DIAGNOSTICO CLINICO DE ENFERMEDADES ENFERMEDADES CARDIOVASCULARES BASADO EN EN REDES NEURONALES PARA EL HOSPITAL NACIONAL CAYETANO HEREDIA Carla Abregú M .1Cesar Díaz Q .1Milagros Carranza C.1Edgar Morales V.1Cinthia Purizaca P.1AracellyVelásquez S. Virgilio Fredy Tito Chura1 1
Universidad Cesar Vallejo
[email protected] ,
[email protected],
[email protected],
[email protected],
[email protected],arac
[email protected],
[email protected]
Resumen En éste paper se presenta un sistema inteligente para el diagnóstico clínico de las enfermedades enfermedades cardiovasculares utilizando redes neuronales aplicando la función perceptron multicapa que proporciona el software software de aprendizaje automático automático en WEKA. Los datos con los que se se trabajó fueron extraídos del del Hospital Nacional Cayetano Cayetano Heredia. Heredia. Este Hospital pone pone a su disposición disposición los más avanzados tratamientos cardiovasculares, así como también lo último en cirugía al corazón, cirugía de revascularización coronaria y prótesis valvulares. Las enfermedades cardiovasculares que se diagnostican son: arritmia, hipertensión, taquicardia y ataques al corazón. Se probó la clasificación de la señal usando los algoritmos J48 para la detección y descarte de enfermedades cardiovasculares. Al final de la consulta este sistema inteligente mostrara la posible enfermedad y le recomendará recomendará un tratamiento diferente para cada tipo de enfermedad al corazón. Los resultados que se proporcionan muestran una clasificación clasificación correcta correcta del 100% del total de los casos casos obtenidos durante el mes de Marzo del presente presente año.
Palabras clave Weka, Perceptrón multicapa, enfermedades cardiovasculares.
Abstract In this paper a smart system for f or clinical diagnosis of cardiovascular cardiovascular disease using neural networks using multilayer perceptron function provided by the software WEKA machine learning. The data with which we worked were taken from the Cayetano Heredia Hospital. This hospital offers the most advanced cardiovascular disease treatments, as well as the latest in heart surgery, coronary bypass surgery and prosthetic valves. Cardiovascular diseases are diagnosed are: arrhythmia, hypertension, hypertension, tachycardia and heart attacks. We tested the signal classification using J48 algorithms for the detection and disposal of cardiovascular disease. At the end of the consultation this intelligent system can show the disease and recommend treatment for each type of heart disease. The results provided show the correct correct classification of of 100% of cases collected during the month of March March of this year.
Keywords Weka, MultiLayer Perceptron, cardiovascular disease
1. INTRODUCCIÓN Día a día las enfermedades se van incrementando por diversas causas, es por ello que se debe de tener un cuidado para contratacar estos males como realizarse chequeos médicos constantes. Por ello se ha escogido 4 enfermedades que son arritmia, hipertensión, taquicardia y ataque al corazón, las cuales con unas preguntas diagnostica cual es la enfermedad que presenta, por ello es muy importante mantener un control para que así no se desarrolle este mal en el organismo, ya que estos males no tienen distinción de edades. Es por ello que se crea un programa en donde se detectan estas enfermedades por los síntomas, los cuales están guardados en la Base de Datos y así detectar si se tiene este mal o no de una manera más práctica, brindando un diagnostico efectivo y satisfaciendo las necesidades del paciente. En el presente trabajo está elaborado a base de las redes neuronales lo cual es un sistema de procesamiento de información compuesto de muchos elementos interconectados en una red para producir una salida, donde se muestra los resultados obtenidos del programa Weka con la implementación del lenguaje de programación Java NetBeans, teniendo así como objetivo lograr una manera más fácil del reconocimiento de enfermedades, teniendo un margen mínimo de error en cuanto a las salidas que se tiene, para ello se emplea el perceptrón multicapa conocido como el algoritmo Function Multiplayer Perceptron el cual tiene como objetivo solucionar alguna dificultad corrigiendo los errores o minimizándolos. El resto de éste paper está organizado de la siguiente manera. En la sección 2 se muestran los trabajos previos. La sección 3 describe las Redes Neuronales. La forma de colocar los Experimentos y Resultados se encuentra en la sección 4. La función del perceptrón multicapa (Multiplayer Perceptron) se muestra en la sección 5 y finalmente la Experimentación y los
Resultados en la sección 6 y la discusión con las conclusiones.
