagnóstico médico.

La matriz de adyacencia posee el conocimiento necesario para determinar los pesos atribuidos a cada indicador. Para calcular los pesos, se emplea la ecuación 4. La tabla 4 muestra los resultados del cálculo realizado.

Actividad 5: valoración del paciente

La implementación del sistema de apoyo al diagnóstico médico en la práctica médica se realizó en el Policlínico Docente “Ernesto Guevara de la Serna” del municipio Niquero en la provincia de Granma.

La actividad valoración del paciente consiste en realizar, a partir del chequeo clínico, un levantamiento del comportamiento que poseen los criterios evaluativos en el paciente. Para la actividad se utiliza un conjunto de etiquetas lingüísticas.²⁴24. McCauley SM, Christiansen MH. Language learning as language use: A cross-linguistic model of child language development. Psychological review. 2019 acceso 15/04/2020;126(1):1. Disponible en: http://livrepository.liverpool.ac.uk/3028272/1/McCauley_Christiansen_in_press_Psych_Rev.pdf
http://livrepository.liverpool.ac.uk/302... ^,2525. Wu Z, Xu J, Jiang X, Zhong L. Two MAGDM models based on hesitant fuzzy linguistic term sets with possibility distributions: VIKOR and TOPSIS. Information Sciences. 2019 acceso 15/04/2020;473:101-20. Disponible en: https://www.sciencedirect.com/science/article/pii/S0020025516322034
https://www.sciencedirect.com/science/ar... La figura 3 muestra el conjunto de etiquetas lingüísticas utilizado en la presente investigación.

Asimismo, esta actividad radica en realizar el chequeo clínico sobre la condición médica actual en una institución hospitalaria, para lo que se determina el comportamiento de los criterios evaluativos propuestos para el diagnóstico médico. Esta valoración se hace a partir del conjunto de términos propuesto en la figura 3.

La tabla 5 obtiene el resultado de la valoración de un paciente que se estudia como caso, a modo de ejemplo, en la presente investigación.

Actividad 6: diagnóstico médico

La actividad de diagnóstico consiste en realizar el procesamiento de las informaciones obtenidas y el conocimiento almacenado. El diagnóstico modelado por un FCM evolucionará durante el tiempo, donde la activación de cada neurona dependerá del grado de activación de sus antecedentes en la iteración anterior.³⁵35. Miao Y, Liu ZQ, Siew CK, Miao CY. Dynamical cognitive network-an extension of fuzzy cognitive map. IEEE transactions on Fuzzy Systems. 2001 acceso 15/04/2020;9(5):760-70. Disponible en: Disponible en: https://ieeexplore.ieee.org/abstract/document/963762/
https://ieeexplore.ieee.org/abstract/doc... ^,3636. Amer M, Jetter A, Daim T. Development of fuzzy cognitive map (FCM) based scenarios for wind energy. International Journal of Energy Sector Management; 2011 acceso 15/04/2020;5(4):564-84 DOI: 10.1108/17506221111186378
https://doi.org/10.1108/1750622111118637... ⁾ Este proceso se repite hasta que el sistema estabilice o se alcance un número máximo de iteraciones.

Durante el procesamiento para la inferencia, se calcula el vector de estado 𝐴 a través del tiempo, para una condición inicial A^o .³⁷37. Giordano R, Vurro M. Fuzzy Cognitive Map to Support Conflict Analysis in Drought Management In: Glykas M. (eds) Fuzzy Cognitive Maps. Studies in Fuzziness and Soft Computing. Berlin, Heidelberg: Springer; 2010. vol 247. p 403-425. DOI: 10.1007/978-3-642-03220-2_17
https://doi.org/10.1007/978-3-642-03220-... De forma análoga a otros sistemas neuronales, la activación de C_i dependerá de la activación de las neuronas que inciden directamente sobre el concepto C_i y de los pesos causales asociados a dicho concepto.³⁸38. Konar A, Chakraborty UK. Reasoning and unsupervised learning in a fuzzy cognitive map. Information Sciences. 2005 acceso 15/04/2020;170(2-4):419-41. Disponible en: https://www.sciencedirect.com/science/article/pii/S0020025504000945
https://www.sciencedirect.com/science/ar... ^,3939. Felix G, Nápoles G, Falcon R, Froelich W, Vanhoof K, Bello R. A review on methods and software for fuzzy cognitive maps. Artificial Intelligence Review. 2019 acceso 15/04/2020;52(3):1707-37. Disponible en: https://link.springer.com/article/10.1007/s10462-017-9575-1
https://link.springer.com/article/10.100... La ecuación 5 muestra la expresión utilizada para el procesamiento.⁴⁰40. Alizadeh S, Ghazanfari M. Learning FCM by chaotic simulated annealing. Chaos, Solitons & Fractals. 2009 acceso 15/04/2020;41(3):1182-90. Disponible en: https://www.sciencedirect.com/science/article/pii/S0960077908002373
https://www.sciencedirect.com/science/ar... ^,4141. Song H, Miao C, Shen Z, Roel W, Maja D, Francky C. Design of fuzzy cognitive maps using neural networks for predicting chaotic time series. Neural Networks. 2010 acceso 15/04/2020;23(10):1264-75. Disponible en: http://www.dl.edi-info.ir/Design%20of%20fuzzy%20cognitive%20maps%20using%20neural%20networks%20for%20predicting%20chaotic%20time%20series.pdf
http://www.dl.edi-info.ir/Design%20of%20...

