Visualizaciones de datos para el análisis de bacterias coexistentes en modelos de clustering de pacientes con Vaginosis Bacteriana
DOI:
https://doi.org/10.30973/progmat/2023.15.2/4Palabras clave:
Visualización de datos, Contextos, Vaginosis Bacteriana, AgrupamientoResumen
Las visualizaciones de datos y el aprendizaje automático son dos áreas de las ciencias de la computación en las que existe una convergencia en el análisis y entendimiento de los conjuntos de datos. Esta convergencia permite la comprensión completa y multidimensional de un fenómeno, con el propósito de abordar interrogantes complejas desde diferentes perspectivas. El objetivo de este artículo es describir y mostrar el uso de visualizaciones sobre modelos de clustering para derivar contextos de coexistencia bacteriana en grupos subyacentes de pacientes con un diagnóstico de Vaginosis Bacteriana (VB) positivo. Para este fin, se empleó un modelo previamente desarrollado de clustering jerárquico aglomerativo en el cual se utilizó un conjunto de datos de VB. En conclusión, nuestras evidencias demuestran que las visualizaciones de datos son efectivas para identificar patrones relevantes de coexistencia bacteriana en grupos de pacientes con VB-Positivo. Esto revela relaciones significativas entre distintas bacterias en grupos específicos, en los cuales es posible distinguir la presencia de varios tipos de Lactobacillus, tales como Jensenii, Crispatus, LGasseri, Liner y bacterias anaeróbicas tales como Atopobium, Gardnerella, Megasphaera y Mycoplasma. Estos hallazgos destacan la utilidad de las visualizaciones de datos para comprender e identificar los contextos de coexistencia bacteriana en esta condición médica.
Citas
Yang, J., Li, Y., Liu, Q., Li, L., Feng, A., Wang, T., Lyu, J. Brief introduction of medical database and data mining technology in big data era. Journal of Evidence‐Based Medicine (2020), 13(1), 57-69. https://doi.org/10.1111/jebm.12373.
Siyal, A. A., Junejo, A. Z., Zawish, M., Ahmed, K., Khalil, A., Soursou, G. Applications of blockchain technology in medicine and healthcare: Challenges and future perspectives. Cryptography (2019), 3(1), 3. https://doi.org/10.3390/cryptography3010003.
Vellido, A. The importance of interpretability and visualization in machine learning for applications in medicine and health care. Neural computing and applications (2020), 32(24), 18069-18083. https://doi.org/10.1007/s00521-019-04051-w.
Rawat, S., Rawat, A., Kumar, D., Sabitha, A. S. Application of machine learning and data visualization techniques for decision support in the insurance sector. Int. Journal of Information Management Data Insights (2021), 1(2), 100012. https://doi.org/10.1016/j.jjimei.2021.100012.
Massi, M. C., Ieva, F., Lettieri, E. Data mining application to healthcare fraud detection: a two-step unsupervised clustering method for outlier detection with administrative databases. BMC medical informatics and decision making (2020), 20, 1-11. https://doi.org/10.1186/s12911-020-01143-9.
Oyewole, G. J., Thopil, G. A. Data clustering: Application and trends. Artificial Intelligence Review (2023), 56(7), 6439-6475. https://doi.org/10.1007/s10462-022-10325-y.
Qin, X., Luo, Y., Tang, N., Li, G. Making data visualization more efficient and effective: a survey. The VLDB Journal (2020), 29, 93-117. https://doi.org/10.1007/s00778-019-00588-3.
Moore, J. Data visualization in support of executive decision making. Interdisciplinary Journal of Information (2017), 12, 125. https://doi.org/10.28945/3687.
Nazir, S., Khan, M. N., Anwar, S., Adnan, A., Asadi, S., Shahzad, S., Ali, S. Big data visualization in cardiology—a systematic review and future directions. IEEE Access (2019), 7, 115945-115958. https://doi.org/10.1109/ACCESS.2019.2936133.
Muzny, C. A., Cerca, N., Elnaggar, J. H., Taylor, C. M., Sobel, J. D., Van Der Pol, B. State of the Art for Diagnosis of Bacterial Vaginosis. Journal of Clinical Microbiology (2023), e00837-22. https://doi.org/10.1128/jcm.00837-22.
Pan, S. Data Visualization of COVID-19 in Canada Tesis Licenciatura] Victoria, Canada: University of Victoria, 2022. http://hdl.handle.net/1828/14281.
Minjung, K. A Study on the Expression for Geospatial Data Visualization based on Disease Data. Design Research (2020), 188-199.
Hernández-Gómez, H. J., Canul-Reich, J., Hernández-Ocaña, B., de la Cruz Hernández, E. An agglomerative hierarchical clustering approach to identify coexisting bacteria in groups of bacterial vaginosis patients. Intelligent Data Analysis (2023), 27(3), 583-611. https://doi.org/10.3233/IDA-216488.
Milligan, J. N. Learning Tableau 2019: Tools for Business Intelligence, data prep, and visual analytics. Birmingham, UK: Packt Publishing Ltd, (2019).
Martins, N., Martins, S., Brandão, D. Design principles in the development of dashboards for business management. Perspectives on Design II: Research, Education and Practice (2022), 353-365. https://doi.org/10.1007/978-3-030-79879-6_26.
Matheus, R., Janssen, M., Maheshwari, D. Data science empowering the public: Data-driven dashboards for transparent and accountable decisionmaking in smart cities. Government Information Quarterly (2020), 37(3), 101284. https://doi.org/10.1016/j.giq.2018.01.006.
Hernández Gómez, H. J. Visualización de datos (2023). Recuperado de https://public.tableau.com/app/profile/henryphd/viz/VD2023AHC1/Exp1.
Hernández Gómez, H. J. Visualización de datos (2023). Recuperado de https://public.tableau.com/app/profile/henryphd/viz/VD2023AHC2/Exp2.
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Henry Jesús Hernández-Gómez, Juana Canul-Reich
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Usted es libre de:
Compartir — compartir y redistribuir el material publicado en cualquier medio o formato. |
Adaptar — combinar, transformar y construir sobre el material para cualquier propósito, incluso comercialmente. |
Bajo las siguientes condiciones:
Atribución — Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero de ninguna manera que sugiera que el licenciador lo respalda a usted o a su uso. |
Sin restricciones adicionales: no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita la licencia. |