2. TRABAJOS PREVIOS : El trabajo que más se aproxima al presente paper, es el informe titulado “Sistema experto para diagnóstico de enfermedades cardiovasculares”, desarrollado por María Belén Novillo S. dentro de su portal web. Para la realización de este sistema, se ha hecho uso de las técnicas de Ingeniería del Conocimiento, específicamente un sistema de producción para aportar la fiabilidad del diagnóstico. El cual trata de las enfermedades cardiovasculares que se deben a trastornos del corazón y los vasos sanguíneos. En este mismo se presenta un sistema experto que a su vez te mostrara un listado de estas afecciones, para que conozcas su descripción, síntomas, diagnóstico, tratamiento. Otro trabajo relacionado al Tema es “Diagnóstico de Anomalías en Electrocardiogramas por medio de Redes Neuronales Artificiales”, desarrollado por A. Padrón, J. L. Pérez, R. Fuentes, V.G. Garduño publicada en la página web http://proton.ucting.udg.mx/posgrado/cursos/ idc/pdf/idc/55.pdf. Donde se presenta realizar la clasificación y reconocimiento de anomalías en señales electrocardiográficas utilizando la técnica de las Redes Neuronales Artificiales. El proyecto consiste del desarrollo de un sistema de reconocimiento de señales electrocardiográficas mediante la prueba e implantación de un arreglo de redes neuronales artificiales que apoye los diagnósticos en los que se involucran dicho tipo de señales. Retropropagación con Momentum se emplea para identificar al menos cinco anomalías. La interpretación de señales electrocardiográficas es una de las muchas ramas de la ciencia médica que es estudiada por un médico especializado en cardiología para hacer diagnóstico de enfermedades cardiacas o reconocer algunas cardiopatías.
En electrocardiografía clínica se estudian las señales ECG, estas tienen ciertas características y propiedades que permiten identificar patrones normales y anormales. Estas características son parámetros como el límite de duración de la onda representativa en los electrocardiogramas, los cambios en la frecuencia cardiaca, alteraciones de onda, la posición del eje cardiaco, amplitudes positivas o negativas de la onda característica. El estudio de todos los parámetros ayuda al cardiólogo a diagnosticar anomalías, por ejemplo ataques al corazón, problemas de conducción, embolias, arritmias, hipertrofias, taquicardias y bradicardias. De aquí que la iniciativa de desarrollar un sistema reconocedor de patrones en señales electrocardiográficas que en este caso apoye la interpretación para un diagnóstico de anormalidades. Este sistema puede ser empleado en algunos lugares donde no es fácil encontrar en especialista en la interpretación de señales electrocardiográficas. Este trabajo fue realizado con colaboración del Grupo Cardiológico de México, el cual proporcionó las señales electrocardiográficas, asesoría y superviso los resultados de los diagnósticos del sistema. Los sistemas simbólicos han tenido poco impacto en la práctica de la medicina. Quizás las redes neuronales ofrezcan una nueva esperanza que permita a las computadoras asistir en el cambiante y costoso proceso del diagnóstico médico. El nicho del mercado para las redes neuronales que realizan un diagnóstico, toma consideraciones pragmáticas y son muy discutidas para él diagnóstico médico. Especialmente en problemas inherentes en el desarrollo de un gran número de suposiciones generales, además de que las redes para propósito general están también siendo discutidas. Cada sistema presenta los últimos cambios de los diseñadores en redes neuronales para diagnóstico. Las redes neuronales son altamente tolerantes a fallas, y cuando son entrenadas apropiadamente, estas son capaces de encontrarse cerca de la
