Diagnstico de Enfermedades Utilizando

REDES BAYESIANAS
ABSTRACT
La inteligencia artificial nos presenta una gran abanico de
posibilidades para el diagnostico de enfermedades, pero me he
centrado en las redes bayesianas, debido a que estas presentan
una serie de ventajas sobre otros mtodos de prediccin
fundamentalmente cuando resulta difcil encontrar las reglas que
definen la variable de salida en relacin a las variables
independientes o predictoras, los datos son imprecisos o
contienen perturbaciones estadsticas (ruido), y sobre todo
cuando las relaciones entre las variables son no lineales.
Los primeros estudios en sistemas mdicos inteligentes tales
como !"#$%, &'(#, )() e (nternist*( han mostrado la
posibilidad de reali+ar diagnstico en varios tipos de
enfermedades.
Keywords
,edes -ayesianas, (nteligencia !rtificial, %cnicas de
aprendi+aje, .iagnostico de enfermedades, "imulacin en
/$0!.
PROBLEMTICA
$n la actualidad los sistemas de diagnostico de enfermedades se
limitan a la comparacin de palabras de una base de datos, pero
la (nteligencia artificial nos da un nuevo enfoque para el
desarrollo de sistemas de diagnostico de enfermedades, a travs
de las redes bayesianas.
OBJETIVO
.esarrollar un estudio acerca de las redes bayesianas y
su aplicacin en el campo de la medicina
(nvestigar los trabajo relacionados con el diagnostico
de enfermedades a travs de ,edes -ayesianas.
)lantear un cuadro comparativo con los algoritmos de
,edes -ayesianas, es decir entre, -ayes#et y
#aive-ayes.
1.INTRODUCTION
La inteligencia artificial ha revolucionado ciertos campos de la
medicina, ejemplo de ello tenemos, el diagnostico de
enfermedades a travs de los diferentes mtodos de aprendi+aje
autom1tico. 2no de estos mtodos son las ,edes -ayesianas. $n
el presente documento se muestran los aspectos mas importantes
acerca de las redes neuronales, de igual manera se presentas los
trabajos e3istentes relacionados con el tema.
2.REDES BAYESIANAS
Las redes bayesianas constituyen una alternativa a los 1rboles de
decisin por permitir la representacin de modelos m1s
complejos de diagnosis o prognosis 456.
Las redes bayesianas basan su estudio en la teora de la
probabilidad y permiten reali+ar una inferencia al integrar el
juicio del e3perto con las bases de datos disponibles, y reali+ar
inferencia entre cualquier subconjunto de variables.
Las ,edes -ayesianas se componen principalmente de dos
partes, por un lado, la estructura, el modelo o parte !"#$%"%$&"7
un grafo dirigido a cclico (.8!), donde cada nodo representa
una variable aleatoria y los arcos representan dependencias
probabilsticas entre variables. )ero por otra, tambin se
componen de una distribucin condicional de probabilidades,
esta parte de la red bayesiana se conoce como la parte
paramtrica o !"'%$%"%$&" de la red.
2na red -ayesiana est1 compuesta por 9#odos:, que representan
variables generalmente discretas, cuya fuer+a de relacin entre
ellas se cuantifica mediante una distribucin de probabilidades
condicionales que determinan el valor final de aquellos nodos
que no se han cargado como evidencia. La relacin entre dichas
variables se establece mediante 9arcos: que representan una
determinacin causal entre nodos 4;6.
Jorge Omar Sisalima
josisalima@utpl.edu.ec
UTPL
Tutor: Ing. Nelson Piedra
Loja-Ecuador
(. Teore)" de B"yes
$l %eorema de -ayes, dentro de la teora probabilstica,
proporciona la distribucin de probabilidad condicional de un
evento <!< dado otro evento <-< (probabilidad posteriori), en
funcin de la distribucin de probabilidad condicional del evento
<-< dado <!< y de la distribucin de probabilidad marginal del
evento <!< (probabilidad simple o apriori). )artiendo de las
frmulas de probabilidad condicional y probabilidad conjunta
para eventos estadsticamente dependientes se proceder1 a
enunciar el %eorema de -ayes.
"ean A
k
... eventos mutuamente e3cluyentes tales que,
cualquier evento 9-: en el espacio muestral pertenece a uno y
slo a uno de estos eventos. $ntonces la probabilidad de que
ocurra cualquier evento A
k
dado que ha ocurrido el evento 9-:
se calcular1 por la siguiente frmula7
P

