Keywords
Abstract
La tuberculosis (TB) es la décimo tercera causa de muerte en el mundo,
en Colombia el país ha adoptado la “Estrategia Mundial denominada
Fin a la TB 2016-2035” a fin de mitigar el contagio y muertes por la
enfermedad. (abecé-tuberculosis. Minsalud). En el análisis de la TB se
han definido variables tales como la edad, sexo, las condiciones de salu
bridad y residencia del paciente. Variables que están asociadas al desa
rrollo más temprano de esta enfermedad, no obstante, no se ha confir
mado que necesariamente sean estas quienes determinen una condición
mortal en el paciente. Es por ello que a través de un modelo machi
ne learning se determinan las características más importantes que están
relacionadas con la evolución de la enfermedad TB y caracterizar los
perfiles de pacientes con TB, de acuerdo a la información de las bases
de datos de la plataforma de notificación de eventos en salud pública
Sivigila y así poder estimar el porcentaje de mortalidad que puede lle
gar a tener un paciente de TB. Realizando la implementación se pudo
mejorar el modelo base del modelo basado en reglas siendo el Quadratic
Discriminant Analysis el mejor por sus métricas las cuales no son muy
buenas pero tienen una tendencia de superar el modelo base.
References
20 nuevos laboratorios se alistan para iniciar el diagnóstico de covid-19 en el país. https://www.
ins.gov.co/Noticias/Paginas/20-nuevos-laboratorios-se-alistan-para-iniciar-diagn%C3%
B3stico-de-COVID-19-en-el-pa%C3%ADs.aspx. Accessed: 2022-03-21.
Colombia comenzará la vacunación contra el covid-19 el 20 de febrero. https://www.minsalud.gov.
co/Paginas/Colombia-comenzara-la-vacunacion-contra-el-covid-19-el-20-de-febrero-.aspx.
Accessed: 2022-03-17.
Coronavirus. https://www.who.int/es/health-topics/coronavirus#tab=tab_1. Accessed: 2022
-18.
Covid-19: número acumulado de casos en el mundo 2020–2022. https://es.statista.com/
estadisticas/1104227/numero-acumulado-de-casos-de-coronavirus-covid-19-en-el-mundo-enero-marzo/
Accessed: 2022-03-18.
Parámetros de laboratorio clínico en pacientes con la covid-19. http://scielo.sld.cu/scielo.php?
script=sci_arttext&pid=S0138-65572021000200018&lng=es&tlng=es. Accessed: 2022-03-17.
Presidente duque declara emergencia sanitaria frente a covid-19. https://www.minsalud.gov.co/
Paginas/Presidente-Duque-declara-Emergencia-Sanitaria-frente-a-COVID-19.aspx. Accessed:
-03-21.
Altini, N., Brunetti, A., Mazzoleni, S., Moncelli, F., Zagaria, I., Prencipe, B., Lorusso, E., Buonamico,
E., Carpagnano, G. E., Bavaro, D. F., Poliseno, M., Saracino, A., Schirinzi, A., Laterza, R., Serio, F. D.,
D’Introno, A., Pesce, F., and Bevilacqua, V. (2021). Predictive machine learning models and survival
analysis for COVID-19 prognosis based on hematochemical parameters. Sensors, 21(24):8503, DOI:
3390/s21248503, https://doi.org/10.3390/s21248503.
Alves, M. A., Castro, G. Z., Oliveira, B. A. S., Ferreira, L. A., Ramírez, J. A., Silva, R., and Guima
rães, F. G. (2021). Explaining machine learning based diagnosis of COVID-19 from routine blood
tests with decision trees and criteria graphs. Computers in Biology and Medicine, 132:104335, DOI:
1016/j.compbiomed.2021.104335, https://doi.org/10.1016/j.compbiomed.2021.104335.
Brinati, D., Campagner, A., Ferrari, D., Locatelli, M., Banfi, G., and Cabitza, F. (2020). Detec
tion of COVID-19 infection from routine blood exams with machine learning: A feasibility study.