(5)

Donde:
• :   es el valor del concepto C_i en el paso k+1 de la simulación,
• :   es el valor del concepto C_j en el paso k de la simulación,
• W_ji:   es el peso de la conexión que va del concepto C_j al concepto C_i y f(x) es la función de activación.

La actividad de diagnóstico médico consiste en procesar los datos de los pacientes para inferir un diagnóstico. Siguiendo con el paciente tomado como objeto de estudio para esta investigación, se muestra en la tabla 6 los resultados del procesamiento realizado.

A partir del proceso de simulación del escenario, mediante la ecuación 5, se obtiene el comportamiento en el tiempo de la simulación. La figura 4 muestra una gráfica con el comportamiento de la simulación.

Una vez calculados los índices del paciente I = 0,72 para el caso analizado, el sistema para el diagnóstico médico propuesto recomienda, basado en el resultado obtenido, que el paciente posee COVID-19 con una probabilidad del 72 %.

Discusión

El diagnóstico médico representa un área de las ciencias médicas cuya precisión incide en la mitigación de los padecimientos y la disminución de complicaciones derivadas del cuadro clínico. La presente investigación propone un sistema de apoyo a la toma de decisiones sobre el diagnóstico médico de la COVID-19. Este sistema modela las relaciones causales mediante el empleo de la técnica FCM para resolver problemas de arranque en frío sin el almacenamiento de bases de conocimientos previos.

El núcleo fundamental de la investigación se basa en la obtención del conjunto de criterios de evaluación para el diagnóstico médico. La entrevista realizada al grupo de expertos representa el instrumento para extraer el conocimiento causal.

El proceso de inferencia utilizado se basa sobre el conocimiento causal expresado por expertos sobre los criterios de evaluación. Sin embargo, las principales limitaciones de la investigación consisten en que la modelación realizada está diseñada para problemas de arranque en frío, a partir de lo cual se desaprovechan los siguientes elementos:

Investigaciones realizadas en el área del conocimiento del diagnóstico médico basan su funcionamiento mediante la implementación de sistemas inteligentes basados en caso o adaptativos.⁴²42. Fukuoka Y. Artificial Neural Networks in Medical Diagnosis. In: Schmitt M., Teodorescu HN, Jain A, Jain S, Jain LC. (eds) Computational Intelligence Processing in Medical Diagnosis. Studies in Fuzziness and Soft Computing. Alemania: Physica, Heidelberg; 2002. vol 96. DOI: 10.1007/978-3-7908-1788-1_8
https://doi.org/10.1007/978-3-7908-1788-... Estos sistemas, respecto a la propuesta implementada, tienden en el tiempo a ser mucho más preciso. Los sistemas basados en caso por su parte poseen como limitación la imposibilidad de inferir un diagnóstico certero si no poseen una sólida base de conocimiento almacenada.

A partir de estos elementos, es recomendable en futuras investigaciones la hibridación de un sistema computacional que integre un proceso de inferencia basado en FCM para resolver problemas en frío y a su vez una base de caso que permita comparar y determinar el mejor diagnóstico a partir del conocimiento almacenado.

Se puede concluir que el sistema diseñado constituye una herramienta viable de apoyo a la toma de decisiones en el diagnóstico médico de la COVID-19, que permite obtener criterios evaluativos a partir de la modelación de las relaciones causales, esto lo hace extensible a otros tipos de situaciones de emergencias sanitarias.

Referencias bibliográficas

Fechas de Publicación

Histórico