Bibliographic citations
This is an automatically generated citacion. Modify it if you see fit
Lucero, R., (2022). Comparación de técnicas de clasificación de aprendizaje de máquina en el diagnóstico del trastorno depresivo leve [Tesis, Universidad Señor de Sipán]. https://hdl.handle.net/20.500.12802/9898
Lucero, R., Comparación de técnicas de clasificación de aprendizaje de máquina en el diagnóstico del trastorno depresivo leve [Tesis]. PE: Universidad Señor de Sipán; 2022. https://hdl.handle.net/20.500.12802/9898
@misc{renati/429908,
title = "Comparación de técnicas de clasificación de aprendizaje de máquina en el diagnóstico del trastorno depresivo leve",
author = "Lucero Cieza, Robinson",
publisher = "Universidad Señor de Sipán",
year = "2022"
}
Full metadata record
Atalaya Urrutia, Carlos William
Lucero Cieza, Robinson
2022-09-21T17:06:02Z
2022-09-21T17:06:02Z
2022
https://hdl.handle.net/20.500.12802/9898
A nivel mundial la depresión lo padece unos 350 millones de seres humamos y el
5% es a nivel de Latinoamérica, es así que, cada veintidós minutos un ser humano
intenta hacerse daño, las edades con mayores problemas depresivos son los
adolescentes el cual representa el 10%, el 6% adultos mayores de 18 años y 3.5%
en niños de 6 a 10 años, en el Perú, el 80% de suicidios es a causa de la depresión,
hay un millón setecientos mil personas que presentan cuadro depresivo, pero solo
es atendido un 25% con atención especializada y el 65% simplemente no busca
ayuda, estudios han demostrado que a nivel del ministerio de salud, el documento
técnico llamado “auto escala de Zung”, es el más adecuado para la identificación
de este problema analizando la medición de la depresión a través de información
de aspectos cognitivos, afectivos y somáticos del paciente, dicho documento tiene
una especificidad del 63% y sensibilidad del 97%, aprobando un acierto del 82%
para discriminar la depresión. En esta investigación se construyó un método que
inicia con la elaboración de un dataset de acuerdo a las variables de ingreso y salida
así como el nivel de prioridad basados en el cuestionario de Zung, después se
realizó la elección de las técnicas de aprendizaje de máquina, utilizadas para tratar
casos de diagnóstico de depresión con mayor precisión, entre ellas lograron
destacar, naive bayes, árbol de decisión, redes neuronales y maquinas vectores de
soporte, acto seguido se implementó las técnicas mencionadas para ser
comparadas y evaluadas según su desempeño, para el desarrollo de las mismas
se utilizó la plataforma de google colaboratory con el lenguaje de programación
python, según el método propuesto, desarrollado y evaluado se concluye que las
redes neuronales tienen una precisión del 100% para el diagnóstico de depresión. (es_PE)
Tesis (es_PE)
application/pdf (es_PE)
spa (es_PE)
Universidad Señor de Sipán (es_PE)
info:eu-repo/semantics/openAccess (es_PE)
http://creativecommons.org/licenses/by-nc-nd/2.5/pe/ (*)
Repositorio Institucional - USS (es_PE)
Repositorio Institucional USS (es_PE)
Aprendizaje automático (es_PE)
Trastornos depresivos (es_PE)
Diagnóstico de depresión (es_PE)
Redes neuronales (es_PE)
Máquinas de soporte (es_PE)
Árbol de decisión (es_PE)
Naive bayes (es_PE)
Comparación de técnicas de clasificación de aprendizaje de máquina en el diagnóstico del trastorno depresivo leve (es_PE)
info:eu-repo/semantics/bachelorThesis (es_PE)
Universidad Señor de Sipán. Facultad de Ingeniería, Arquitectura y Urbanismo (es_PE)
Ingeniería de Sistemas (es_PE)
Ingeniero de Sistemas (es_PE)
PE (es_PE)
http://purl.org/pe-repo/ocde/ford#2.02.04 (es_PE)
http://purl.org/pe-repo/renati/level#tituloProfesional (es_PE)
08167960
https://orcid.org/0000-0002-2761-4868 (es_PE)
46735950
612076 (es_PE)
Vásquez Leyva, Oliver
Sialer Rivera, María Noelia
Díaz Vidarte, Miguel Orlando
http://purl.org/pe-repo/renati/type#tesis (es_PE)
Privada societaria
This item is licensed under a Creative Commons License