Detección de Desnutrición Crónica en Niños Menores a Cinco Años Aplicando Técnicas Multivariantes
Barra lateral del artículo
Contenido principal del artículo
Resumen
El presente artículo muestra el diseño de cinco clasificadores para la detección de desnutrición crónica en niños menores a cinco años, para lo cual, se procesó una base de datos con 5 variables cuantitativas y 26 cualitativas que fueron sometidas a una disminución de dimensión mediante un análisis de correspondencia múltiple, posteriormente, mediante el uso de redes neuronales se generó el primer clasificador, los siguientes tres diseños fueron usando técnicas de redes neuronales profundas, que partieron de un análisis de componentes principales que determinó una arquitectura con una capa oculta que alberga el 96.3% de la varianza acumulada, la diferencia entre estos clasificadores radica en la técnica que determinó el número de neuronas en la capa oculta, el último clasificador diseñado emplea una regresión logística como técnica de la estadística tradicional. El estudio finalizó con pruebas realizadas con el clasificador de mejor desempeño que permitió establecer las variables más influyentes.
Descargas
Detalles del artículo
Citas
UNICEF, “Informe sobre nutrición infantil 2021 | Resumen ¿UNA ALIMENTACIÓN PARA,” 2022. Accessed: Jul. 29, 2022. [Online]. Available: https://www.unicef.org/media/107236/file/%20Fed%20to%20Fail%20-%20BRIEF-SPANISH-Final.pdf
INEC, “Encuesta Nacional de Salud y Nutrición ENSANUT,” 2018. Accessed: Jul. 29, 2022. [Online]. Available: https://www.ecuadorencifras.gob.ec/documentos/web-inec/Estadisticas_Sociales/ENSANUT/ENSANUT_2018/Principales%20resultados%20ENSANUT_2018.pdf
J. Rivera, U. Andina, S. Bolívar, and S. Olarte, “LA MALNUTRICIÓN INFANTIL EN ESMERALDAS: ¿UN ÉXITO RELATIVO?,” 2022. Accessed: Jul. 29, 2022. [Online]. Available: http://revistasojs.utn.edu.ec/index.php/lauinvestiga/article/view/457/350
UNICEF Ecuador, “Desnutrición en Ecuador.” Accessed: Jul. 29, 2022. [Online]. Available: https://www.unicef.org/ecuador/desnutrici%C3%B3n-cr%C3%B3nica-infantil
A. Fernández, R. Martínez, I. Carrasco, and A. Palma, “Impacto social y económico de la malnutrición,” 2017. Accessed: Jul. 29, 2022. [Online]. Available: https://www.cepal.org/sites/default/files/publication/files/41247/LCTS2017-32_es.pdf
H. Shi et al., “Explainable machine learning model for predicting the occurrence of postoperative malnutrition in children with congenital heart disease,” Clinical Nutrition, vol. 41, no. 1, pp. 202–210, Jan. 2022, doi: 10.1016/j.clnu.2021.11.006. DOI: https://doi.org/10.1016/j.clnu.2021.11.006
M. M. Islam et al., “Application of machine learning based algorithm for prediction of malnutrition among women in Bangladesh,” International Journal of Cognitive Computing in Engineering, vol. 3, pp. 46–57, Jun. 2022, doi: 10.1016/j.ijcce.2022.02.002. DOI: https://doi.org/10.1016/j.ijcce.2022.02.002
P. M. P. K. J. H. C. Ziaullah Momand, Data Mining Prediction of Malnutrition in Afghan Children. IEEE, 2020. Accessed: Mar. 18, 2023. [Online]. Available: https://ieeexplore.ieee.org/document/9059388
H. Darsene, A. Geleto, A. Gebeyehu, and S. Meseret, “Magnitude and predictors of undernutrition among children aged six to fifty nine months in Ethiopia: A cross sectional study,” Archives of Public Health, vol. 75, no. 1, Jul. 2017, doi: 10.1186/s13690-017-0198-4. DOI: https://doi.org/10.1186/s13690-017-0198-4
D. Kartika, R. Liana Gema, and M. Pratiwi, “Expert Systems for Identifying Children’s Severe Malnutrition,” 2016.
R. N. Apriyono, A. Triayudi, and I. D. Sholihati, “Web-Based Expert System Detects Malnutrition in Toddlers with the Naïve Bayes Method,” 2020. [Online]. Available: https://iocscience.org/ejournal/index.php/mantik
S. Najaflou and M. Rabiei, “Recommended System for Controlling Malnutrition in Iranian Children 6 to 12 Years Old using Machine Learning Algorithms,” 2021.
