Aplicación de Técnicas de Aprendizaje Automático Orientadas al Diagnóstico Médico

[ES] Cada vez más se generan grandes volúmenes de datos de los que es posible extraer información de gran relevancia, y el área de la salud no es una excepción en este sentido. Estos datos permiten emplear técnicas de aprendizaje automático supervisado en las que la máquina trata de aprender a predecir el resultado de alguna variable de salida (por ejemplo, un diagnóstico sobre cierta enfermedad) a partir de un conjunto de variables de entrada (por ejemplo, datos clínicos, fisiológicos, etc.). En este TFG se propone aplicar técnicas de aprendizaje automático orientadas a la predicción, diagnóstico y pronóstico de enfermedades, abordando para ello todas las fases del proceso, a excepción de la adquisición: preparación de los datos, visualización, análisis descriptivo, aprendizaje de un modelo predictivo y evaluación de resultados. Se utilizará para ello el lenguaje de programación Python junto con algunas de sus librerías orientadas a tal fin.[EN] More and more, large volumes of data are being generated from where it is possible to obtain information of great relevance, and the area of health is not an exception in this regard. These data allow to apply supervised machine learning techniques where the machine tries to learn to predict the outcome of some variable (for example, a diagnosis of a certain disease) from a set of input variables (for example, clinical data, physiological, etc.). In this final degree project, the proposal is to apply machine learning techniques oriented to prediction, diagnosis and prognosis of diseases, going through all phases of the process, except from the acquisition: data preparation, visualization, descriptive analysis, learning through a predictive model and evaluating the result. Python programming language will be used for this along with some libraries designed for the purpose.Nocedal González, P. (2019). Aplicación de Técnicas de Aprendizaje Automático Orientadas al Diagnóstico Médico. http://hdl.handle.net/10251/13382