Modelo bayesiano nutricional para el pronóstico de la morbilidad en neonatos
DOI:
https://doi.org/10.17268/sel.mat.2019.02.19Palavras-chave:
Morbilidad del neonato, redes bayesianas, pronóstico de la morbilidadResumo
Se ha diseñado esta investigación con el objetivo de formular un modelo bayesiano nutricional para el pronóstico de la morbilidad en neonatos de madres gestantes de Lima Metropolitana. Este modelo está basado en algoritmos de Naive Bayes que consiste en clasificar el aprendizaje automático con variables predictoras independientes entre si.
Asimismo, se ha aplicado algoritmos matemáticos para la exploración de la información respecto a la prevención de posibles problemas relacionados con la salud. Se utilizó 13 variables nutricionales predictoras propuesta por Krauss.
La investigación consitió en primer lugar, en la recopilación de la información nutricional de manera controlada de las gestantes involucradas, luego, se analizó la información para determinar la relación de las variables más influyentes , posteriormente se elaboró el modelo bayesiano de característica acíclica y dirigida compuesta por nodos y aristas, porque se conoce que las variables afectan directamente a la morbilidad del neonato y finalmente se validó el modelo considerando los resultados estadísticos de las variables nutricionales, como parte del proceso de formulación
del modelo y por juicio de expertos en el tema. En conclusión, las variables predictoras que influyen directamente son: panes, azúcares, aceites, grasas y sal; e indirectamente: frutas, agua, verduras y hortalizas; asimismo el modelo pronostica la morbilidad del neonato con una probabilidad del 92% y un error del 8.0 %.Referências
Almira, A.G. Embarazo: diagnóstico, edad gestacional, y fecha del parto. MEDISAN. 2008; 12(4):10. https://www.redalyc.org/pdf/3684/368445249017.pdf.
Alexander, M., & Alkema, L. Global estimation of neonatal mortality using a Bayesian hierarchical splines regression model. Demographic Research. 2018; 38(1):335–372. https://www.demographic-research.org/volumes/vol38/15/.
Avila J. & Machuca V. Mortalidad en el Perú y sus departamentos. Dirección General de Epidemiología- Ministerio de Salud. 2013. http://www.dge.gob.pe/portal/docs/Mortalidad_neonatal11_12.pdf.
Gamez, A., Moral, S., & Salmerón. A. Advances in Bayesan Networks. Studies in Fuzziness and Soft Computing. 2004; Volume 146, DOI10.1007/978-3-540-39879-0.
Holmes D. & Jain L. Innovations in Bayesian Networks. Theory and Applications, University of California, 2008; , Volume 156, DOI10.1007/978-3-540-85066-3.
Kelly, D., & Smith, C. Advanced Methodologies for Bayesian Networks (Vol. 9505). Springer London. New York, 2011. DOI10.1007/978-1-84996-187-5.
Marando, R., Seni, J., Mirambo, M. M., Falgenhauer, L., Moremi, N., Mushi, M. F., Mshana, S. E. Predictors of the extended-spectrum-beta lactamases producing Enterobacteriaceae neonatal sepsis at a tertiary hospital, Tanzania. International Journal of Medical Microbiology. 2018; 308(7):803–811. https://doi.org/10.1016/j.ijmm.2018.06.012.
Nagarajan, R., Scutari, M. Bayesian networks in R with applications in systems biology. Springer. New York, 2013. DOI10.1007/978-1-4614-6446-4.
Odalis, D., Caridad, D., Milián, A., Yamila, D., Caraballo, S., & Orlando, R. Morbilidad y mortalidad en hijos de madres en edades extremas. INFOMED. 2016; 10(4):27–35. http://www.revactamedicacentro.sld.cu/index.php/amc/article/view/760/1004
Olpo. A. , Louazda. F.,Rifo. L., Stern. J. & Lauretto. M. Interdisciplinary Bayesian Statistics. Springer Heidelberg. 2015. 10.1007/978-3-319-12454-4.
Raymond. J. & Mahan. K. Krauses Food & the Nutrition Care Process. Elsevier Inc. All Rights Reserved. Barcelona, España. 2017.
Ross C. & Taylor C. DIETARY REFERENCE INTAKES. Calcium Vitamin D. Institute of Medicine. of the National Academies, 2011. https://www.ncbi.nlm.nih.gov/books/NBK56070/pdf/Bookshelf_NBK56070.pdf.
Sanabria, A., Nodarse, A., Carrillo, L,.y Couret, M., Sánchez & N.; Guzmán, R. Morbilidad en el recién nacido menor de 1 500 g. Revista Cubana de Obstetricia y Ginecologia. 2012; 38(4):478-487. http://scielo.sld.cu/pdf/gin/v38n4/gin05412.pdf.
Suzuki J. & Ueno M. Advanced Methodologies for Bayesian Networks. Second International Workshop, AMBN 2015. Springer Yokohama, Japan.2015; 16–18, Proceedings. DOI10.1007/978-3-319-28379-1.
Xu, Y., Choi, J., Dass, S., & Maiti, T. Bayesian Prediction and Adaptive Sampling Algorithms for Mobile Sensor Networks: Online Environmental Field Reconstruction in Space and Time. Springer. Cham Heidelberg, 2016. DOI:10.1007/978-3-319-21921-9.
Publicado
Como Citar
Edição
Seção
Licença
Os autores que publicam nesta revista aceitam as seguintes condições:
Os autores mantêm os direitos autorais e atribuem à revista o direito da primeira publicação, com o trabalho registrado com a licença de atribuição Creative Commons Atribución 4.0 Internacional (CC BY 4.0), que permite que terceiros usem o material publicado sempre que mencionarem a autoria do trabalho e os direitos autorais. Primeira publicação nesta revista.
Os autores podem fazer outros acordos contratuais independentes e adicionais para a distribuição não exclusiva da versão do artigo publicada nesta revista (por exemplo, incluí-la em um repositório institucional ou publicá-la em um livro), desde que afirme claramente que o trabalho Foi publicado nesta revista.
É permitido e recomendado aos autores que publiquem seus trabalhos na Internet (por exemplo, em páginas institucionais ou pessoais) antes e durante o processo de revisão e publicação, pois isso pode levar a trocas produtivas e a uma disseminação maior e mais rápida do trabalho. publicado (Consultar: efeito do acesso aberto).