S. M. J. Rahman et al., “Investigate the risk factors of stunting, wasting, and underweight among under-five Bangladeshi children and its prediction based on machine learning approach,” PLoS One, vol. 16, no. 6 June 2021, Jun. 2021, doi: 10.1371/journal.pone.0253172. DOI: https://doi.org/10.1371/journal.pone.0253172
A. R. Lakshminarayanan, B. Pavani, V Rajeswari, S. Parthasarathy, A. A. Azeez Khan, and K. Javubar Sathick, “Malnutrition Detection using Convolutional Neural Network,” in Proceedings of 2021 IEEE 7th International Conference on Bio Signals, Images and Instrumentation, ICBSII 2021, Institute of Electrical and Electronics Engineers Inc., Mar. 2021. doi: 10.1109/ICBSII51839.2021.9445188. DOI: https://doi.org/10.1109/ICBSII51839.2021.9445188
Meneses Pozo Daniela and Narváez Delgado Angie, “Estrategias de salud e incidencia en desnutrición crónica infantil en menores de cinco años que acuden del Centro de Salud Nuevo San Rafael- Esmeraldas,” UNIVERSIDAD POLITÉCNICA ESTATAL DEL CARCHI. FACULTAD DE INDUSTRIAS AGROPECUARIAS Y CIENCIAS AMBIENTALES , 2022.
L. Sandoval-Pillajo, M. Pusdá, F. Garrido, and E. P. Herrera-Granda, “Embedded system for mobility of blind people,” Revista Ibérica de Sistemas e Tecnologias de Informação, vol. 2019, no. E19, pp. 328–340, 2019, [Online]. Available: https://www.proquest.com/openview/841aa93ba3c3df454b7fc833a09a1823/1?pq-origsite=gscholar&cbl=1006393
M. María, T. E. Portillo, J. A. Salas, and P. Mendoza, “MAHALANOBIS Y LAS APLICACIONES DE SU DISTANCIA ESTADISTICA.”
E. P. Herrera-Granda, J. C. Torres-Cantero, A. Rosales, and D. H. Peluffo-Ordóñez, “A Comparison of Monocular Visual SLAM and Visual Odometry Methods Applied to 3D Reconstruction,” Applied Sciences, vol. 13, no. 15, 2023, doi: 10.3390/app13158837. DOI: https://doi.org/10.3390/app13158837
H. Abdi and L. J. Williams, “Principal component analysis,” Wiley Interdisciplinary Reviews: Computational Statistics, vol. 2, no. 4. pp. 433–459, Jul. 2010. doi: 10.1002/wics.101. DOI: https://doi.org/10.1002/wics.101
V. M. Gonzalez Rojas, G. Conde Arango, and A. F. Ochoa Muñoz, “Análisis de Componentes Principales en presencia de datos faltantes: el principio de datos disponibles,” Scientia et Technica, vol. 26, no. 2, pp. 219–228, Jun. 2021, doi: 10.22517/23447214.20591. DOI: https://doi.org/10.22517/23447214.20591
J. Amat Rodrigo, “Análisis de Componentes Principales (Principal Component Analysis, PCA) y t-SNE,” 2017. [Online]. Available: https://github.com/JoaquinAmatRodrigo/Estadistica-con-R
J. B. Greenacre Michael, “Multiple Correspondence Analysis and Related Methods Statistics in the Social and Behavioral Sciences Series,” Londres, 2006. DOI: https://doi.org/10.1201/9781420011319.ch2
