Instituto Politcnico Nacional

Escuela Superior de Computo

Modelos Asociativos para el

reconocimiento de Enfermedades
Hepticas

Trabajo Terminal: 13-1-0011

Alumnos:

Luna Prez Eric Omar

Pita Soto Jess Yair
Rocha Ramrez Arturo Pablo

Directores:

Mario Aldape Prez

Edgar Armando Cataln Santiago

ndice

Que es la Inteligencia Artificial?........................................................................................ 3

Reconocimiento de patrones............................................................................................. 4

MARCO TERICO..........................................................................................6
Clasificacin del aprendizaje............................................................................................ 6
Algoritmos de aprendizaje de acuerdo al conocimiento existente ................................................... 6
Clasificacin de acuerdo a generalizacin del aprendizaje............................................................ 8

TEORA MDICA..........................................................................................11
Hepatitis.................................................................................................................... 11
Tipos de Hepatitis vricas................................................................................................ 11
Hepatitis Tipo A (Hepatitis Infecciosa)................................................................................... 11
Hepatitis Tipo B (Hepatitis Aguda)....................................................................................... 12
Pronstico.................................................................................................................. 15

ANLISIS Y DISEO DEL SISTEMA.....................................................................23

Anlisis de Riesgo......................................................................................................... 24
Anlisis de Requerimientos............................................................................................. 25
Casos de Uso............................................................................................................... 26
Diagrama de Estados General........................................................................................... 30

BIBLIOGRAFA Y REFERENCIAS........................................................................31

Introduccin
Que es la Inteligencia Artificial?
Los hombres se han denominado a si mismos como Homo Sapiens (hombre sabio) porque nuestras
capacidades mentales son muy importantes para nosotros. Durante miles de aos, hemos tratado de
entender cmo pensamos, es decir, entender como un simple puado de materia puede percibir,
entender, predecir y manipular un mundo mucho mas grande y complicado que ella misma.
La Inteligencia artificial es una de las ciencias mas recientes. El trabajo comenz poco despus de la
segunda guerra mundial, y el nombre se acuo en 1956. La Inteligencia artificial se cita, junto a la
biologa molecular, como un campo en el que a la mayora de los cientficos de otras disciplinas les
gustara trabajar. Un estudiante de ciencias fsicas puede pensar razonablemente que todas las buenas
ideas han sido ya propuestas por galileo, Newton, Einstein y otros. Por el contrario la inteligencia
artificial an tiene flecos sin cerrar en los que podran trabajar varios Einsteins a tiempo completo.[1]
La inteligencia artificial abarca en la actualidad una gran variedad de subcampos de aplicacin, que van
desde reas de propsito general, como el aprendizaje y la percepcin, a otras mas especificas como el
ajedrez, la demostracin de teoremas matemticos, la escritura de poesa y el diagnostico de
enfermedades. La inteligencia artificial sintetiza y automatiza tareas intelectuales y es, por lo tanto,
potencialmente relevante para cualquier mbito de actividad intelectual humana. En este sentido, es un
campo genuinamente universal. [1]
Para la definicin de inteligencia artificial se revisan dos fuentes:

La inteligencia artificial (la cual referiremos como IA) es un campo de la investigacin en

computo orientado a desarrollar programas que permitan a las computadoras mostrar un
comportamiento que pueda ser catalogado como inteligente.[2]

La inteligencia artificial es la ciencia e ingeniera de hacer inteligentes a las mquinas,

especialmente hacer programas de cmputo inteligentes. Esta relacionado tambin con la tarea
de usar computadoras para entender la inteligencia humana.[3]

Se puede decir bsicamente que la IA es un campo de las ciencias de cmputo que trata de hacer por
medio de programas de computadora, inteligentes a las mquinas. Para los fines de este trabajo, se
manejar como:

La habilidad computacional para lograr metas en el mundo. Varan sus tipos y grados en las
personas, animales y mquinas[3]

Una de las reas de la inteligencia artificial es el reconocimiento de patrones, misma cuya descripcin
general que se trata a continuacin.
Reconocimiento de patrones
Los humanos perciben informacin a su alrededor por medio de los sentidos. Usando una serie de
conceptos generales o de patrones que aprenden sobre las cosas y objetos as como con informacin
multisensorial y habilidad cognoscitiva podemos reconocer letras, numero, sexo, etc. [4]
De los ejemplos mencionados en general todos involucran un proceso de clasificacin o identificacin
de objetos, situaciones, etc. [4]

Los humanos pueden agrupar a los objetos por clases y categoras para identificar los objetos de
manera casi automticas, el reconocimiento de patrones es el rea de la IA que trata de igual esta
capacidad del ser humano, como se aprecia en la Figura 1, que muestra los campos de investigacin de
la inteligencia artificial.

Herramientas del Reconocimiento de Patrones

Dentro del campo de investigacin existen diversas herramientas, algoritmos y mtodos para el
reconocimiento de patrones, algunos son:

Clasificadores: Sistemas que agrupan objetos basndose en el hecho de que algunos pertenecen
a un conjunto denominado clase, y su pertenencia depende de compartir determinadas
caractersticas.
Redes Neuronales: Sistemas que tratan de replicar el funcionamiento biolgico en el que una(s)
neurona(s) (o arreglo de ellas) responde(n) de distinta forma de acuerdo a los estmulos
recibidos en sus entradas.
Lgica difusa: Basndose en relaciones lgicas sobre conjunto, el valor, o significado de un
predicado vara segn el contexto.
Arboles de decisin: Sistemas que utilizan estructuras de datos arbreas definidas por nodos,
mismas que permiten llegar a un nodo destino (Qu contiene o representa lo que se esta
buscando?) a travs de la discriminacin de ciertos rasgos sucesivamente.
Entre otros ms.

Existen diversas clasificaciones sobre las herramientas, basndose en la metodologa de aprendizaje o

sus caractersticas en el procesamiento o generalizacin.
Problemas enfrentados en un Sistema de Aprendizaje
Existen bsicamente dos problemas uno de ellos es la velocidad de los algoritmos y otro es la
capacidad de recuperacin del algoritmo es decir que tanto puede aprender en un entrenamiento y qu
tan efectivo es, sin embargo se ha probado que cuando se trata de solventar un problema se hace mayor
el otro.
Alcances del trabajo
Como se menciona en [1] el campo de aplicacin de la inteligencia artificial es bastante amplio y entre
sus aplicaciones se encuentran problemas de la medicina, puediendo ser uno de ellos el diagnostico de
enfermedades el cual se aborda en este trabajo con el objetivo de apoyar a los medicos en el
diagnostico de la Hepatitis.

