Minería de datos revela factores de riesgo de ataques cardiacos

Los pacientes tenían 12 factores predisponentes conocidos: edad, género, alcoholismo, nivel de colesterol, tabaquismo (activo y pasivo), inactividad física, obesidad, diabetes, historia familiar y evento cardiaco previo. Posteriormente, el Dr. Chattopadhyay construyó un modelo de riesgo que reveló los factores de riesgo específicos asociados con el riesgo de ataque cardiaco.

El estudio reveló, que de acuerdo con el nivel de riesgo, el colesterol sanguíneo elevado (HBC), el alcoholismo (IA) y el tabaquismo pasivo (TP) juegan el papel más crucial sobre los riesgos cardiacos severos, moderados y ligeros, respectivamente. El estudio también observó que los pacientes varones en el grupo de edad de 48-60 años (edad promedio 53,45 años) tienen más tendencia a sufrir de un riesgo de ataque cardiaco severo y moderado, mientras que las mujeres de más de 50 años (edad promedio 53,23 años) se ven afectadas principalmente por un riesgo moderado. El estudio fue publicado en la edición de agosto 2013 de la revista International Journal of Biomedical Engineering and Technology.

“La esencia de este trabajo radica en la introducción de técnicas de aglomeración, en lugar de modelos puramente estadísticos, dado que ésta última técnica tiene sus propias limitaciones en el ‘ajuste de modelos de datos’ en comparación con la primera técnica que es más flexible”, dijo el Dr. Chattopadhyay, quien es un médico con un PhD en Tecnología de Información. “La confiabilidad de los datos usados debería ser verificada y esto se ha hecho en este trabajo para aumentar su autenticidad. Revisé varios artículos sobre investigación epidemiológica, donde todavía he de ver que se usan estas metodologías”.

El uso de técnicas computacionales de minería de datos permite a los investigadores extraer información significativa de los datos clínicos de la vida real, eliminando al menos algún aspecto de la subjetividad de pronóstico clínico y permitiendo que la epidemiología trabaje a nivel del paciente con mayor precisión. Sin embargo, los métodos de minería de datos a menudo tienen problemas inherentes en que la clasificación de los datos para la recuperación de la información se basa en la toma de decisiones aprendidas de ejemplos establecidos por los médicos, por lo que incorporan la subjetividad misma que la minera desea evitar.

Enlace relacionado:

Camellia Institute of Engineering