A
k
B

=
P

A
k
B

P B
)or lo tanto, sustituyendo la frmula de probabilidad condicional,
se obtiene la frmula general para el %eorema de -ayes7
P

A
k
/ B

=
P

A
k

B/ A
k

A
1
P

B/ A
1
+P

A
2
P

B/ A
2
. .
omo <!< y <-< son eventos estadsticamente dependientes, el
%eorema de -ayes se puede representar tambin utili+ando el
diagrama de 1rbol.
*. D$)e's$o'es
.entro de las redes -ayesianas podemos identificar dos
dimensiones, las cuales son7
1.1 D$)e's$+' C!"#$%"%$&"
$n esta dimensin tenemos un grafo acclico dirigido en el que
cada nodo corresponde a un atributo (variable), y arcos dirigidos
implicando que toda variable es condicionalmente independiente
de todos sus no descendientes en la red siempre que se cono+can
los valores de sus inmediatos predecesores
*.2 D$)e's$+' C!"'%$%"%$&"
$n esta dimensin cada nodo tiene asociada la distribucin de
probabilidad de esa variable teniendo en cuenta sus padres en el
grafo. $3isten tres elementos que caracteri+an la dimensin
cuantitativa de una red bayesiana7
$l concepto de probabilidad como un grado de creencia
subjetiva relativa a la ocurrencia de un evento.
2n conjunto de funciones de probabilidad condicionada
que definen a cada variable en el modelo
$l teorema de -ayes como herramienta b1sica para
actuali+ar probabilidades con base en e3periencia.
2na ,ed -ayesiana combina conjuntamente topologa y
probabilidades, junto a un modo de relacionar estas
probabilidades entre s, mediante un algoritmo que se conoce
como la frmula de -ayes.
$s por eso que es crucial en una red -ayesiana la determinacin
de cu1les ser1n los 9nodos: o 9variables: a tener en cuenta, como
as tambin la forma de relacionarse entre ellos (arcos), es decir
las determinaciones causales que los unen.
,. A-re'd$."/e de #"s Redes B"yes$"'"s
$l aprendi+aje es una de las caractersticas que definen a los
sistemas basados en inteligencia artificia l porque siendo
estrictos se puede afirmar que sin aprendi+aje no hay
inteligencia= es difcil definir el trmino 9aprendi+aje:, pero la
mayora de las autoridades en el campo coinciden en que es una
de las caractersticas de los sistemas adaptativos que son capaces
de mejorar su comportamiento en funcin de su e3periencia
pasada, por ejemplo al resolver problemas similares 4>6.
$l aprendi+aje en la redes bayesianas consiste en definir la red
probabilstica a partir de datos almacenados en bases de datos.
$ste tipo de aprendi+aje ofrece la posibilidad de definir la
estructura gr1fica de la red a partir de los datos observados o de
la base de datos y de definir las relaciones entre los nodos
bas1ndose tambin en dichos casos= dentro del aprendi+aje de las
,edes bayesianas se han definido dos fases7
,.1A-re'd$."/e Es%r!%!r"#
.ebemos obtener la estructura de la ,ed -ayesiana con sus
respectivas relaciones. $ste tipo de aprendi+aje en gran medida
depende del tipo de estructura de la red, es decir, estructuras
como7 1rboles y redes multiconectadas.
$3isten 5 tipos de aprendi+aje de estructural7
-asados en tests de independencia (algoritmos
),#)...) 4??6.
)untuacin y b@squeda ("core A "earch)
)ara puntuar, se va penali+ando para conseguir cu1l es
el grafo m1s ptimo (!(,-().
)ara la b@squeda, algoritmos como 05,
L05,&ontecarlo, -...
!lgunos algoritmos, no reconsideran los enlaces ya
e3istentes en la red (puede ser interesante) 4??6.
*.2 A-re'd$."/e P"r")0%r$o
onsiste en encontrar par1metros asociados a una estructura dada
de una red bayesiana 4?B6, dichos par1metros est1n conformados
por las probabilidades del nodo ra+ y de las dem1s variables. $n