Marco Terico
Clasificacin del aprendizaje
Existen diversas clasificaciones sobre los mtodos de aprendizaje, una de ellas es la que corresponde al
mtodo de aprendizaje y supervisin de los datos de entrenamiento, entrando en ellas el aprendizaje
supervisado, no supervisado, semisupervisado, por transduccin, por ensamblaje o por el tipo aprende a
aprender este grupo es llamado conocido como aprendizaje de acuerdo al conocimiento existente, otra
forma de clasificacin es por generalizacin y en ella estn el aprendizaje flojo y entusiasta, al final
dichas clasificaciones son complementarias, pues todos los algoritmos caen en una categora de ambas
clasificaciones.
Algoritmos de aprendizaje de acuerdo al conocimiento existente
Aprendizaje Supervisado
En este tipo de aprendizaje se establece una relacin entre las entradas y las salidas deseadas del
sistema. La salida del algoritmo puede ser continua, en cuyo caso ser una regresin, o puede predecir
la clase a la que pertenece el objeto de entrada, lo cual es conocido como clasificacin. El propsito es
que a partir de un pequeo grupo de entrenamiento el algoritmo sea capaz de predecir el valor de la
funcin para cualquier entrada.
Este tipo de aprendizaje se puede realizar de 2 formas: la primera y ms utilizada es generar un modelo
global que mapee las seales de entrada con las seales deseadas de salida. La segunda es implementar
un conjunto de modelos locales, como ejemplo de estos tenemos el razonamiento basado en casos y los
algoritmos del vecino ms cercano. [5]
Aprendizaje no supervisado (Clustering)
Este tipo de modelos se distinguen por que no existe un conocimiento previo de la salida esperada y
solo tenemos un conjunto de datos de entrada. La funcin de este tipo de algoritmos es el de generar
grupos entre los datos de entrada a partir de las similitudes entre ellos, es decir con ausencia de
entrenadores tiene que adaptar sus parmetros autnomamente. [5]
Un ejemplo en la vida real es cuando nos piden que clasifiquemos distintos objetos pero no nos dan
ejemplos ni hay nadie a quien preguntarle, entonces lo nico que nos queda es agruparlos de acuerdo a
las caractersticas que tienen en comn.

Aprendizaje Semisupervisado
Estos modelos hacen uso tanto de datos etiquetados como de no etiquetados para el
entrenamiento.

 El aprendizaje semisupervisado se puede ver como un nivel intermedio entre el aprendizaje

supervisado y el no supervisado. Algunos investigadores han demostrado que los datos no

etiquetados cuando se usan con pequeas cantidades de datos etiquetados puede mejorar
considerablemente la eficiencia del algoritmo. [5]

Un ejemplo de este modelo es el de coentrenamiento, en el cual dos o ms aprendices son entrenados

con conjuntos distintos de entrenamiento. [5]
Aprendiendo A Aprender
Este tipo de modelos usan experiencias previas o algoritmos para mejorar la forma en que aprender. [5]
Aprendizaje de refuerzo
Se encuentra tambin a medio camino entre supervisado y no supervisado. Al sistema no se le muestra
explcitamente la relacin entrada-salida como en el aprendizaje supervisado, pero s recibe una
retroalimentacin de su entorno. La retroalimentacin es una seal de refuerzo proporcionada por un
instructor o por el entorno como indicador de si se ha resuelto el problema. [6]
Aprendizaje Transductivo
Transduccin o inferencia transductiva es un razonamiento de lo observado, de casos especficos
de entrenamiento a casos especficos de prueba. En contraste, induccin es un razonamiento de
los casos de entrenamiento a reglas generales. La distincin es ms interesante en los casos en los
que las predicciones del modelo transductivo seran imposibles para cualquier modelo inductivo,
esto es debido a la inferencia transductiva en diferentes conjuntos de prueba lo cual produce
predicciones mutuamente inconsistentes. Un ejemplo de un algoritmo transductivo son las
maquinas de soporte vectorial transductivo (TSVM) y la maquina comit bayesiana. [5]
Aprendizaje Inductivo
Este tipo de algoritmo aprovecha el conocimiento previo sobre otros problemas similares para aprender.
Se han desarrollado algoritmos para aprovechar la transferencia de la informacin en las redes lgicas
de Markov y las redes bayesianas.
Un caso particularmente interesante de aprendizaje por transferencia es aquel denominado
multitasklearning, en el cual al atacar un problema, se ataca al mismo tiempo varios problemas
relacionados usando una representacin compartida. [5]
Clasificacin De Acuerdo Al Momento De La Generalizacin
Cuando estamos trabajando con modelos de aprendizaje automtico, tenemos que la generalizacin de
los datos de entrada se puede hacer ya sea en la fase de aprendizaje o en la fase de recuperacin, en el
primer caso hablaremos de aprendizaje entusiasta y en el segundo de aprendizaje flojo. Cada uno de los
cuales tiene ventajas y desventajas que se muestran a continuacin.
7

Clasificacin de acuerdo a generalizacin del aprendizaje

Aprendizaje Flojo
En este mtodo la generalizacin de los datos de entrada es relegada a la fase de recuperacin y la
fase de aprendizaje se reduce a solo almacenar los datos de entrada.
La ventaja de este mtodo es que la funcin se aproxima localmente y debido a esto se pueden
realizar diferentes bsquedas al mismo tiempo.
Las desventajas de este tipo de algoritmo es que se requiere de una gran cantidad de espacio para el
almacenamiento de todo el conjunto de entrenamiento. Adems, aunque en la fase de aprendizaje son
rpidos, son muy lentos en la fase de recuperacin.
Aprendizaje Entusiasta
En este mtodo de aprendizaje el sistema trata de construir una funcin de entrada independiente
durante el entrenamiento del sistema. La gran ventaja es que al ser aproximada globalmente durante la
fase de entrenamiento se requiere de mucho menos espacio que un mtodo flojo. Adems debido a esta
aproximacin global, estos sistemas generalmente trabajan bien aunque existan alteraciones en los
datos de entrenamiento. Sin embargo, tambin debido a esta generalidad, estos mtodos por lo general
no son capaces de proveer una buena aproximacin local.
Las Memorias Asociativas
El objetivo o propsito fundamental de las memorias asociativas es recuperar correctamente patrones
completos a partir de patrones de entrada, los cuales pueden estar alterados con ruido aditivo,
sustractivo o combinado: esta es la caracterstica ms atractiva de las memorias asociativas.
En mi opinin las memorias asociativas podran ser catalogadas como clasificadores, debido a la
semejanza en s funcionamiento.
El modelo original de Karl Steinbuch llamado Learnmatrix, ideada en 1961, basado en un modelo de
redes neuronales, sin embargo Kosko (1967) demuestra que la red tiende a un mnimo global, y a
semejanza de otros modelos como Hopfield, de alguna manera se simplifica a una serie de operaciones
bsicas con matrices.

