APLICACION DE LAS MAQUINAS DE SOPORTE VECTORIAL (SVM) EN LA

CONDICION DE EGRESO DE LOS PACIENTES QUE SON TRATADOS EN LA

UNIDAD DE ONCOHEMATOLOGIA INTENSIVA DEL HOSPITAL DR. LUCIO CORDOVA

A. Osorio1  

1Universidad de Santiago de Chile

aogranifo@gmail.com 

Resumen: 

El cáncer en Chile constituye la segunda causa de muerte después de las enfermedades cardiovasculares con una tasa de incidencia de 203 x 100.000 habitantes al año, con una tasa ajustada de mortalidad de 123 x 100.000 habitantes al año, convirtiéndose en una prioridad sanitaria (MINSAL, 2013). Por ello, se pretende realizar un estudio en la Unidad de Oncohematología del Hospital Dr. Lucio Córdova, permitiendo de esta forma, ayudar en la toma de decisiones futura.

Dado lo anterior, se utilizará la Máquinas de Soporte Vectorial (SVM por sus siglas en inglés Support Vector Machine), el cual es un sistema de aprendizaje desarrollado por Vladimir Vapnik en el año 1995. Esta herramienta de identificación de sistemas no lineales se basa en el principio de minimización del riesgo estructural (SRM por sus siglas en inglés Structural Risk Minimization), principio originado de la teoría de aprendizaje estadístico (Lewes, 2005) (Cuevas, 2010) (Jaramillo, 2017).

Dado que la SVM es una herramienta estadística que aplica el método de aprendizaje supervisado, tiene como función analizar datos y reconocer patrones, por tanto, su campo de estudio se enmarca en la clasificación de datos, análisis de regresión y detecciones de novedades en un conjunto de datos de entrenamiento. Este “algoritmo de entrenamiento construye un modelo o clasificación función que asigna nuevas observaciones a una de las dos clases a cada lado de un hiperplano, -siendo- un clasificador lineal binario no probabilístico” (Awad & Khanna, 2015, pág. 11).

En este sentido, el modelo mapea las observaciones mediante puntos en un espacio o dimensión, divididas entre mayor a menor distancia al punto de datos de observación más cercano de cualquier clase analizado, denominando margen funcional. Posteriormente, predice el lado donde se ubicarán las nuevas observaciones (Awad & Khanna, 2015).

Como el SVM se ha convertido en un método de clasificación que ha logrado resultados positivos, se aplicará el modelo en el proyecto de graduación, con el fin de analizar distintos modelos, para luego tomar decisiones en base a los datos de entrenamiento para minimizar los errores de clasificación. Para ello, se construirán las regiones de discriminación mediante la función Kernel (Lewes, 2005).

Ninguna parte de este trabajo podrá ser reproducida parcial o totalmente, sin el consentimiento por escrito del autor(es).