solución óptima, con información limitada. Si las RNA pueden permitir cualidades alusivas del razonamiento humano estas pueden ser combinadas con compulsivo éxito, con lógica precisa, y con una memoria computacional perfecta, entonces las redes neuronales pueden hacer una contribución significante para diagnóstico médico. Generalmente los datos médicos tienen varias propiedades que los hacen resistentes a técnicas convencionales del análisis computacional: Imprecisión. Medición de la presión sanguínea, por ejemplo, es imprecisa debido a la variabilidad en el tamaño del brazo del paciente, de la postura, y del estado emocional; el tipo de instrumentación empleada, y de la técnica de la persona que está midiendo la presión. Subjetividad. ¿El paciente se encuentra pálido? ¿El dolor es constante o hay calambres? Incompletas. Una base de datos médicos nunca está completa debido a las limitaciones del tiempo, del instrumental, dinero, y otras fuentes. Contenido de alto ruido. Existe una gran cantidad de variantes normales y se han encontrado muchos síntomas, o descubrimientos incidentales que no contienen ninguna relación con el problema primario del paciente. Otro trabajo relacionado al Tema es “Aplicabilidad de redes neuronales artificiales para la predicción de los resultados individuales de la cirugía cardiaca. Estudio preliminar”, desarrollado por Raúl A. Borracci y Miguel Rubio publicada en la página web www.sac.org.ar/ en el año del 2003. Donde se presenta estudiar la aplicabilidad de redes neuronales artificiales (RNA) para pronosticar los resultados quirúrgicos individuales y por grupos de riesgo de la cirugía cardiaca, la cual dio como resultado que las redes mostraron alta sensibilidad para poder predecir sobrevida postoperatoria inmediata
y la especificidad creció a medida que se incorporaron los puntajes de riesgo (red Nº 2 y Nº2E) y la presencia o no de complicaciones (red Nº 3 y Nº3E), con lo cual quedo demostrado que la utilización de las Redes Neuronales Artificiales es de suma importancia en la medicina y no solo en ese campo sino en cualquier otra área en la cual se pueda predecir resultados.
El tamaño y la forma de las neuronas es variable, pero con las mismas subdivisiones. Subdividiéndose así en tres partes:
3. REDES NEURONALES Las redes neuronales artificiales (ANN) son modelos a escala de redes neuronales naturalmente presentes en los cerebros de muchos organismos vivos. Aunque los bloques o unidades mínimas que conforman estas redes (biológicas o artificiales) se denominan neuronas, una neurona artificial es típicamente una simplificación extrema de la complejidad bio-química detrás de una neurona natural (para más detalles, ver Galkin(2003) y Gonzales(2000)). El Gráfico A1 ilustra las partes de una típica neurona artificial con n inputs y un output dicotómico 23.
Figura N°1 A pesar de estas diferencias de escala o de complejidad, el objetivo común de ambas redes neuronales es el aprendizaje de los patrones presentes en los datos, los cuales eventualmente ingresan a estas redes neuronales como inputs.
El cuerpo de la neurona o Soma contiene el núcleo. Se encarga de todas las actividades metabólicas de la neurona y recibe la información de otras neuronas vecinas a través de las conexiones sinápticas (algunas neuronas se comunican solo con las cercanas, mientras que otras se conectan con miles). Las dendritas, parten del soma y tienen ramificaciones. Se encargan de la recepción de señales de las otras células a través de conexiones llamadas sinápticas. Si pensamos, desde ahora, en términos electrónicos podemos decir que las dendritas son las conexiones de entrada de la neurona. Por su parte el axón es la "salida" de la neurona y se utiliza para enviar impulsos o señales a otras células nerviosas. Cuando el axón está cerca de sus células destino se divide en muchas ramificaciones que forman sinapsis con el soma o axones de otras células. Esta unión puede ser "inhibidora" o "excitadora" según el transmisor que las libere. Cada neurona recibe de 10.000 a 100.000 sinapsis y el axón realiza una cantidad de conexiones similar.