otras palabras, dada una estructura debemos obtener las
probabilidades requeridas. $3isten distintos algoritmos de
aprendi+aje, entre ellos7
$& ($3pansin*&a3imi+acin)7 #o necesita datos
completos para el aprendi+aje 4??6. $ste contiene 5
fases7
$3pansin7 calculo de todas las
probabilidades posibles por toda la red.
&a3imi+acin7 se escoge la mayor
probabilidad
&L &a3imum LiCelihood)7 #ecesita de datos
completos para poder aprender. $s parecido al $&,
pero sin la primera fase, es decir sin e3pansin 4??6.
(.2 E'%re'")$e'%o de !'" Red B"yes$"'"
.e acuerdo a lo antedicho, las -# pueden utili+arse para calcular
nuevas creencias o 9)osterior -elief: en base a informacin que
progresivamente se agrega a los nodos de la red (evidencias).
2na evidencia es un valor determinado que toma un #odo en
cierto momento. La evidencia puede tener un valor certero, por
ejemplo7 9%iene alucinacionesD%rue:. E bien un valor no certero,
en donde comien+a a juega lo que en -# se denomina7
9porcentaje de creencia:7 9Fay un ;BG de probabilidades
que haya tomado alcohol recientemente:. $s precisamente en
este punto en donde pueden utili+arse los conocimientos previos
epidemiolgicos en todos aquellos nodos en donde no se
disponga de informacin suficiente como para considerarlos
9evidencia:. $sto producira una especie de generali+acin de
los elementos no certeros de acuerdo a una preponderancia
epidemiolgica independiente de la e3istencia de una afeccin.
$l manejo de estos 9agujeros de incerte+a: en base a un cuadro
de probabilidades ajustado localmente es uno de los elementos
que hace de la -# un instrumento tan poderoso. 'a que a@n en
donde no hay informacin, el conocimiento de la disciplina
puede permitir otorgar un cierto valor relativo a ese factor que ni
siquiera es conocido para el caso .
$n una -# para diagnstico, es imprescindible contar con este
conocimiento previo a la recopilacin de toda evidencia. $ste
tipo de conocimiento previo se denomina 9)rior -elief: o
9reencia previa: y suele generarse a partir de estudios
epidemiolgicos de campo o bien operacionali+ando factores
tericos relevantes e3trados de la bibliografa e3istente. )or
ejemplo7 9.e acuerdo a estudios previos, la probabilidad de que
un paciente que viene a consultar sea un paranoico es del 5G:=
9$n esta comunidad especfica la probabilidad de que un sujeto
consuma marihuana es del ;B G:
! medida de que a esta informacin de base se van agregando
evidencias del caso concreto, las probabilidades relativas
correspondientes a los diferentes cuadros se va modificando. $ste
tipo de la+os causales se establece a partir del conocimiento
previo del especialista para operacionali+ar las evidencias a
rastrear, su relacin causal con el cuadro, y el porcentaje de
condicionamiento de cada nodo sobre el siguiente se reali+a en
direccin a los arcos establecidos.
2n modo de utili+acin de estas redes que eri+ara a m1s de un
terico es su capacidad de, mediante ciertos algoritmos
particulares, 9aprender: de datos aparentemente sin ning@n
formato y sin reali+ar ninguna asuncin previa ()rior -elief).
$sta es una poderosa caracterstica digna de una pelcula de
ciencia ficcin, en donde sin otorgar probabilidades diferenciales
previas a cada uno de los nodos, y alimentando la red con una
suficiente cantidad de datos de caso, con el @nico formato de la
red causal previa, se han definido algoritmos que son capaces de
aislar y detectar tendencias all en donde en una primera
apro3imacin a los mismos solo haba caos e indeterminacin.
)ero este tema ser1 objeto de un trabajo posterior.
1.Redes B"yes$"'"s "-#$"d"s "# d$"2'os%$o