J. Enrique and P. Olivares, “Modelo de análisis de correspondencias múltiples,” 1996.
C. Y. J. Peng, K. L. Lee, and G. M. Ingersoll, “An introduction to logistic regression analysis and reporting,” Journal of Educational Research, vol. 96, no. 1, pp. 3–14, 2002, doi: 10.1080/00220670209598786. DOI: https://doi.org/10.1080/00220670209598786
J. Amat Rodrigo, “Regresión logística simple y múltiple,” 2016.
A. Géron, “Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow SECOND EDITION Concepts, Tools, and Techniques to Build Intelligent Systems,” 2019. [Online]. Available: http://oreilly.com
F. Bueno, “Redes Neuronales: Entrenamiento y Comportamiento,” 2019.
A. E. Jácome Ortega, J. A. Caraguay Procel, E. P. Herrera-Granda, and I. D. Herrera Granda, “Confirmatory Factorial Analysis Applied on Teacher Evaluation Processes in Higher Education Institutions of Ecuador,” in Advances in Intelligent Systems and Computing, Springer, 2020, pp. 157–170. doi: 10.1007/978-3-030-37221-7_14. DOI: https://doi.org/10.1007/978-3-030-37221-7_14
K. Yotov, E. Hadzhikolev, and S. Hadzhikoleva, “Determining the Number of Neurons in Artificial Neural Networks for Approximation, Trained with Algorithms Using the Jacobi Matrix,” TEM Journal, vol. 9, no. 4, pp. 1320–1329, Nov. 2020, doi: 10.18421/TEM94-02. DOI: https://doi.org/10.18421/TEM94-02
J. M. Betz, P. N. Brown, and M. C. Roman, “Accuracy, precision, and reliability of chemical measurements in natural products research,” Fitoterapia, vol. 82, no. 1. pp. 44–52, Jan. 2011. doi: 10.1016/j.fitote.2010.09.011. DOI: https://doi.org/10.1016/j.fitote.2010.09.011
Machaca Apaza Lianne, “Estimación de la evapotranspiración de referencia,” 2016. [Online]. Available: http://repositorio.unap.edu.pe/handle/20.500.14082/4612
A. Zapeta Hernández, G. A. Galindo Rosales, H. J. Juan Santiago, and M. Martínez Lee, “Métricas de rendimiento para evaluar el aprendizaje automático en la clasificación de imágenes petroleras utilizando redes neuronales convolucionales,” Ciencia Latina Revista Científica Multidisciplinar, vol. 6, no. 5, pp. 4624–4637, Nov. 2022, doi: 10.37811/cl_rcm.v6i5.3420. DOI: https://doi.org/10.37811/cl_rcm.v6i5.3420
Poloni Pablo, “Nuevo Algoritmo de clasificación supervisado sin parámetros, no afectado por el desbalanceo y overfitting,” 2014. [Online]. Available: https://bibliotecadigital.exactas.uba.ar/download/tesis/tesis_n5839_Poloni.pdf
E. P. Herrera-Granda, I. D. Herrera-Granda, L. L. Lorente-Leyva, P. D. Granda-Gudiño, and J. A. Caraguay-Procel, “Implementation of an Artificial Vision System and Monitoring of Human Objectives using a Quadricopter,” Revista Ibérica de Sistemas e Tecnologias de Informação, vol. 2019, no. E19, pp. 198–211, 2019, [Online]. Available: https://www.proquest.com/openview/ca355d43bc1ac0d236ca8da769393332/1?pq-origsite=gscholar&cbl=1006393
I. D. Herrera-Granda, W. G. Imbaquingo-Usiña, L. L. Lorente-Leyva, E. P. Herrera-Granda, D. H. Peluffo-Ordóñez, and D. G. Rossit, “Optimization of the Network of Urban Solid Waste Containers: A Case Study BT - Technology Trends,” M. Botto-Tobar, G. Pizarro, M. Zúñiga-Prieto, M. D’Armas, and M. Zúñiga Sánchez, Eds., Cham: Springer International Publishing, 2019, pp. 578–589. DOI: https://doi.org/10.1007/978-3-030-05532-5_44
I. D. Herrera-Granda et al., “Artificial Neural Networks for Bottled Water Demand Forecasting: A Small Business Case Study,” in Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), vol. 11507 LNCS, Springer Verlag, 2019, pp. 362–373. doi: 10.1007/978-3-030-20518-8_31. DOI: https://doi.org/10.1007/978-3-030-20518-8_31