La transmisión de una señal de una célula a otra por medio de la sinapsis, es un proceso químico. En el se liberan substancias transmisoras en el lado del emisor de la unión. El efecto es elevar o disminuir el potencial eléctrico dentro del cuerpo de la célula receptora.
3.1. Principales tipos de redes neuronales
Perceptron
Adaline
Backpropagation
4. ENFERMEDADES
Aprendizaje asociativo
Redes competitivas
4.1. Arritmia Descripción.-La arritmia es la variación del
Investigación lineal para la salida Sigmoidal para las capas
3.1.1 Perceptrón La primera red neuronal consiste en una suma de las señales de entrada, multiplicadas por unos valores de pesos escogidos aleatoriamente. La entrada es comparada con un patrón preestablecido para determinar la salida de la red. Si en la comparación, la suma de las entradas multiplicadas por los pesos es mayor o igual que el patrón preestablecido la salida de la red es uno (1), en caso contrario la salida es cero (0). Al inicio del desarrollo de los sistemas de inteligencia artificial, se encontró gran similitud entre su comportamiento y el de los sistemas biológicos y en principio se creyó que este modelo podía computar cualquier función aritmética o lógica.
ritmo regular de los latidos cardíacos. Puede sentirse como una pausa temporal y ser tan breve que no cambia el ritmo cardiaco general. O puede hacer que el ritmo cardiaco sea demasiado lento o demasiado rápido.
Síntomas.-Los síntomas habituales son: palpitaciones (sensación de percibir el propio latido del corazón, mareos, síncope, dolor torácico, pérdida de conocimiento, vértigos y desmayos).
Tratamiento.-Existen
diversos antiarrítmicos, que se recetan según el tipo de arritmia y en dosis exactas. Para los casos de frecuencia cardíaca lenta puede recetarse la colocación de un marcapasos. Se trata de un dispositivo electrónico que se coloca bajo la piel por medio de cirugía e imita la frecuencia del marcapasos natural.
4.2.Ataque al corazón Descripción.- Los ataques al corazón o en ataque cardíaco (que también se llama infarto de miocardio y síndrome coronario agudo) se producen cuando parte del músculo cardíaco se daña o muere debido a que no está recibiendo suficiente cantidad de oxígeno.
Síntomas
Figura N°2 El Perceptrón en su configuración inicial no estaba en capacidad de distinguir patrones de entrada muy complejos, sin embargo mediante un proceso de aprendizaje era capaz de adquirir esta capacidad.
Presión, pesadez, tensión o dolor en el pecho que dura 5 minutos o más. Dolor en el pecho, vahído, mareo, desmayo, sudoración o náuseas, Ansiedad, debilidad o cansancio de origen desconocido. Palpitaciones, sudor frío o palidez.
Tratamiento.- Hay dos tratamientos una es por los medicamentos los cuales se recetan para prevenir la formación de coágulos de sangre controlando las plaquetas. Se administran inmediatamente para evitar que el daño al corazón sea irreparable. Si es
necesario, se hará un procedimiento llamado angioplastia.
abusar del consumo de sal, hacer ejercicio con regularidad.
4.3. Taquicardia Descripción.- La taquicardia
5.
es la aceleración de los latidos cardíacos a más de 100 latidos por minuto. La misma puede ser fisiológica, como por ejemplo, cuando se realiza una actividad física intensa, como la anemia, las hemorragias, el shock, etc.
Síntomas
Son las palpitaciones: se perciben una aceleración del corazón acompañada por una sensación de ansiedad Dificultad respiratoria, mareos, desmayos y un dolor agudo en el pecho. Son la debilidad, los ahogos y el desvanecimiento.