)0d$o
La figura 5 presenta a un ejemplo concreto de una red
bayesiana que representa a un cierto conocimiento sobre
medicina. $n este caso los nodos represen ta n enfermedades,
sntoma s y factores que causan algunas enfermedades. omo ya
se ha mencionad o, la variable a la que apunta un arco es
dependiente de la que est1 en el origen de ste. )or ejemplo,
fiebre depende de tifoidea y gripe .4?H6
3.TRABAJOS RELACIONADOS
3.1 MYCIN D$"2'+s%$o M0d$o !s"'do
Re2#"s de Prod!$+'
$l propsito de &'(# es asistir al mdico que no sea un
e3perto en el 1rea de los antibiticos con el diagnstico y
tratamiento de infecciones sanguneas. $l trabajo en &'(#
comen+ en ?>I5 como una colaboracin entre las comunidades
mdicas y de (nteligencia !rtificial de Stanford. La cuenta simple
m1s completa de este trabajo es Shortliffe (?>IJ).
&'(# tiene alrededor de 5BB de tales reglas en su conjunto de
reglas por la poca del reporte de ?>IJ. Las reglas son inde3adas
seg@n los par1metros clnicos que aparecen en sus partes de
accin. !s, es f1cil recuperar para consideracin todas las reglas
que se pueden aplicar en el determinar el valor de un par1metro
dado. .esde ?>IJ, &'(# ha adquirido m1s reglas, y diferentes
tipos de reglas. )or ejemplo, ahora hay meta*reglas que, en ve+
de aplicarse a sub*metas, se aplican a reglas que se aplican a
sub*metas. .ado que deseamos alcan+ar la sub*meta 8, digamos,
encontrar la identidad de un organismo, puede haber hasta ;B
reglas que podran aplicarse.
Las meta*reglas son usadas para podar y ordenar la lista de
reglas aplicables en cualquier punto. "e encontraron necesarias si
el conocimiento e3tra del dominio necesitaba ser aplicado
eficiente y efectivamente.
CADECEUS D$"2'+s%$o de e'4er)ed"des
re!)5%$"s
.esarrollado por Konh &yres y Farry )ople en la 2niversidad de
)ittsburgh, puede diagnosticar enfermedades que no est1n
relacionadas apelando a la heurstica con objeto de limitar el
campo y e3traer informacin de su gran banco de memoria.
6.MODELO
D$"2'+s%$o de# N$&e# de R$es2o de Co'%r"er
E'4er)ed"des C"rd$o&"s!#"res
6.1 O7/e%$&os Es-e84$o
.iseLar un &odelo que permita determinar el nivel de
riesgo que una persona posee de sufrir una enfermedad
cardiovascular.
,eali+ar la implementacin de este en MeCa para
mediante la utili+acin de algoritmos como -ayes#et y
#aive-ayes determinar y anali+ar los resultandos del
diagnstico de enfermedades mediante redes
bayesianas y las ventajas que ofrece cada algoritmo.
6.2 A'%eede'%es9 L"s enfermedades cardiovasculares son
enfermedades que afectan el cora+n (cardio) y los vasos
sanguneos (vascular) y son causadas frecuentemente por la
acumulacin de una especie de sarro en el interior de los vasos
sanguneos 45J6. Los factores de riesgo son aquellos que
incrementan su probabilidad de contraer una enfermedad o
condicin. 45H6
)rincipales factores de riesgo incluyen7
Sexo: masculino (los hombres tienen mayor riesgo de
ataque cardiaco que las mujeres)
Edad: NH aLos y m1s para los hombres, HH aLos y m1s
para las mujeres
Herencia: fuerte historial familiar de enfermedades
cardiacas
Obesidad y tener sobrepeso
Fumar
Triglicridos: #ormal7 menos de ?HB mgOdl Lmite
alto7 ?HB a ?>> mgOdl !lto7 5BB a N>> mgOdl &uy alto7
HBB mgOdl o superior45I6
Presin arterial eleada
!lucmia: el nivel de glucosa en sangre se mantienen
dentro de lmites estrechos a lo largo del da ( I5*?NH
mgOdl= N*P mmolOl). "in embargo, sube despus de las
comidas y es m1s bajo por la maLana antes del
desayuno. Las personas con diabetes se caracteri+an
por tener niveles de glucosa m1s altos de lo normal.
45>6

