A system for the acquisition of data to predict

Pulmonary Tuberculosis
Juan D. Doria, Alvaro D. Orjuela-Cañón, Jorge E. Camargo

First International Conference on Applied Informatics

(Health Care Information Systems Session)
Agenda
• Introducción
• Modelo de predicción
• Construcción del sistema
• Conclusiones
• Trabajo futuro
• Agradecimientos
• Justificación

– La TB es la novena causa mundial de muerte.

– En 2016 la cifra de muertes fue de 1,7 millones.
– La mayoría de las muertes por TB podrían
evitarse con un diagnóstico temprano.
• Objetivo General

Desarrollar una herramienta web que permita al grupo

de investigación realizar la recolección, almacenamiento
y análisis de datos que facilite el proceso de diagnóstico
de tuberculosis pulmonar.
MODELO DE PREDICCIÓN
• Conjunto de datos

• Datos proveídos por el Hospital Santa Clara

• Información de personas bajo la sospecha de
tener TB
• Datos recolectados entre enero de 2008 y
marzo de 2011.
• 105 sujetos: 89 con TB confirmada y 22 sin la
enfermedad (diagnóstico de exclusión)
• Confirmación mediante “culture test”
• Variables
• Partición de datos
• Modelo de predicción

• Multilayer Perceptron (MLP)

• Self Organizing Maps (SOM)
 • Resultados (predicción)

Relevancia de las variables

Desempeño del modelo

• Resultados (SOM)
CONSTRUCCIÓN DEL SISTEMA
• Planeación

Reuniones con el investigador Definición de historias de usuario

principal
• Diseño

Definición de flujos y Definición de componentes

entidades
• Desarrollo

Migración del modelo a Construcción de la aplicación

Python
• Pruebas

Pruebas unitarias Pruebas funcionales

y de aceptación
• Historias de Usuario

Formato Historias de
usuario
• Historias de Usuario
– Crear paciente – Actualizar pacientes
– Generar pre- – Cargue masivo de
diagnóstico pacientes
– Generar validación – Eliminar pacientes
– Búsqueda de – Inició de sesión
pacientes – Registro de usuarios
– Generar reportes
• Diseño
– Casos de uso

Diagrama de casos de uso

• Diseño
– Diagrama de clases

Diagrama de clases
• Diseño
– Diagrama de componentes

Diagrama de componentes
• Desarrollo
TBDiagnostic

Tecnologías utilizadas
• Desarrollo
– Modelo-Vista-Controlador en Django

MVC en Django
DESCRIPCIÓN DEL SISTEMA
• Adquisición de datos
• Consultas
• Carga masiva de datos
• Predicción de TB
CONCLUSIONES
• Conclusiones
– Las herramientas web son muy útiles para
actividades de registro y actualización de
pacientes.
– TBDiagnostic permitirá realizar un triage en las
primeras etapas de diagnóstico.
– Los modelos de inteligencia artificial permiten
predecir de manera temprana la TB con
información básica del paciente.
TRABAJO FUTURO
• Trabajo Futuro

• Mejorar la interfaz de usuario de la herramienta.

• Generación de gráficos a partir de los históricos de los
datos almacenados.
• Mejora del modelo de inteligencia artificial para
diversificar el diagnóstico de otro tipos de Tuberculosis.
AGRADECIMIENTOS
• Participantes Externos en el Proyecto TB
– Dr. Carlos AWAD, Neumólogo, Hospital Santa Clara. Experto en
Tuberculosis.
– PhD Jose Manoel de Seixas: Pontificia Universidad Católica de Rio de
Janeiro (1979) con maestría (1983) y doctorado (1994) en Ingeniería
Eléctrica de la Universidad Federal do Rio de Janeiro. Actualmente es
Profesor Titular de la Universidad Federal de Rio de Janeiro. Experto en
Inteligencia Computacional.
– PhD Anete Trajman: Graduada en Medicina con maestría y doctorado
en Medicina Clínica de la Universidad Federal de Rio de
Janeiro. Experiencia en Medicina con énfasis en: Salud Pública,
Enfermedades Infecciosas, Evaluación de Tecnología en Salud y
Educación Médica, teniendo como tema de interés investigación sobre
Tuberculosis y evaluaciones económicas en salud
• Agradecimientos

Visita de los investigadores brasileros el 30 de mayo de 2018 al Hospital Santa

Clara en Bogotá en la que se presentó el Sistema TBDiagnostic
GRACIAS!
A system for the acquisition of data to predict
pulmonary tuberculosis

Juan D. Doria, Alvaro D. Orjuela-Cañón, Jorge E. Camargo

First International Conference on Applied Informatics

(Health Care Information Systems Session)