Tratamiento.-Se suele tratar las patologías de base, de existir alguna. En los infartos agudos de miocardio, la taquicardia disminuye con el tiempo.
4.4. Hipertensión Descripción.-La presión arterial es el resultado de la combinación de las fuerzas del corazón y las arterias durante cada contracción del músculo cardiaco.
Síntomas
Como dolor en el pecho, disnea, cefalea, nauseas y vómito, estado mental alterado, hemorragias nasales, trastornos visuales, enrojecimiento facial, somnolencia, confusión, mareos, entumecimiento y hormigueo de manos y pies, cansancio y disminución de la excreción urinaria.
Tratamiento.-La hipertensión no puede curarse en la mayoría de los casos, pero puede controlarse. Las pastillas son sólo parte del tratamiento de la hipertensión, ya que el médico también suele recomendar una dieta para perder peso y medidas como no
FUNCION:
MULTICAPA PERCEPTRON )
PERCEPTRÓN
(MULTILAYER
El Perceptrón multicapa, que consta de varias capas de unidades computacionales interconectadas entre sí; cada neurona en una capa se encuentra directamente conectada a las neuronas de la capa anterior. El modelo se encuentra basado en funciones ya que cada unidad de las redes mencionadas aplica una función de activación (habitualmente una sigmoide). Modelo de perceptrón de 2 capas capaz de calcular la función XOR El mecanismo de aprendizaje habitual es la retropropagación. De esta forma los valores de salida son comparados con la decisión correcta para computar el valor de una cierta función de error, y este error es retroalimentado hacia atrás mediante varias técnicas. El algoritmo hace uso de esta información para recalcular los pesos a aplicar en cada conexión de forma que en iteraciones sucesivas se reduzca el valor de la función de error. El ajuste de pesos se realiza derivando la función de error con respecto a los pesos de la red, modificándose éstos para que el error disminuya (gradient descent); esta es la razón por la que la retropropagación sólo puede ser aplicada en redes con funciones de activación diferenciables. Algunas posibles desventajas a la hora de aplicar este modelo serían la posibilidad de una excesiva adaptación al conjunto de datos de entrenamiento si el aprendizaje se prolonga en exceso, o el estancamiento en un mínimo local de la función de error. Por otro lado, el perceptrón multicapa es capaz de aproximar cualquier función de clasificación si consta del suficiente número de capas, por lo que bien diseñado puede ofrecer resultados muy satisfactorios.
Entre los parámetros encuentran:
configurables,
se
• Número de capas ocultas (hidden layers): se ofrecen varias posibilidades para aproximar correctamente el modelo buscado. • Tasa de aprendizaje: factor de actualización de pesos cuando han de ser modificados, un valor mayor converge más rápido pero puede provocar oscilaciones. • Umbral de validación: para determinar cuándo dar por acabado el test de validación, cuántas veces en una fila el error puede empeorar antes de terminar el entrenamiento. 5.1 Representación de una Red Neuronal
Este es uno de los tipos de redes más comunes. Se basa en otra red más simple llamada Perceptrón simple solo que el número de capas ocultas puede ser mayor o igual que una. Es una red unidireccional (feedforward). La arquitectura típica de esta red es la siguiente:
5.2 Problemas apropiados para este tipo de aprendizaje
Las características de los problemas apropiados para resolver mediante este aprendizaje dependen del sistema de aprendizaje específico utilizado, pero hay una serie de ellas generales y comunes a la mayoría y que se describen a continuación:
El Perceptrón Multicapa no extrapola bien, es decir, si la red se entrena mal o de manera insuficiente, las salidas pueden ser imprecisas. La existencia de mínimos locales en la función de error dificulta considerablemente el entrenamiento, pues una vez alcanzado un mínimo el entrenamiento se detiene aunque no se haya alcanzado la tasa de convergencia fijada.