Journal of Medical Systems, 44(8), DOI: 10.1007/s10916-020-01597-4, https://doi.org/10.1007/
s10916-020-01597-4.
Cabezas, C. (2020). Pandemia de la COVID-19: Tormentas y retos. Revista Peruana de Medicina Ex
perimental y Salud Pública, 37(4):603–4, DOI: 10.17843/rpmesp.2020.374.6866, https://doi.org/10.
/rpmesp.2020.374.6866.
Cabitza, F., Campagner, A., Ferrari, D., Resta, C. D., Ceriotti, D., Sabetta, E., Colombini, A., Vecchi,
E. D., Banfi, G., Locatelli, M., and Carobene, A. (2020). Development, evaluation, and validation of
machine learning models for COVID-19 detection based on routine blood tests. Clinical Chemistry
and Laboratory Medicine (CCLM), 59(2):421–431, DOI: 10.1515/cclm-2020-1294, https://doi.org/10.
/cclm-2020-1294.
https://doi.org/10.37511/apuntesci.v1n1a4
ISSN: 2745-2956
Chadaga, K., Prabhu, S., Bhat, K. V., Umakanth, S., and Sampathila, N. (2022). Medical diagnosis of
COVID-19 using blood tests and machine learning. Journal of Physics: Conference Series, 2161(1):012017,
DOI: 10.1088/1742-6596/2161/1/012017, https://doi.org/10.1088/1742-6596/2161/1/012017.
Ferrari, D., Motta, A., Strollo, M., Banfi, G., and Locatelli, M. (2020). Routine blood tests as a potential
diagnostic tool for COVID-19. Clinical Chemistry and Laboratory Medicine (CCLM), 58(7):1095–1099, DOI:
1515/cclm-2020-0398, https://doi.org/10.1515/cclm-2020-0398.
Gao, Y., Cai, G.-Y., Fang, W., Li, H.-Y., Wang, S.-Y., Chen, L., Yu, Y., Liu, D., Xu, S., Cui, P.-F., Zeng,
S.-Q., Feng, X.-X., Yu, R.-D., Wang, Y., Yuan, Y., Jiao, X.-F., Chi, J.-H., Liu, J.-H., Li, R.-Y., Zheng, X.,
Song, C.-Y., Jin, N., Gong, W.-J., Liu, X.-Y., Huang, L., Tian, X., Li, L., Xing, H., Ma, D., Li, C.-R., Ye, F.,
and Gao, Q.-L. (2020). Machine learning based early warning system enables accurate mortality risk
prediction for COVID-19. Nature Communications, 11(1), DOI: 10.1038/s41467-020-18684-2, https:
//doi.org/10.1038/s41467-020-18684-2.
Imagina, diseña y construye: Revista Apuntes de Ciencia e Ingeniería
Facultad de Ingeniería y Ciencias Básicas
Gestoso-Pecellín, L., García-Flores, Y., González-Quintana, P., and Marrero-Arencibia, J. L. (2021).
Recomendaciones y uso de los diferentes tipos de test para detección de infección por SARS-COV
Enfermería Clínica, 31:S40–S48, DOI: 10.1016/j.enfcli.2020.10.001, https://doi.org/10.1016/
j.enfcli.2020.10.001.
Jalandra, R., Yadav, A. K., Verma, D., Dalal, N., Sharma, M., Singh, R., Kumar, A., and Solanki,
P. R. (2020). Strategies and perspectives to develop SARS-CoV-2 detection methods and diagnostics.
Biomedicine and Pharmacotherapy, 129:110446, DOI: 10.1016/j.biopha.2020.110446, https://doi.org/
1016/j.biopha.2020.110446.
Kukar, M., Gunˇcar, G., Vovko, T., Podnar, S., ˇ Cernelˇc, P., Brvar, M., Zalaznik, M., Notar, M., Moškon,
S., and Notar, M. (2021). COVID-19 diagnosis by routine blood tests using machine learning. Scientific
Reports, 11(1), DOI: 10.1038/s41598-021-90265-9, https://doi.org/10.1038/s41598-021-90265-9.