Estilo de ida sedentario

"olesterol sangu#neo eleado (especficamente,
colesterol L.L elevado, y colesterol F.L bajo)
H$%: #ormal7 superior a ;H mgOdl en el hombre y NB
mgOdl en la mujer. 4;B6
%$%: #ormal7 menos de ?BB mgOdl #ormal*alto7 de
?BB a ?JB mgOdl !lto7 por encima de ?JB mgOdl.
"olesterol total: #ivel deseable Q 5BB. Lmite alto
5BB*5;>. !lto 5NB

.iabetes
Etros factores de riesgo incluyen7
Estrs
"onsumo excesio de alcohol
S#ndrome metablico:combinacin de presin arterial
elevada, obesidad abdominal, y resistencia a la insulina
6.( A'5#$s$s9 )ara la reali+acin de este modelo
probabilstico de diagnstico mdico he considerado los aspectos
corporales de las diferentes personas de tal manera que nos
permitir1 determinar el nivel de riesgo que tiene una persona de
adquirir alguna enfermedad cardiovascular.
)ara este modelo se cuenta con una base de conocimiento que
posee ?N atributos preditores y tres atributos clase. Las variables
usadas y sus valores se muestran a continuacin7
1.Edad: (edad)
2.IMC: ndice de masa corporal (peso /(talla)
2
)
3.Sexo: (0: masculino 1: !emenino)
".#a$a: (1: %lanca 2: ne&ra)
'.(lco)ol: (0: no 1: si)
*.+uma: (0: no 1: si)
,.-ia%etes: (0: no 1: si)
..(/+: /adres con antecedentes de 01( 20 1
23
4.1ri&lic5ridos: (num5rico)
10.6lucemia: (num5rico)
11.1Col: Colesterol 1otal (num5rico)
12.0-7: Colesterol 0-7 (num5rico)
13.7-7: Colesterol 7-7 (num5rico)
1".1(: 1ensi8n (rterial21: alto 2: )iperacti9o 3:
normal3
1'.#ies&o: (1: alto 2: medio 3: %a:o)
6.* B"se de Co'o$)$e'%o
! continuacin se muestra la base de conocimiento en formato
reconocido por MeCa. $sta base de conocimiento contiene 5N
casos
@relation enfermedad
@attribute 'edad' integer
@attribute 'imc' integer
@attribute 'sexo' {0, 1}
@attribute 'raza' {1, 2}
@attribute 'alcohol' {0, 1}
@attribute 'fuma' {0, 1}
@attribute 'diabetes' {0, 1}
@attribute 'apf' integer
@attribute 'trigliceridos' integer
@attribute 'glucemia' integer
@attribute 'hdl' integer
@attribute 'ldl' integer
@attribute 'tcol' integer
@attribute 'ta' {1, 2, 3}
@attribute 'riesgo' {bajo,medio,alto}
@data
2,001,0,2,1,0,0,2,!",123,!0,!3,1#3,1,bajo
#",003,1,1,0,0,1,1,$!,2%#,2,12!,1"0,2,medi
o
"!,00$,0,1,0,0,0,0,1%#,132,0,!!,1"0,2,medi
o
%%,00#,1,1,1,0,1,2,100,1$0,23,200,223,3,alt
o
3,002,0,1,0,1,0,0,100,"#,32,%,"",1,bajo
%3,00,0,2,1,0,1,1,00,2"#,12,3#",3"$,3,alt
o
3#,00,0,1,1,1,1,2,1%,13%,2,$$,123,2,medi
o
23,00$,1,2,0,1,1,0,"$,123,1!,100,11!,1,bajo
3%,00",1,2,0,1,1,2,%0$,1#!,12,1#0,1"2,3,alt
o
3$,000,0,2,1,1,0,0,%!",3%#,2%,2%",2!2,1,alt
o
%$,002,1,1,0,0,1,2,0$,213,2%,1"!,203,3,alt
o
##,00#,0,2,1,1,1,1,1%,1%#,",120,1#",1,baj
o
%,00%,1,1,1,0,1,1,#%,2%#,1%,210,22%,3,alt
o
21,002,1,2,0,0,0,0,1!",132,#0,3,103,1,bajo
3,002,0,2,0,0,1,2,13,1"",%%,!",12,1,bajo
",002,0,1,0,0,1,0,3"#,1!$,3",1$0,22",3,alt
o
"%,00#,0,1,0,1,0,2,1"!,13#,#2,%0,112,1,bajo
33,00%,1,2,0,0,1,2,3##,2%#,22,2!",30$,3,alt
o
2$,00",1,1,0,0,1,0,1"#,13,#0,!",1",1,bajo