Cuando caemos en un mínimo local sin satisfacer el porcentaje de error permitido se puede considerar: cambiar la topología de la red (número de capas y número de neuronas), comenzar el entrenamiento con unos pesos iniciales diferentes, modificar los parámetros de aprendizaje, modificar el conjunto de entrenamiento o presentar los patrones en otro orden.
Figura N° 3: Representación de una Red Neuronal Las neuronas de la capa oculta usan como regla de propagación la suma ponderada de las entradas con los pesos sinápticos wij y sobre esa suma ponderada se aplica una función de transferencia de tipo sigmoide, que es acotada en respuesta.
Se debe tener en cuenta que no siempre el algoritmo de entrenamiento del Perceptrón podrá converger hacia un error nulo. De hecho el Perceptron es incapaz de converger en aquellas funciones que no son linealmente separables, es decir, aquellas cuyos elementos pueden ser separados por una línea recta. Esto se debe a las propiedades inherentes de las unidades básicas del Perceptrón que son las neuronas artificiales, cuya limitación reside principalmente en la función de
activación que como se puede observar separa las entradas en dos salidas de manera que con todas las entradas posibles se forma un hiperplano cuyos elementos de salida son separados en dos partes dentro del hiperplano [BEA03]. Visto de otra forma, podríamos decir que el Perceptrón divide en dos grupos las entradas por medio de una línea divisoria de manera que no es posible separar elementos que no se encuentren claramente separados de otros elementos. Es decir que no se puede caracterizar elementos no lineales.
desmayo, dolor en el pecho, insuficiencia respiratoria, sudoraciones, mareo, sudor frio, falta de aliento, dolor de cabeza, zumbidos en el oído, alteraciones de la vista, hemorragias por la nariz, opresión en el pecho, dolor en la parte inferior de los brazos, palpitaciones, manos frías, latidos cardiacos anormales, fiebre, orina de color anormal, escalofrió, sudoración excesiva, dolores en las articulaciones, sudores fríos, palidez manchas cutáneas rojas, perdida de peso, pesadez en el pecho, hinchazón en las piernas, dolor toráxico, presión, tartamudeo, dolores en el cuello, enfermedades. La base de datos es extraída a la Weka y arrojará el resultado del número de pacientes y los atributos como se muestra en la Figura N°5.
Figura N°4: Margen de Caracterización del Perceptrón Esto se puede observar claramente en la Figura N° 4 donde se muestra el caso en el que el Perceptron es un buen clasificador, y otro caso donde el Perceptron no puede separar los elementos en dos categorías. En la figura, los puntos (X1, X2) corresponden a la intersección de dos entradas X! y X2 .
6. EXPERIMENTOS Y RESULTADOS La base de datos utilizada es la obtenida en el mes de marzo del Hospital Cayetano Heredia, el número de casos es de 1024, donde cada caso contiene los siguientes atributos: paciente, sexo, edad, latidos lentos, latidos irregulares, ansiedad, debilidad,
Figura N°5: Atributos de las enfermedades cardiovasculares
En la Figura N°6 se visualizan los pesos obtenido en Weka cada, uno de ellos pertenecientes a los 19 nodos en la primera capa y 4 nodos en la segunda capa.
La matriz de confusión de redes neuronales.
Figura 8: Matriz deconfusión La estructura de la red neuronal. Ver Figura N°9.
Primera capa: 19 nodos
Primera capa: 4
Figura N°6: Atributos de las enfermedades cardiovasculares También se puede observar en la Figura N°7 la clasificación correcta del 100%.
Figura N°7: Resultados obtenidos con la función Perceptron multicapa
Figura 9: Árbol dedecisión para el diagnóstico de enfermedades cardiovasculares
Algoritmo de redes neuronales realizado en Netbeans, se trabajo en la red con los primeros 19 nodos en la primera capa y luego los 4 nodos en la segunda capa.