Las memorias asociativas tienen bsicamente dos fases fcilmente distinguibles la fase de aprendizaje
(fase de generacin de la memoria asociativa) y la fase de recuperacin (operacin de la memoria
asociativa).
Una memoria asociativa puede formularse como un sistema de entrada y salida.
El patrn de entrada se representa por un vector columna denotado por x y el patrn de salida, por el
vector columna denotado por y. [7] Cada uno de los patrones de entrada forma una asociacin con el
correspondiente patrn de salida. La notacin de una asociacin es similar a la de una pareja ordenada.
Existen adems dos tipos de memoria la heteroasociativa y la autoasociativa, en las primeras existe una
funcin de correspondencia entre la entrada y la salida aunque de distintos tamaos, en las segundas los
tamaos de los patrones son los mismos aunque sigue existiendo una funcin de correspondencia entre
los patrones de entrada y salida. [6]
Una vez obtenida nuestra memoria asociativa hay un factor que se pretende determinar, el de
sobreaprendizaje. Para ello es necesario hacer una validacin de resultados y usaremos la tcnica de
validacin cruzada.
Validacin Cruzada
Existen dos tipos una es la validacin cruzada dejando uno fuera (LOOCV) donde como su nombre lo
indica establece que hay que hacer un conjunto de muestras del conjunto original para la validacin de
datos, y los datos restantes para el entrenamiento, lo que se repite una vez con cada muestra del
conjunto y usado una vez como dato de validacin.
El segundo tipo es el validacin cruzada k, donde primero dividimos el conjunto de datos de manera
aleatoria en k grupos del mismo nmero de elementos o tan homogneos en el tamao como sea
posible. De todos K subconjuntos uno es retenido como validacin para probar el modelo y los
restantes son usados para el entrenamiento. Esto se repite con cada uno de los subconjuntos de datos
una vez para la validacin. Lo nico que las distingue es el tamao de muestra del conjunto original
que se usa para el entrenamiento o comprobacin.[8]
Sobreaprendizaje
Prctica de una capacidad que contina ms all del punto en que el rendimiento alcanza un estndar
especificado. As es definido por el Diccionario de Medicina Mosby - Medicina, Enfermera y
Ciencias de la Salud, Ediciones Hancourt, S.A. 1999.
El sobreaprendizaje es un concepto pedaggico de acuerdo al cual cada nueva habilidad adquirida debe
de practicarse ms all de la maestra inicial, buscando alcanzar la automatizacin.

Aterrizando dicho concepto a nuestro trabajo, llegar a este punto seria donde nuestra memoria
asociativa alcanza el mximo de efectividad en reconocimiento, rebasando el promedio por el mismo
mtodo o contra otros mtodos.

Desarrollo de un sistema basado en un modelo de aprendizaje

Los sistemas de reconocimiento de patrones son parte de aquellos que se basan en un modelo de
aprendizaje, poseen caractersticas propias, que los distinguen de otros que se basan en la bsqueda,
razonamiento y funciones lgicas por ejemplo. Enfrentan ciertos problemas y deben tomar en cuenta un
modelo de desarrollo para su correcta aplicacin.
Un sistema basado en un modelo de aprendizaje, cualquiera, se propone que se desarrolle en 5 etapas:
1. Obtencin y/o recopilacin de datos en bruto es decir en su forma original acerca de la clase
2.
3.
4.
5.

en cuestin.
Determinar las caractersticas ms relevantes del objeto en cuestin, Cules son ms
importantes al momento de reconocerlo?
Elegir una representacin en forma de datos legibles para el sistema acerca del objeto,
observando con cuidado las restricciones sobre los tipos de datos.
Elegir el modelo de aprendizaje ms adecuado (el algoritmo).
Prueba del sistema, determinar si es necesario algn procesamiento posterior. La prueba del
sistema no ser solo de efectividad con el conjunto de entrenamiento sino con un conjunto de
datos diferentes.[5]

10

Teora Mdica
Hepatitis
La hepatitis es una inflamacin del hgado que no apunta directamente a una causa especfica [9], ya
que cada una de las causas conocidas que la provocan son de naturaleza distinta entre si pero convergen
en el dao heptico.
Las causales son:

Infeccin vrica o bacteriana del hgado.

Intoxicacin por alcohol, sobredosis de medicamentos o exposicin a algn otro txico.

Interrupcin de la irrigacin correcta de sangre al hgado.

Trastornos autoinmunes.

Traumatismo abdominal en la zona del hgado.

La causal ms comn de esta enfermedad es la infeccin vrica, por lo que es el punto central de la
investigacin, ya que su diagnostico por dicha causal es ms complicado porque es necesario revisar
cual es el tipo de virus que ataca al hgado (VHA, VHB, VHC, etc.) a travs de los indicadores que se
usan solo en estudios de laboratorio, los cuales son denominados Marcadores de Hepatitis.

Tipos de Hepatitis vricas

Hepatitis Tipo A (Hepatitis Infecciosa)
Este tipo de hepatitis est causado por el virus de la hepatitis A (VHA), que se encuentra en las heces
de las personas infectadas. A nivel global, el VHA es causante de 20 a 40% de los casos sintomticos
de hepatitis [10].

11

Puesto que la hepatitis A puede ser una infeccin leve, particularmente en la infancia, es posible que
algunas personas no se den cuenta de que han contrado la enfermedad y sta pase desapercibida y
quede sin diagnosticar [9].
Contagio
El virus de la hepatitis A se contagia cuando se ingiere algo contaminado con heces infectadas por el
VHA (esto facilita su transmisin en condiciones de hacinamiento e insalubridad).
El virus se transmite con facilidad de un miembro de la familia a otro. Es ms probable que las
personas transmitan el virus de la hepatitis A durante las 2 semanas antes de sentirse enfermas.
Sntomas
Los nios menores de 6 aos normalmente no presentan ningn sntoma, pero los nios mayores y los
adultos se sienten muy enfermos y dbiles. Los sntomas pueden incluir los siguientes:
Fiebre
Prdida del

apetito

Cansancio
Dolor

de estmago
Vmitos
Coloracin oscura de la orina
Ictericia
Los infectados comienzan a mostrar estos sntomas de 2 a 6 semanas despus de contraer el virus de la
hepatitis A y la mayora de ellos se sienten muy enfermos de 2 a 6 meses[12].
La importancia del diagnostico de cualquier tipo de hepatitis es mucha, sin embargo, el tipo A es el
menos agresivo para el hgado, y el cuerpo se puede recuperar rpidamente de este padecimiento. Sin
embargo, es una enfermedad que afecta a una cantidad muy alta de personas que pueden no estar
consientes de tener la enfermedad.

Hepatitis Tipo B (Hepatitis Aguda)

La hepatitis B est causada por el virus de la hepatitis B (VHB). El VHB puede provocar un amplio
abanico de sntomas, desde malestar general hasta enfermedad heptica crnica que, a la larga,
puede desembocar en un cncer de hgado [9].