! continuacin se muestra la frecuencia y categoras para
el atributo seleccionado.
2na ve+ que nuestra base de conocimiento ha sido aceptado por
/$0! con el formato arff. "e procede a implementarlo en los
dos principales algoritmos de ,edes -ayesianas como lo son7
#aive-ayes
-ayes#et
6., N"$&eB"yes
)rimeramente se anali+ara los resultados obtenidos con el
algoritmo #aive-ayes, como se puede observar a continuacin,
se presenta el numero y porcentajes de las instancias clasificadas
correcta e incorrectamente.
%ambin podemos observar es detalle de cada clase y la matri+
de confusin, como se muestra a continuacin
/eCa tambin permite cambiar las opciones para que muestre
detalladamente la prediccin de los datos ingresados en la base
del conocimiento.
Rinalmente anali+aremos los errores presentados por este
algoritmo, como nos podemos dar cuenta en las graficas= e3isten
tres instancias no clasificadas, que se muestran como cuadros
rojos, mientras que las dem1s instancias est1n clasificadas
correctamente.
6.1 B"yesNe%
Los primeros resultados de este algoritmo muestran solamente
una instancia clasificada incorrectamente y dieciocho clases
correctamente clasificadas.
$n las siguientes graficas podemos determinar que en realidad
e3iste una sola instancia clasificada incorrectamente, en la
grafica se muestra como un cuadro rojo.
6.3 r7o#
6.6 Co'#!s$o'es
$n el presente trabajo se han utili+ado los factores de
riesgo m1s importantes y predecir el riesgo a
enfermedades cardiovasculares. $l estudio resulta de
gran ayuda a los especialistas, ya que a travs de esta
tcnica de aprendi+aje autom1tico hemos podido
determinar al nivel de riesgo que tiene un individuo de
adquirir alguna enfermedad.
&ediante la implementacin de los algoritmos
#aivebayes y -ayes#et he determinado que el
algoritmo -ayes#et ha dado menos errores, es decir
que en la implementacin de #aive-ayes e3istieron
tres instancias clasificadas incorrectamente, mientras
que con bayes#et solamente e3iste una instancia
clasificada incorrectamente.
2na de las ventajas de -ayes#et es que muestra una
grafico, mientras que #aive-ayes solamente presenta
la informacin detallada anteriormente, mas no,
resultados gr1ficos.
La implementacin de modelo en /$0! es sencilla y
f1cil de interpretar.
La reali+acin de este modelo requiri conocimientos
relacionados las enfermedades cardiovasculares, sus
sntomas y aspectos netamente medicinales.
:.RE;ERENCES
<1= Las redes bayesianas como herramientas de modelado en
psicologa. Korge Lpe+ )uga, Kuan 8arca 8arca, Leticia de la
Ruente "1nche+ y $milia (nmaculada de la Ruente "olana5.
http7OOMMM.um.esOanalespsOv5;Ov5;S5O?P*5;S5.pdf
42= &ara &. !bad*8rau, &odelado de "istema $3perto para
%riaje en "ervicios de 2rgencias &dicas,
http7OOMMM.cacic5BBI.unne.edu.arOpapersO?H;.pdf
<(= -ayesian #etMorCs en diagnstico psiqui1trico o
psicopatolgico. Lic. &ariano !cciardi.
http7OOMMM.marianoacciardi. com.arOte3tosSiaO-#?.pdf
<*= ,edes -ayesianas en la )sicologa. Lope+ )uga