En la Figura N°11, se muestra el algoritmo de la multiplicación de matrices.
En la Figura N°10, se muestra la primera capa de la red neuronal.
Figura N°11: algoritmo de la multiplicación de matrices También se diseño e implemento un software en NetBeans para determinar el diagnóstico (taquicardia, hipertensión.ataque al corazón, arritmia) dependiendo de los sintomas que se van a registrar.
Figura N°10: primera capa de la red neuronal
Ventana de bienvenida
N°12: Ventana de bienvenida
Luego aparecerá una ventana para aceptar el proceso de diagnóstico, como se muestra en la Figura N°13
En la ventana de diagnóstico también se puede visualizar los pesos de las salidas por cada enfermedad, como se muestra en la Figura N°15
Figura N°13: Confirmar comienzo de diagnóstico
Finalmente se mostrará una ventana donde contendrá los síntomas a seleccionar y arrojara el diagnóstico. Ver Figura N°14
Figura N°15: Pesos de las salidas de las cuatro enfermedades (arritmia, taquicardia, hipertensión y ataque al corazón)
7. DISCUSIÓN EXPERIMENTOS
DE
LOS
Los resultados obtenidos de nuestro proyecto corroboran los resultados de María Belén Novillo a través de sistema experto para el diagnóstico de enfermedades donde mostro un listado de afecciones para conocer el diagnóstico.
F i gura N°14: Ventana de diagnóstico
Otro trabajo relacionado con nuestro proyecto es el “Diagnóstico de Anomalías en Electrocardiogramas por medio de Redes Neuronales Artificiales”, desarrollado por A. Padrón, J. L. Pérez, R. Fuentes. Donde se presenta realizar la clasificación y reconocimiento de anomalías en señales electrocardiográficas utilizando la técnica de las Redes Neuronales Artificiales. El proyecto consiste del desarrollo de un sistema de reconocimiento de señales electrocardiográficas mediante la prueba e implantación de un arreglo de redes neuronales artificiales que apoye los diagnósticos en los que se involucran dicho tipo de señales.
Se concluye que la utilización de las redes neuronales tiene un alto grado de confiabilidad de sus respuestas.
8. CONCLUSIONES En el presente trabajo se han utilizado La función Perceptrón multicapa de WEKA para el diagnostico de enfermedades, esto a partir de los datos proporcionados por el Hospital Nacional Cayetano Heredia durante el mes de Marzo. Para este tipo de datos la función Perceptrón multicapa, fue el que logró una clasificación correcta del 100%.
9.-APORTE: Una mejora al presente trabajo es recolectar mayor cantidad de información y mayor cantidad de enfermedades. Lo que se quiso comprobar con este trabajo es que esta función puede utilizar para el proceso de diagnóstico de enfermedades.
10. REFERENCIAS [Castillo, 2011] Castillo R. (2011). Arritmia Cardiaca. http://www.entornomedico.org/enfermedade sdelaalaz/index.php?option=com_content&v iew=article&id=111:arritmiacardiaca&catid=35:enfermedades&Itemid=5 6 [FamilyDoctor, 2010] FamilyDoctor.org (2010). Ataque Cardiaco. http://familydoctor.org/familydoctor/es/disea ses-conditions/heart-attack.html [FamilyDoctor, 2010] Fernando T. (2010). Función del Corazón http://www.fundaciondelcorazon.com/infor macion-para-pacientes/enfermedadescardiovasculares.html
[Issa, 2006] Issa O. (2006). Desarrollo de sistemas inteligentes para clasificación y diagnóstico en Medicina. Departamento de arquitectura y tecnología de computadoras. Universidad de Granada [Cruz-Rojo, 2012] Cruz Rojo. (2012). Epidemiología de las enfermedades cardiovasculares. http://cruzrojoepidemiologia.wordpress.com/ 2008/10/09/sobre-las-causas-de-lasenfermedades-cardiovasculares-2/