Lai, C. K. C. and Lam, W. (2021). Laboratory testing for the diagnosis of COVID-19. Biochemical and
Biophysical Research Communications, 538:226–230, DOI: 10.1016/j.bbrc.2020.10.069, https://doi.
org/10.1016/j.bbrc.2020.10.069.
Mazariegos-Herrera, C. J., Ozaeta-Gordillo, C. M., Menéndez-Veras, R. A., and Conde-Pereira, C. R.
(2020). El papel de las pruebas diagnósticas en el manejo de la pandemia COVID-19: un enfoque
desde el laboratorio clínico. Ciencia, Tecnología y Salud, 7(3):461–476, DOI: 10.36829/63cts.v7i3.990,
https://doi.org/10.36829/63cts.v7i3.990.
Parsons, I., Parsons, A., Balme, E., Hazell, G., Gifford, R., Stacey, M., Woods, D., and Russell
Jones, D. (2021). The use of routine blood tests to assist the diagnosis of COVID-19 in symptomatic
hospitalized patients. Annals of Clinical Biochemistry: International Journal of Laboratory Medicine, page
, DOI: 10.1177/0004563221999076, https://doi.org/10.1177/0004563221999076.
Sanchez Vera, N., Saavedra Hernandez, D., Hidalgo Mesa, C. J., Aguila Lopez, M., Abreu Gutie
rrez, G., Herrera Gonzalez, V., and Rodriguez Garcia, I. (2021). Parámetros de laboratorio clÃ
nico en pacientes con la COVID-19. Revista Cubana de Medicina Militar, 50, ISSN: 0138-6557, http:
//scielo.sld.cu/scielo.php?script=sci_arttext&pid=S0138-65572021000200018&nrm=iso.
Schwab, P., Schütte, A. D., Dietz, B., and Bauer, S. (2020). Clinical predictive models for COVID
: Systematic study. Journal of Medical Internet Research, 22(10):e21439, DOI: 10.2196/21439, https:
//doi.org/10.2196/21439.
Vandenberg, O., Martiny, D., Rochas, O., van Belkum, A., and Kozlakidis, Z. (2020). Con
siderations for diagnostic COVID-19 tests.
Nature Reviews Microbiology, 19(3):171–183, DOI:
1038/s41579-020-00461-z, https://doi.org/10.1038/s41579-020-00461-z.
Wang, C., Deng, R., Gou, L., Fu, Z., Zhang, X., Shao, F., Wang, G., Fu, W., Xiao, J., Ding, X.,
Li, T., Xiao, X., and Li, C. (2020). Preliminary study to identify severe from moderate cases of
COVID-19 using combined hematology parameters. Annals of Translational Medicine, 8(9):593–593, DOI:
21037/atm-20-3391, https://doi.org/10.21037/atm-20-3391.
https://doi.org/10.37511/apuntesci.v1n1a4
ISSN: 2745-2956
Yamayoshi, S., Sakai-Tagawa, Y., Koga, M., Akasaka, O., Nakachi, I., Koh, H., Maeda, K., Adachi,
E., Saito, M., Nagai, H., Ikeuchi, K., Ogura, T., Baba, R., Fujita, K., Fukui, T., Ito, F., ichiro Hattori, S.,
Yamamoto, K., Nakamoto, T., Furusawa, Y., Yasuhara, A., Ujie, M., Yamada, S., Ito, M., Mitsuya, H.,
Omagari, N., Yotsuyanagi, H., Iwatsuki-Horimoto, K., Imai, M., and Kawaoka, Y. (2020). Comparison
of rapid antigen tests for COVID-19. Viruses, 12(12):1420, DOI: 10.3390/v12121420, https://doi.org/
3390/v12121420.
Zhang, L.-P., Wang, M., Wang, Y., Zhu, J., and Zhang, N. (2020). Focus on the 2019 novel coronavirus
(SARS-CoV-2). Future Microbiology, 15(10):905–918, DOI: 10.2217/fmb-2020-0063, https://doi.org/
2217/fmb-2020-0063.