12

Contagio

El contagio del virus B puede darse por exposicin directa a fluidos corporales como la sangre, la
saliva, el semen, las secreciones vaginales, las lgrimas, y la orina, pertenecientes a un individuo
infectado por el VHB. Con esto quedan contemplados los contactos sexuales, el uso compartido de
objetos personales, la infeccin madre-hijo en el parto, transfusiones de sangre, etc. [12]
Sntomas
Los sntomas pueden no aparecer hasta 6 meses despus del momento de la infeccin. Los sntomas
inciales pueden abarcar:

Inapetencia
Fatiga
Febrcula
Dolores musculares y articulares
Nuseas y vmitos
Piel amarilla y orina turbia debido a la ictericia

Las personas con hepatitis crnica pueden ser asintomticas, aunque se puede estar presentando
dao gradual al hgado. Con el tiempo, algunas personas pueden desarrollar sntomas de dao
heptico crnico y cirrosis del hgado.
La deteccin de este tipo de hepatitis es de mayor relevancia mdica, ya que es un tipo de virus
silencioso ms agresivo que el tipo A e inhabilita al infectado para donacin de sangre y rganos,
adems de que ste convierte en un vehculo transmisor de este virus, lo que es un riesgo de salud
publica. Adems se considera como una enfermedad de cronicidad alta, por lo que su deteccin se
vuelve de mayor relevancia.

Hepatitis Tipo C (Hepatitis Srica)

Este tipo de virus representa la causa ms comn de hepatitis crnica y cirrosis heptica en el
mundo [14] y se calcula que cada ao se infectan con este virus entre 3 y 4 millones de personas. Hay
unos 150 millones de personas que sufren la infeccin crnica y estn en riesgo de sufrir cirrosis
heptica o cncer del hgado. Cada ao mueren ms de 350 000 personas por causa de
enfermedades hepticas vinculadas con la hepatitis C [16].
A la fecha, no existe una vacuna que otorgue proteccin contra este virus, y al ser la variante del
virus de la hepatitis con mayor probabilidad de generar un problema heptico crnico, su
diagnostico oportuno es invaluable para el diseo de estrategias de prevencin y tratamiento de la
enfermedad, para as evitar que se llegue a la inactividad de las funciones del hgado.
13

Contagio

El virus de la hepatitis C se transmite generalmente por exposicin a sangre de una persona infectada.
Esto puede suceder:

Al recibir transfusiones de sangre o derivados sanguneos e injertos de rganos contaminados.

Por inyecciones aplicadas con jeringas contaminadas (ya sea por el uso de medicamentos o
drogas).

Cuando la embarazada padece la infeccin y contagia al producto.

La hepatitis C se puede transmitir al tener relaciones sexuales con una persona infectada o compartir
artculos contaminados con sangre infecciosa, pero estos mecanismos son menos comunes.
La infeccin no se transmite por la leche materna, los alimentos ni el agua; tampoco por el contacto
social que implican los besos y abrazos o el compartir alimentos o bebidas con una persona infectada
[15]
.
Sntomas
La mayora de las personas que estuvieron recientemente infectadas con hepatitis C no tienen
sntomas y alrededor de 1 de cada 10 tiene ictericia.
De las personas que resultan infectadas con hepatitis C, la mayora presenta infeccin prolongada
(crnica) por este virus y por lo general no hay ningn sntoma. Si la infeccin ha estado presente
durante muchos aos, el hgado puede tener cicatrizacin permanente, lo cual se denomina cirrosis.
En muchos casos, es posible que no haya sntomas de la enfermedad hasta que se presente la
cirrosis.
Los siguientes sntomas se podran presentar con la infeccin debida a hepatitis C:

Dolor abdominal (en el cuadrante superior derecho del abdomen)

Hinchazn abdominal (debido a la ascitis)
Heces de color arcilla o plidas
Orina turbia
Fatiga
Fiebre
Picazn
Ictericia
Inapetencia
Nuseas
Vmitos
14

Pronstico
La mayora de las personas con infeccin de hepatitis C tienen la forma crnica.
Los pacientes con los genotipos 2 o 3 tienen mayor probabilidad de responder al tratamiento que los
pacientes con el genotipo 1. Los nuevos medicamentos pueden mejorar la respuesta de los que
tienen el genotipo 1.
Muchos mdicos usan el trmino "respuesta virolgica sostenida" en lugar de "cura" cuando el virus
se elimina de la sangre, debido a que no se sabe si esto perdurar durante toda la vida de una
persona. Aunque el tratamiento no elimine el virus, puede reducir la probabilidad de una
enfermedad heptica grave.
La hepatitis C es una de las causas ms comunes de enfermedad heptica crnica en la actualidad.
Las personas que la padecen pueden tener:

Cirrosis del hgado.

Cncer del hgado, tambin llamado cncer hepatocelular (puede aparecer en un pequeo
nmero de personas con cirrosis heptica).

La hepatitis C por lo general reaparece despus de un trasplante de hgado, lo cual puede llevar a
que se presente cirrosis en el nuevo rgano, por lo que es mejor un diagnostico temprano para
evitar el deterioro del rgano propio y por consiguiente la necesidad de un trasplante.
Otros Tipos de Hepatitis
Existen otros tipos de virus de la hepatitis, los cuales son definidos como VHD, VHE, VHG y tambin
se coloca uno definido como VHF pero que aun no se determina su situacin.
Dichos tipos no son tomados en consideracin muy a menudo porque su presencia no es muy comn,
es decir, su aparicin como infeccin en los seres humanos es muy rara, sin embargo son virus que
afectan de una manera particular que aun se encuentra en etapa de descubrimiento e investigacin,
siendo el VHG uno de los ms desconocidos para la medicina.

Conclusin sobre Hepatitis Vrica

La causal vrica de hepatitis es muy compleja y se puede vislumbrar un panorama muy grande
acerca de los estudios sobre ella, sin embargo, los virus que ya han sido analizados durante muchos
aos por ser los ms comunes estn muy bien identificados, lo que nos permite tener los datos
siguientes:

15

Con estos datos podemos ver que los VH tienen caractersticas muy marcadas y representan un
problema de salud que hay que tratar, y si se puede con el apoyo de un sistema computacional en el
campo mdico, se podr contar con mayor certeza de un buen diagnostico.

