Aparicio Pico, Lilia EdithMelo Riveros, Nicolas AndresCardenas Espitia, Bayron Alexis2020-04-142020-04-142019-08-16http://hdl.handle.net/11349/23181El dolor de espalda es un problema que afecta al menos al 90% de la población humana durante su vida y es una de las principales causas de ausentismo en el trabajo. A pesar de la gran cantidad de casos que se presentan, no existe suficiente investigación en este campo; debido en parte a los múltiples exámenes médicos requeridos para ofrecer un diagnóstico preciso. Además, la causa del dolor de espalda puede ser benigna y sanar sin tratamiento. En este estudio, se hace uso de dos algoritmos de inteligencia artificial para clasificar a pacientes con problemas de columna. Los algoritmos utilizados fueron K-means y Mapas Auto Organizados (o SOM del inglés Self Organizing Maps). Con estas técnicas se obtuvieron dos modelos, ambos con un error de generalización menor al 10%. Los modelos se compararon en función de métricas que permiten estimar el rendimiento de un clasificador, tales como: sensibilidad, especificidad, precisión y valor de predicción negativa (VPN), además de hacer uso del índice Kappa de Cohen para evaluar la concordancia. Se encontró que el modelo entrenado con SOM superó al modelo entrenado con K-means, detectando de mejor manera pacientes con problemas de columna vertebral. Además, se descubrió que ambos modelos presentaban una precisión similar a modelos obtenidos con diferentes algoritmos en investigaciones previas, concordando con los valores considerados aceptables según los expertos en medicina ortopédica.Back pain is a problem that affects at least 90% of the human population during their lifetimes, and it is one of the main causes of absence from work. Despite the large number of medical cases, there is insufficient research in this field, due in part to the necessity of administering multiple medical exams to patients with vertebral problems for accurate diagnosis. In addition, the cause of back pain may be benign, and heal without treatment. In this study, two artificial intelligence algorithms were employed to classify patients with spinal problems. The algorithms used were K-means and Self Organizing Maps (SOM). With these techniques, two models were obtained that provided a generalization error of less than 10%. The models were compared based on metrics that enable the measurement of classifier performance, including the sensitivity, specificity, precision, and negative predictive value (NPV), as well as Cohen's Kappa index to evaluate concordance. It was found that the model trained with SOM outperformed the model trained with K-means, with improved detection of patients having vertebral problems. Additionally, it was found that the SOM and K-means models yielded similar precision as compared with models obtained with different algorithms reported elsewhere. The values yielded were in agreement with those of expert orthopedic physicians.pdfspaAtribución-NoComercial-SinDerivadas 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-nd/4.0/Machine LearningK-MeansMapas auto organizadosClusteringAprendizaje no supervisadoIndice KappaMatriz de confusiónIngeniería Electrónica - Tesis y disertaciones académicasEnfermedades de la columna vertebralAprendizaje automático (Inteligencia artificial)Algoritmosinfo:eu-repo/semantics/openAccessMachine LearningK-MeansSelf-Organizing MapsClusteringUnsupervised learningKappa coefficientConfusion matrixProducción AcadémicaAbierto (Texto Completo)