Sistema de predicción preliminar para reducir los errores en los diagnósticos de gastroenterología utilizando el algoritmo de Naive Bayes de Machine Learning en un hospital público de Lima

Abstract

Los errores en los diagnósticos médicos de gastroenterología es un problema recurrente para los pacientes que buscan atención médica. La existencia de diversas enfermedades con síntomas similares aumenta la probabilidad de error en la interpretación de los médicos, quienes a veces no están completamente familiarizados con ciertas enfermedades o condiciones médicas. Asimismo, la falta de comunicación efectiva entre profesionales de la salud y pacientes son constantes, debido a la congestión en las unidades de atención médica, lo que agrava aún más esta situación. Estas deficiencias pueden tener graves consecuencias para la salud de los pacientes, incluyendo complicaciones de enfermedades no diagnosticadas, falta de prevención de enfermedades potencialmente mortales y tratamiento inadecuado.

Por lo tanto, el objetivo de este proyecto es desarrollar un sistema de diagnóstico preliminar basado en datos fragmentados para ser entrenado con el algoritmo de Naive Bayes de Machine Learning por que tiene como propósito primordial asistir a los médicos especializados en la mejora de la precisión de sus diagnósticos. Para verificar la efectividad de la propuesta, se realizaron tres pruebas, que evaluaron médicos expertos en la especialidad de Gastroenterología. Además, se realizó una comparación entre el sistema propuesto y el historial de diagnósticos de pacientes, así como también se comparó con el sistema de diagnóstico preliminar Symptomate de Infermedica, tomando en consideración tres indicadores clave: errores de usuario, intentos fallidos de predicción e intentos satisfactorios de precisión. En el primer caso de prueba, se logró una precisión de hasta el 93%, lo que evidencia una alta confiabilidad del sistema en la provisión de diagnósticos preliminares, los cuales pueden ser de gran utilidad en la toma de decisiones por parte de los médicos especialistas en gastroenterología.

Errors in medical diagnoses in gastroenterology have been a recurring problem for patients seeking medical attention. The presence of similar syndromes increases the likelihood of symptom interpretation errors by physicians, who may sometimes not be fully acquainted with certain diseases or medical conditions. Additionally, the lack of communication among healthcare professionals and between physicians and patients, due to congestion in medical care, further exacerbates this situation. These deficiencies can have serious consequences for patients' health, including complications from undiagnosed diseases, lack of prevention of potentially fatal illnesses, and inadequate treatment.

Therefore, the aim of this project is to develop a preliminary diagnosis system based on fragmented data to be trained with the Naive Bayes algorithm of Machine Learning, with the primary purpose of assisting specialized physicians in improving the accuracy of their diagnoses. To assess the effectiveness of the proposal, three test cases were conducted, which were evaluated by expert physicians in the field of Gastroenterology. Furthermore, a comparison was made between the proposed system and patients' diagnostic histories, as well as with the Symptomate preliminary diagnostic system from Infermedica, considering three key indicators: user errors, failed prediction attempts, and successful precision attempts. In the first test case, a precision of up to 93% was achieved, demonstrating the system's high reliability in providing preliminary diagnoses, which can be highly beneficial for decision-making by gastroenterology specialists.