Aplicación de minería de datos para mejorar el diagnóstico de la tuberculosis pulmonar en el Hospital de EsSalud “Aurelio Díaz Ufano y Peral

Abstract

Con la minería de datos es posible extraer patrones ocultos a partir de grandes depósitos de datos, en otras palabras, es transformar esos grandes depósitos de datos en información. Esos patrones extraídos se utilizan para interpretar los datos nuevos o existentes en una información útil para realizar predicciones, optimizar procesos, diagnosticar enfermedades, y en otras áreas. Con colaboración de la tecnología informática se han implementado técnicas de minería de datos como las redes neuronales, clustering, algoritmos genéticos, arboles de decisión y las máquinas de vectores soporte, la minería de datos puede aplicarse en todas las organizaciones donde se almacene datos, como en negocios, hospitales, laboratorios u otros. La presente tesis propone determinar el mejor algoritmo de las técnicas de clasificación de minería de datos para predecir el diagnóstico correcto de la enfermedad de tuberculosis a partir de la población de pacientes con diagnóstico de tuberculosis del programa de control y prevención de tuberculosis del hospital de EsSalud Aurelio Díaz Ufano del distrito de San Juan de Lurigancho, se propone un muestreo aleatorio simple de 502 pacientes, el diseño de la investigación fue pre-experimental, la técnica de recolección de datos fue el fichaje y el instrumento fue la ficha de registro los cuales fueron validados por el juicio de expertos; se detalla aspectos teóricos del proceso de minería de datos, herramientas y la metodología para determinar la mejor técnica de diagnóstico de la tuberculosis, siendo la mejor herramienta de minería de datos Weka y la mejor metodología de desarrollo Crisp-DM. Finalmente, se demuestra que las técnicas de clasificación de árboles de decisión con el algoritmo J48, redes neuronales artificiales con el algoritmo perceptrón multicapa y las redes bayesianas con el algoritmo TAN cumplieron con los objetivos de la investigación, permitieron una clasificación correcta de datos con una precisión muy alta de 0.988 %, 0.998 % y 0.988 % respectivamente, y en un periodo de tiempo muy corto, llegando a la conclusión que las herramientas de minería de datos pueden mejorar con el diagnóstico de la enfermedad