Modelo bayesiano nutricional para el pronóstico de la morbilidad en neonatos

• Soria, Juan J. ^[1] ; Saboya, Nemias ^[1] ; Loaiza, Omar L. ^[1]
  1. [1] Universidad Peruana Unión

     Universidad Peruana Unión

     Perú

     
• Localización: Selecciones Matemáticas, ISSN-e 2411-1783, Vol. 6, Nº. 2, 2019 (Ejemplar dedicado a: Agosto-Diciembre), págs. 329-337
• Idioma: español
• DOI: 10.17268/sel.mat.2019.02.19
• Títulos paralelos:
  • Bayesian nutritional model for morbidity prognosis in newborns
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    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 formulacióndel 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 %.

  • English

    This research aimed to formulate a Bayesian model based on the Naive Bayes algorithm, to predict morbidity in neonates in a case study of pregnant mothers in Metropolitan Lima. The study uses mathematical algorithms for the exploitation of information in prevention of possible health-related problems. 13 predictive nutritional variables proposed by Krauss were raised. The model consists first of all, in the collection of the nutritional information in a controlled way of the pregnant women involved, then, the information is analyzed to determine the relationship of the most influential variables for the model, then the Bayesian model of acyclic characteristic was constructed and directed composed of nodes and edges, because the variables directly affected to the morbidity of the neonate are known and finally the model affected by the statistical results of the nutritional variables is validated, as part of the process of formulating the model and by experts judgment in the topic. The results conclude that the predictive variables that directly influence are: breads, sugars, oils, fats and salt; and conversely: fruits, water, vegetables and vegetables; the model also predicts the morbidity of the newborn with a probability of 92% and an error of 8.0%.

• Referencias bibliográficas
  • 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...
  • 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...
  • 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....
  • 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...
  • Suzuki J. & Ueno M. Advanced Methodologies for Bayesian Networks. Second International Workshop, AMBN 2015. Springer Yokohama, Japan.2015;...
  • Xu, Y., Choi, J., Dass, S., & Maiti, T. Bayesian Prediction and Adaptive Sampling Algorithms for Mobile Sensor Networks: Online Environmental...