Recursos Mdico-Computacionales para el Desarrollo del Sistema

Despus de analizar a la enfermedad, es necesario recurrir a los medios necesarios para que se
pueda realizar el sistema de apoyo al diagnostico de pacientes con Virus de la Hepatitis C.
En primera instancia, debemos de decir que el sistema no ser parte en ningn momento de los
estudios mdicos que el paciente se realiza para la deteccin del virus, sino que ser un receptor de
informacin (introducida al sistema por el mdico), referente a los resultados de dichos estudios,
los cuales sern tratados por el sistema para dar como resultado un diagnostico muy correcto de la
presencia de una posible infeccin del VHC, y apoyar al medico en el desarrollo de su estrategia
para el tratamiento del infectado y de prevencin para las personas que le rodean, esto a travs de
los resultados arrojados por el sistema, que podr visualizar el mdico para evaluar la severidad de
la infeccin.
16

Siendo entonces as, los recursos mdico-computacionales que se usarn para este sistema son la
Base de Conocimiento sobre Hepatitis que se encuentra en el UCI Machine LearningRepository
(Repositorio de Aprendizaje Automtico), de la Universidad de California en Irving, los
Marcadores de Hepatitis de la Unidad de Patologa Clnica de Guadalajara y el apoyo de un medico
calificado y en servicio del Instituto Mexicano del Seguro Social para validar y obtener la
informacin necesaria de la enfermedad, del diagnostico, umbrales de valores para definir una
posible infeccin, etc.
UCI Machine LearningRepository
Es un repositorio de bases de datos perteneciente a la Universidad de California en Irving, que se
utiliza para el anlisis emprico de algoritmos de aprendizaje automtico. Actualmente mantienen
228 conjuntos de datos como un servicio a la comunidad que desea hacer o usar algoritmos de
aprendizaje automtico. Entre las Bases de Datos que contempla el repositorio se encuentran datos
reales de temas y fenmenos tan diversos como: hepatitis, ionsfera, dgitos escritos a mano con
pluma, arritmia cardiaca, variedades de hongos, vinos, tratamientos de aguas negras, biologa
molecular, robots mviles, cncer de pulmn, diabetes en la tribu de los indios pimas, lgica
terica, segmentacin de imgenes, banderas, ecocardiogramas, automviles, pacientes de tiroides,
ajedrez, problemas financieros, crditos, lentes de contacto y muchos temas ms [H]. (Para una
descripcin ms amplia, ver el archivo README de dicho repositorio).
El repositorio fue creado como un archivo compartido vaFTP en 1987 por David Aha y compaeros
estudiantes de postgrado en la Universidad de California en Irvine, y desde entonces ha sido
ampliamente utilizado por los estudiantes, educadores e investigadores de todo el mundo como una
fuente primaria de datos de aprendizaje automtico.
Como un indicador del impacto del archivo, este ha sido citado ms de 1000 veces,lo que lo
convierte e uno de los 100 ms citados "papers" en todas las ciencias de la computacin.
La versin actual del sitio web fue diseada en 2007 por Arthur Asuncin y David Newman, y este
proyecto se realiza en colaboracin con Rexa.info en la Universidad de Massachusetts en Amherst
con el apoyo financiero de la Fundacin Nacional de la Ciencia de los Estados Unidos [I].
Base de Conocimiento sobre Hepatitis
Es una base de datos perteneciente al UCI Machine LearningRepository, que engloba y contiene
rasgos muy importantes que determinan la presencia de algn virus de la hepatitis.
Su ficha tcnica es la siguiente:
Creador: Desconocido
Donante: G.Gong (Carnegie-MellonUniversity) a travs de Bojan Cestnik
Institucin: Instituto Jozef Stefan
Ubicacin de la Institucin: Jamova 39 61000 Ljubljana Yugoslavia (tel.: (38) (+61) 214-399
ext.287)
17

Conjunto de datos de informacin: Por favor, pregunte Gong Gail para ms informacin sobre esta
base de datos.
Esta base de datos contempla 20 rasgos mdicos considerados en el diagnostico de la hepatitis, los
cuales sern explicados junto con sus valores posibles y se determinarsu relevancia en el
diagnostico medico del VHC.
Rasgo 1: CLASS (Clase)
Valores Posibles: Vivo o Muerto
Este rasgo determina si el paciente vive o si ya ha fallecido. Su importancia se encuentra en la
diferencia en el comportamiento de la enfermedad en un sujeto aun con vida y uno que ya no tiene
funciones vitales, pero para la primera etapa de diagnostico solo contemplaremos a los pacientes
vivos, por lo que este raso se vuelve irrelevante y podemos omitirlo.
Rasgo 2: AGE (Edad)
Valores Posibles: 10, 20, 30, 40, 50, 60, 70, 80 aos promedio
El rasgo de la edad es muy importante, ya que la presencia de algn tipo de virus de la hepatitis
especfico en un sujeto depende de la probabilidad que tenga en aparecer en determinada edad.
La tasa de incidencia de los diferentes tipos de virus de la hepatitis se muestra a travs de las
siguientes grficas:

Rasgo 3: SEX (Sexo, Gnero)

Valores Posibles: masculino, femenino
El gnero del sujeto no tiene una relevancia muy alta, ya que la infeccin por un VH no tiene
relacin directa con este rasgo, sin embrago, para el caso del VHC es relevante porque existen ms
hombres que mujeres con el VHC. Casi todos los expertos opinan que esto se debe a que los
18

hombres tienen ms probabilidades de haber estado expuestos al virus, y no a que sean ms

susceptibles que las mujeres a contraer la infeccin, por lo que la relevancia es ms estadstica que
mdica.
Rasgo 4: STEROID (Uso de Esteroides)
Valores Posibles: no, si
El uso de esteroides es un rasgo que influye mucho en otros rasgos, adems de que su uso es causa
de trabajo del hgado, el cual los asimila; su uso indiscriminado puede causar inactividad heptica,
lo que puede confundirse con un grado crnico de hepatitis tipo C, por lo que el uso de este rasgo
ser hasta la segunda etapa del diagnostico por medio del sistema.
Rasgo 5: ANTIVIRALS (Uso de Antivirales)
Valores Posibles: no, si
El uso de antivirales no es un rasgo muy importante por el momento, pero se han desarrollado
buenas investigaciones con respecto a medicamentos antivirales que se usarn para el tratamiento
del VHB y VHC.
Rasgo 6: FATIGUE (Presencia de Fatiga)
Valores Posibles: no, si
La presencia de fatiga es un sntoma que si bien es comn para muchas enfermedades o solo es
sntoma de agotamiento por exceso de actividad, se debe de tomar en cuenta pero solo si se
presenta junto a los otros sntomas que muestra el infectado de VHC.
Rasgo 7: MALAISE (Presencia de Malestar General)
Valores Posibles: no, si
La presencia de malestar general tambin se debe de tomar en cuenta solo si se presenta junto con
los dems sntomas del VHC.
Rasgo 8: ANOREXIA (Presencia de Anorexia o falta de apetito)
Valores Posibles: no, si
La presencia de anorexia es un sntoma que puede ser el problema en s del paciente sin necesidad
de ser solo una parte del conjunto de sntomas del VHC, pero al no ser muy comn se vuelve un
poco ms relevante que los 2 anteriores, por lo que si se presenta con los dems sntomas, este ser
de mayor importancia.
Rasgo 9: LIVER BIG (Hgado Inflamado/Crecido)
Valores Posibles: no, si
19

