Seminario "Evaluación de factores de riesgo de caídas a partir de un conjunto de datos reales mediante redes bayesianas".

Resumen: Las caídas son un problema importante para las personas mayores, e identificar y evaluar los factores de riesgo es esencial para reducir las tasas de caídas. Sin embargo, la prevención de caídas requiere un enfoque educativo y repetido, tiempo y experiencia para centrarse con precisión en los factores de riesgo procesables. Esta tesis tiene como objetivo evaluar los factores de riesgo de caídas utilizando un conjunto de datos del mundo real y redes bayesianas.

Factores de riesgo de caídas.

El uso de datos reales plantea retos, especialmente en lo que respecta al preprocesamiento de datos, que requiere mucho tiempo y la participación de expertos. Además, una aplicación basada en IA plantea nuevos retos como la confianza, que depende de la interpretabilidad y explicabilidad de los resultados. Para hacer frente a estos retos, esta tesis propone un modelo de conocimiento (redes bayesianas) que evalúa automáticamente los principales factores de riesgo sobre los que se puede actuar. El modelo se entrena con un conjunto de datos reales combinados con el conocimiento de expertos. Se presentan y explican dos iteraciones de los pasos de preprocesamiento de datos, incluida la imputación de valores perdidos, la selección de variables y el uso de técnicas de equilibrado para datos desequilibrados. En la primera iteración se incluyeron sólo las variables principales para validar la viabilidad del proceso, y en la segunda se incluyeron tantas variables como fue posible para mejorar la predicción y el proceso.

El modelo se compara con otros clasificadores bien conocidos a través de varias medidas, incluyendo la observación completa o parcial, y el uso o no de métodos de equilibrado para manejar el delicado problema de los datos desequilibrados. Una red bayesiana se presenta como una buena solución, combinando la calidad de los resultados para evaluar los factores de riesgo y la interpretabilidad/explicabilidad del modelo desde el punto de vista del experto.
Los resultados muestran que predecir la presencia de un factor de riesgo es una cuestión muy importante. Los resultados muestran que predecir la presencia o ausencia de factores de riesgo de caídas es una tarea difícil. Mientras que las redes bayesianas y otros clasificadores tienen un rendimiento equivalente en términos de medidas como la precisión equilibrada y la puntuación f1, el interés de las redes bayesianas radica en su interpretabilidad y en la posibilidad de utilizar observaciones parciales.

Los resultados muestran que predecir la presencia o ausencia de un factor de riesgo de caída es una tarea difícil.

En resumen, esta tesis presenta una contribución a una aplicación para la prevención de caídas que facilita la evaluación automática de factores de riesgo a partir de observaciones parciales del paciente, utilizando un conjunto de datos reales y redes bayesianas. El modelo de conocimiento propuesto (redes bayesianas) aborda los retos de utilizar datos reales y aplicaciones basadas en IA, respectivamente.