http7OOMMM.ugr.esOTcmetodoOpdfOcomunicacionesOlope+Spu
ga.pdf
<,= Luis !lonso ,omero, atedr1tico de iencias de la
omputacine (nteligencia !rtificial.2niversidad de "alamanca,
lalonsoUusal.es
<1= (2$.2"!L.$" .octorado en nuevas tecnologas.
(nteligencia !rtificial y ,edes bayesianas.
http7OOiuce.usal.esOdoctoradoOdocumentosORranciscoKose8ar
cia)enalvo#uevas%ecnologias$nonte3tos.eRormacionOin
teligenciartificialOintroduccionSia.pdf
<3= !plicacin de ,edes -ayesianas en el &odelado de un
"istema $3perto de %riaje en "ervicios de 2rgencias &dicas
http7OOMMM.ing.unp.edu.arOMicc5BBIOtrabajosO!"(OBB>.pdf
<6= (ntartif. !plicaciones de la inteligencia artificial
orientada a la medicina.
http7OOintlartif.comO5BB>OBNOaplicaciones*de*la*
inteligencia.html
<:= )ablo $+equiel R$L8!$,, Eptimi+acin de redes
bayesianas basado en tcnicas de aprendi+aje por induccin.
http7OOlaboratorios.fi.uba.arOlsiOfelgaer*
tesisingenieriainformatica.pdf
<1>= ,edes -ayesianas en &inera de .atos.
http7OOccc.inaoep.m3OTemoralesOursosO#vo!prendOnodeJ
P.html
<11= Vlvaro &arn (llera,"istemas $3pertos, ,edes -ayesianas y
sus aplicaciones. http7OOMMM.e*
ghost.deusto.esOdocsO5BBHOconferenciasO-ayesBH.pdf
<12= %eorema .e -ayes, conceptos b1sicos de inteligencia
artificial.
http7OOfaculty.ccbcmd.eduOTpmuratalOdefinicion.html
<1,=
http7OOMMM.epsevg.upc.eduOsmoralOdocsO(!,S-#%StutorialSsergi
delmoral.pdf Wisitado7 ?I*BH*B>
<11= ,$.$" -!'$"(!#!", (nteligencia !rtificial
(75NOBHO5BBI .avid !. Welasco Willanueva.
http7OOMMM.infor.uva.esOTcalonsoO(!((O!prendi+ajeO%rabajo!lumn
osO,-memoria.pdf Wisitado7 ?I*BH*B>
<13= lasificadores )or ,edes -ayesianas,arlos Lpe+ .e
astilla W1sque+ 2niversidad .e )uerto ,ico &ayagXe+ ampus
5BBH. http7OOgrad.uprm.eduOtesisOlope+decastilla.pdf Wisitado7 ?I*
BH*B>
<21= FecCerman, .., 8eiger, .. and hicCering, .. (?>>H).
Learning -ayesian #etMorCs7 %he ombination of 0noMledge
and "tatistical .ata. &achine%earning' (), ?>I*5N;.
<2*= Fern1nde+ Erallo K., Rerri ,amre+, ., ,amre+ Yuintana
K. (5BBN). (ntroduccin a la minera de datos. )earson $ducacin.
<2,= ,osalyn arson*.e/itt, &.. $nfermedad de las !rterias
oronarias (!.).
http7OOhealthlibrary.epnet.comO8etontent.asp3Z
toCenDBdN5>IBI*bIe?*N?NI*>>NI*
abcaJI>IaJB5AchunCiidD?B;III
<21= ardiovascular .isease
http7OOMMM.gethealthyclarCcounty.orgOchronicSdiseaseOcardioSsp.
html
<23= &edicina al dia, "istemas basados en (nteligencia
!rtificial. http7OOMMM.tuotromedico.comOtemasOtrigliceridos.htm
<26= #iveles de olesterol F.L y olesterol L.L
#ormales
http7OOsalud.comohacerpara.comOn;IP?Oniveles*de*colesterol*hdl*
y*colesterol*ldl*normales.html
<2:= .r. 8on+alo &artn )eLa, especialista en &edicina
(nterna y #utricin lnica #iveles de glucosa en la sangre
http7OOMMM.netdoctor.esO[&LOarticulo#et.jspZ[&LDBBBN;I
<(>= N$&e#es de Co#es%ero# ?DL y Co#es%ero# LDL
Nor)"#es
@%%-9AAs"#!d.o)o@"er-"r".o)A'(361A'$&e#esBdeB
o#es%ero#B@d#ByBo#es%ero#B#d#B'or)"#es.@%)#