El hgado inflamado o crecido es como tal la presencia de un mal heptico que puede ser con mucha
certeza hepatitis, aunque tambin puede ser sntoma de un hgado graso que puede evolucionar en
una esteatohepatitis (hgado graso inflamado, aumentado de tamao ), la cual no nos lleva a la
deteccin del VHC que es el punto central por el momento.
La presencia de un hgado inflamado, por la pura definicin de la enfermedad, sugiere que es un
paciente infectado de algn tipo de VH, por lo que es un rasgo muy relevante pero que debe de ir
de la mano de otros para estar seguro de que su infeccin es por VHC.
Rasgo 10: LIVER FIRM (Hgado Endurecido)
Valores Posibles: no, si
El hgado endurecido indica la cicatrizacin de las lesiones del hgado, pero puede indicar la
presencia de la enfermedad en una etapa crnica, por lo que es un rasgo tambin muy importante
porque como sabemos, la probabilidad de cronicidad de la enfermedad por VHC es muy alta.
Rasgo 11: SPLEEN PALPABLE (Bazo Palpable)
Valores Posibles: no, si
La inflamacin del hgado puede empujar el bazo y permitir al medico palparlo en un examen fsico.
Rasgo 12: SPIDERS (Presencia de Angiomas Aracniformes)
Valores Posibles: no, si
Las araas angiomas son una acumulacin anormal de vasos sanguneos cerca de la superficie de
la piel.
Rasgo 13: ASCITES (Presencia de Ascitis)
Valores Posibles: no, si
Este rasgo se refiere a la presencia de lquido entre la cavidad torcica
Rasgo 14: VARICES (Presencia de Varices)
Valores Posibles: no, si
Las vrices pueden ser un signo de falla heptica.
Rasgo 15: BILIRUBIN (Niveles de Bilirrubina)
Valores Posibles: 0.39, 0.80, 1.20, 2.00, 3.00, 4.00
La bilirrubina es una enzima
Rasgo 16: ALK PHOSPHATE (Niveles de Fosfatasa Alcalina)
20

Valores Posibles: 33, 80, 120, 160, 200, 250

Es una enzima que se encuentra en todos los tejidos. Los tejidos con concentraciones particularmente altas
son, entre otros: el hgado, los conductos biliares, la placenta y el hueso.

Rasgo 17: SGOT (Niveles de Transaminasa Glutmico-Oxalactica Srica)

Valores Posibles: 13, 100, 200, 300, 400, 500
Enzima que se encuentra en el hgado, el corazn y otros tejidos. Una concentracin alta de SGOT
liberada en la sangre puede ser un signo de dao en el hgado o el corazn, cncer u otras
enfermedades. Tambin es llamada aspartato aminotransferasa.
Rasgo 18: ALBUMIN (Niveles de Albumina)
Valores Posibles: 2.1, 3.0, 3.8, 4.5, 5.0, 6.0
Es una protena que se encuentra en gran proporcin en el plasma sanguneo, siendo la principal
protena de la sangre y una de las ms abundantes en el ser humano. Es sintetizada en el hgado
Rasgo 19: PROTIME (Tiempo de Protrombina)
Valores Posibles: 10, 20, 30, 40, 50, 60, 70, 80, 90 milisegundos
Son pruebas de laboratorio
la coagulacin sangunea.

que

evalan

especficamente

la

va

extrnseca

de

Rasgo 20: HISTOLOGY (Histologa)

Valores Posibles: no, si
Es el estudio de una muestra de tejido heptico que es obtenido mediante una biopsia.Dicha
muestra es examinada con un microscopio para buscar signos de dao o enfermedad.

Marcadores de Hepatitis
Son constituyentes sanguneos, tiles en el reconocimiento de la enfermedad heptica; su
alteracin refleja fundamentalmente el dao del hepatocito o del rbol viral.
A partir del descubrimiento de los diferentes agentes etiolgicos de las diversas formas de hepatitis viral y el
desarrollo de pruebas serolgicas sensibles y especficas para determinar la presencia de sus diferentes antgenos
y anticuerpos, se han logrado importantes avances en el diagnstico, pronstico y tratamiento de las formas
agudas y crnicas de hepatitis viral. Las primeras generaciones de pruebas eran menos sensibles y especficas
que las disponibles actualmente; la incorporacin de antgenos obtenidos por recombinacin y sntesis de
pptidos, as como la automatizacin, han permitido incrementar sensiblemente su especificidad y sensibilidad;
sin embargo, como los diferentes marcadores serolgicos de hepatitis viral son muy numerosos, algunos se
presentan en la fase aguda, pero no en la crnica y viceversa; otros son transitorios, desaparecen o persisten por
21

aos; la interpretacin de los mismos resulta en ocasiones difcil para el clnico. Asimismo, la prevalencia de los
mismos vara notablemente de pas a pas, de ao en ao, de unidad mdica a unidad mdica.
Es por todo esto que si bien el diagnostico mdico es muy difcil, el que se pudiera hacer computacionalmente es
aun ms complejo, sin embargo, la deteccin de un cuadro de hepatitis puede ser posible sin determinar
especficamente su tipo

22

Anlisis y Diseo del sistema

Planteamiento del problema.
Como se ha mencionado, la dificultad de tratar las enfermedades hepticas radica en el momento de la
deteccin de la enfermedad. Si se detecta demasiado tarde, puede traer severas complicaciones,
inclusive ser mortal.
Solucin propuesta.
Se propone elaborar una aplicacin, basada en algoritmos de memorias asociativas, capaz de
determinar si un paciente es portador de alguna enfermedad heptica. Esta aplicacin tiene como
objetivo el que sirva de apoyo al mdico usuario y que tambin logre superar los niveles/porcentajes de
<recuperacin> dados por los algoritmos estipulados por UECA.
Objetivo general
Desarrollar una aplicacin que sirva como herramienta de apoyo para el pre diagnostico de hepatitis en
base a que si el paciente tiene riesgo de fallecer o no.
Objetivos particulares
-Implementar un mdulo dentro del sistema para clasificar con las caractersticas sealadas segn
anlisis hepticos.
-Implementar un algoritmo para clasificar a partir de la sintomatologa
-Implementar un mdulo que sirva para experimentacin con nuevos datos.
-Implementar un modelo de Memoria Asociativa eficiente en la fase de recuperacin.
-Asegurar, mediante Validacin Cruzada, la certidumbre de los resultados.
-Disear una interfaz grfica amigable para mdicos.
Reglas de Negocio.
BR1.- La aplicacin debe de poderse ejecutar en sistemas operativos Windows XP, Vista y Windows 7.
BR2.- La aplicacin deber contar con una base de datos que contendr la informacin de los pacientes
BR3.- El sistema ser utilizado por un Mdico Administrador y un Personal Tcnico; siguiendo una
estructura jerrquica.

23

BR4.- El Mdico Administrador podr seleccionar los registros, en la base de datos, con los cuales el
sistema deber hacer su entrenamiento. En cualquier caso, el sistema har su propio entrenamiento.
BR5.- La aplicacin requerir autentificacin para acceder.

Anlisis de Riesgo
Riesgo
Baja de personal

Tipo de riesgo
Proyecto

Descripcin
Un integrante del
equipo de trabajo
se separe

Baja eficiencia en
la clasificacin

Proyecto y producto

Retraso en la
entrega del
producto

Proyecto y producto

Cambios en los
requerimientos

Proyecto

Integridad de
elementos del
proyecto
Falta
capacitacin
experiencia.

Proyecto

No se cumpla la
eficiencia esperada
del modelo de
aprendizaje
Tiempo de
implementacin y
pruebas exceda el
esperado
Los requerimientos
cambien segn las
observaciones
recibidas
Prdidas de archivos

de Proyecto
y

Experiencia
y
capacitacin de los
desarrolladores en
sistemas similares
insuficiente.

Costo

Producto y proyecto

El costo del sistema

se eleve

Inconsistencias en
el conjunto de
datos

Producto

La base de datos
usada como base de
entrenamiento para
el proyecto tiene
muchas
inconsistencias o
valores no tiles

Acciones
Acotacin de los
objetivos e
intensificacin del
ritmo de trabajo
Modificaciones
sobre el algoritmo
de aprendizaje
Intensificacin del
ritmo de trabajo
Adaptacin del
proyecto a los
nuevos
requerimientos
Respaldo y control
de versiones en la
nube
Revisin
de
proyectos similares
y cursos sobre esas
reas.
Optar por opciones
de software de
licencia libre y
material
econmico.
Modificaciones
sobre el algoritmos
de aprendizaje

24

Anlisis de Requerimientos
Requerimientos funcionales
RF-1 El sistema debe permitir el registro de nuevos pacientes
RF-2 El sistema debe permitir el registro de nuevos expedientes clnicos
RF-3 El sistema debe permitir el registro de nuevos usuarios
RF-4 El sistema debe permitir la consulta del expediente clnico
RF-5 El sistema debe permitir modificar el expediente clnico
RF-6 El sistema debe permitir el registro de sintomatologa (resultados de anlisis)
RF-7 El sistema debe permitir el diagnostico (clasificacin) a partir de sintomatologa (rasgos)
RF-8 El sistema debe permitir experimentar con nuevos datos
RF-9 El sistema debe permitir mostrar consultas
RF-10 El sistema debe permitir llevar un registro por cada paciente
RF-11 El sistema debe permitir modificar el perfil del usuario
RF-12 El sistema debe permitir modificar la contrasea del usuario
RF-13 El sistema debe permitir modificar la Memoria Asociativa
RF-14 El sistema debe permitir agregar nuevas memorias asociativas.

Requerimientos no funcionales
RNF-1 El sistema deber ser una aplicacin de escritorio con interfaz grafica de usuario
RNF-2 El sistema debe permitir la seguridad e integridad de la informacin
RNF-3 El sistema debe gestionar el acceso a los diferentes mdulos
RNF-4 El sistema es flexible a extenderse
RNF-5 El sistema debe reducir tiempo en la entrega de resultados comparando frente a otros algoritmos

25

Casos de Uso

Caso de Uso 1
Actores
Descripcin
Precondiciones
Poscondiciones
Flujo normal

Gestin de MA
Mdico Administrador
El Mdico Administrador puede realizar acciones diversas sobre las Memorias
Asociativas que utiliza el sistema.
Debe identificarse como Mdico Administrador
1.- El Mdico Administrador selecciona la opcin Gestin de MA
PE1.- El Mdico Administrador puede seleccionar la opcin Crear Memoria
PE2.- El Mdico Administrador puede seleccionar la opcin Entrenar Memoria
PE3.- El Mdico Administrador puede seleccionar la opcin Modificar
entrenamiento de una Memora
PE4.- El Mdico Administrador puede seleccionar la opcin Comprobar
efectividad de una Memoria
PE5.- El Mdico Administrador puede seleccionar la opcin Eliminar Memoria

26

Caso de Uso 2
Actores
Descripcin
Precondiciones
Poscondiciones
Flujo normal

Identificarse en el Sistema
Mdico Administrador, Asistente
El usuario que desea ingresar al sistema, debe primero identificarse como un
usuario registrado.
El usuario deber estar registrado.
Se dar ingreso al sistema al usuario.
1.- El usuario entra a la aplicacin del Sistema.
2.- El usuario introduce su usuario y contrasea.
3.- Acepta
3a.- Si los datos son correctos, el usuario tiene acceso al sistema.
3b.- Si los datos son incorrectos, vuelve a 1.
4.- Fin del caso.

Caso de Uso 3
Actores
Descripcin
Precondiciones
Poscondiciones
Flujo normal

Crear Memoria
Mdico Administrador
El usuario puede crear una nueva Memoria con los registros que l desee.
Existencia previa de registros de pacientes.
Se dar ingreso al sistema al usuario.
1.- El usuario selecciona la opcin Crear nueva memoria.
2.- El usuario selecciona los registros para la construccin de la memoria.
3.- El usuario selecciona los rasgos que se utilizarn en la memoria.
4.- El sistema crea una nueva Memoria asociativa y la almacena en la BD
5.- Fin del caso.

Caso de Uso 4
Actores
Descripcin

Entrenar Memoria
Mdico Administrador.
El usuario puede realizar un nuevo entrenamiento de la memoria y guardar el
resultado.
Existencia previa de registros de pacientes.
Se deber guardar el nuevo entrenamiento de memoria.
1.- El usuario selecciona la opcin Entrenar
2.- El usuario selecciona los registros que participarn en el nuevo entrenamiento.
3.- El sistema realiza el entrenamiento y almacena los resultados en la BD.
4.- Fin del caso.

Precondiciones
Poscondiciones
Flujo normal

Caso de Uso 5
Actores
Descripcin
Precondiciones
Poscondiciones
Flujo normal

Modificar entrenamiento de una Memoria Asociativa

Mdico Administrador.
El usuario selecciona los rasgos que se utilizarn para el entrenamiento y
construccin de la memoria.
Existencia previa de registros de pacientes.
Se deber guardar el nuevo entrenamiento de memoria.
1.- El usuario selecciona la opcin Modificar entrenamiento
2.- El usuario selecciona los rasgos que formarn parte del entrenamiento.

27

3.- El sistema realiza el entrenamiento y almacena los resultados en la BD.

4.- Fin del caso.

Caso de Uso 6
Actores
Descripcin
Precondiciones
Poscondiciones
Flujo normal

Comprobar la efectividad de la Memoria Asociativa

Mdico Administrador.
El usuario puede realizar un proceso de evaluacin de efectividad de la memoria.
Existencia de la memoria.

Caso de Uso 7
Actores
Descripcin
Precondiciones
Poscondiciones
Flujo normal

Eliminar una Memoria.

Mdico Administrador.
El usuario elimina una memoria.
Existencia de la memoria.
La memoria no volver a existir en el sistema.
1.- El usuario selecciona la opcin Eliminar memoria
2.- El usuario selecciona la memoria que quiere eliminar.
3.- El sistema borra la memoria seleccinoada.
4.- Fin del caso.

Caso de Uso 8
Actores
Descripcin
Precondiciones
Poscondiciones
Flujo normal

Registrar un paciente
Mdico Administrador, Asistente.
Se registra un nuevo paciente en el sistema.
Se crear el nuevo registro con el nuevo paciente
1.- El usuario selecciona la opcin Registrar paciente.
2.- El usuario ingresa todos los datos pertinentes.
3.- El sistema guarda la informacin del nuevo paciente.

Caso de Uso 9
Actores
Descripcin
Precondiciones
Poscondiciones
Flujo normal

Modificar los datos de un paciente

Mdico Administrador, Tcnico.
Se modifican los datos del paciente.
El registro del paciente debe existir.
Se guardarn los cambios realizados al registro
1.- El usuario selecciona algn registro de paciente.
2.- El usuario selecciona la opcin Modificar datos.
3.- El usuario realiza las modificaciones pertinentes.
4.- El usuario guarda o cancela los cambios.
5.- El sistema guarda las modificaciones.

1.- El usuario selecciona la opcin Verificar efectividad

2.- El usuario selecciona la memoria a validar.
3.- El usuario selecciona el mtodo de validacin.
4.- El sistema realiza la validacin y muestra los resultados.
5.- Fin del caso.

28

Caso de Uso 10
Actores
Descripcin
Precondiciones
Poscondiciones
Flujo normal

Caso de Uso 11
Actores
Descripcin
Precondiciones
Poscondiciones
Flujo normal

Diagnosticar un paciente
Mdico Administrador, Asistente.
El usuario puede realizar el diagnostico de un paciente
Existencia previa de registros de pacientes.
Existencia previa de una memoria para clasificacin.
1.- El usuario selecciona la opcin de Diagnostico
2.- El usuario introduce o selecciona los datos del paciente para la clasificacin.
3.- El usuario selecciona la memoria a utilizar.
4.- El sistema realiza la clasificacin y muestra los resultados.
5.- Fin del caso.

Consultar datos de un paciente.

Mdico Administrador, Asistente.
El usuario realiza una consulta sobre todos los datos relacionados a un paciente.
Existencia previa de registros de pacientes.
1.- El usuario selecciona la consulta de los datos del paciente.
2.- El sistema busca los datos seleccionados.
3.- El sistema muestra resultados
4.- Fin del caso.

29

Diagrama de Estados General

Diagrama de Estados en general de la aplicacin

El estado de inicializacin consiste inicialmente en verificar la existencia de la base de datos de

conocimiento, registros de pacientes y de la memoria asociativa, una vez comprobado se procede a la
autentificacin donde se pedir contrasea y usuario, cada tipo de usuario tendr tareas concretas, tras
ello, la aplicacin queda en espera y esencialmente hay 3 bifurcaciones de tareas, una la de
clasificacin (diagnostico) en la cual a base de las lecturas de anlisis necesarios se dar el diagnostico,
y luego se guardara automticamente en la base de datos el resultado con los datos del paciente. Otro
modulo ser la gestin de datos, que tendr capacidad de modificar datos de pacientes, y de gestionar
las memorias asociativas, finalmente un tercer modulo ser el de consulta de datos, donde solo ser
posible la lectura de ellos.

30

Bibliografa y Referencias

[1] Russel J. Stuart y Norvig Peter, Inteligencia Artificial, un enfoque moderno, Editorial Pearson Prentice
Hall, Segunda edicion, 2004.
[2] Thomason Richmond, 2008, "Logic and Artificial Intelligence" , The Stanford Encyclopedia of Philosophy,
disponible en: http://plato.stanford.edu/entries/logic-ai/#intro
[3] McCarthy John, noviembre 2007, What is Artificial Intelligence?
Departamento de ciencias de computo Universidad de Stanford,
formal.stanford.edu/jmc/whatisai/node1.html

Disponible

en:

http://www-

[4] Orozco-Alzate Mauricio, Patern Recognition, Departamento de Informtica y Computo Universidad

Nacional de Colombia, Disponible en: http://www.docentes.unal.edu.co/morozcoa/docs/pr.php
[5] Classifiers, notas de clase Inteligencia Artificial, Academia de Sistemas, Escuela Superior de Computo,
2011.
[6] Moreno Antonio, Armengol Eva, Aprendizaje Automtico, Ediciones UPC (Universidad Politcnica de
Catalua), 1994.
[7] Yez Mrquez Cornelio y Daz de Len Santiago Juan Luis, Learnmatrix de Steinbuch, Centro de
Investigacin en Computacin, Instituto Politcnico Nacional, Mxico, no. 48 serie verde, 2001.
[8] Cross Validation Explained, Institute for Genomics and Bioinformatics - Graz University of Technology,
Department
of
Information
Design,
2005-2006,
disponible
en:
http://genome.tugraz.at/proclassify/help/pages/XV.html
[9] Las Infecciones: Hepatitis, The Nemours Foundation's Center for Children's Health Media,

2012, disponible en: http://kidshealth.org/parent/en_espanol/infecciones/hepatitis_esp.html

[10] Cuthbert JA.m Hepatitis A: old and new, Department of Internal Medicine, UT Southwestern
Medical Center at Dallas, Dallas Texas, EE.UU., 2001,
[11] Hepatitis A - informacin para los padres, Centros para el Control y la Prevencin de

Enfermedades de USA, 2012 disponible en: http://www.cdc.gov/vaccines/vpd-vac/hepa/fs-parentssp.html

[12] Medline Plus, Servicio de la Biblioteca Nacional de Medicina de E.U.A, Institutos Nacionales de

la Salud

31

[13] Angioma aracniforme, Medline Plus, Servicio de la Biblioteca Nacional de Medicina de E.U.A,
Institutos Nacionales de la Salud, 2012, disponible en:
http://www.nlm.nih.gov/medlineplus/spanish/ency/article/001095.htm
[14] Panduro A, Roman S, Khan A, Tanaka Y, Kurbanov F, Martinez-Lopez E, et al. Molecular
epidemiology of hepatitis C virus genotypes in West Mexico.Virus Research 2010;151:19-25
[15] Epidemiologa de las hepatitis virales en Mxico, Arturo Panduro, Griselda Escobedo
Melndez, Salud Pblica Mxico 2011; Vol. 53(1):37-45 ISSN 1606-7916 Electrnica, disponible en:
http://bvs.insp.mx/rsp/articulos/articulo_e4.php?id=002603
[16] Organizacin Mundial de la Salud:
Nota descriptiva N164, Julio de 2012
http://www.who.int/mediacentre/factsheets/fs164/es/index.html
Nota descriptiva N328, Julio de 2012
http://www.who.int/mediacentre/factsheets/fs328/es/index.html

32