Métodos aplicativos de la minería de datos en maloclusiones dentales

Felipe J Núñez-Cardenas^[a], Víctor T Tomas-Mariano^[b], Ana K Guzmán-Casanova^[c], Ana M Felipe-Redondo^[d]

Resumen

Actualmente, uno de los problemas que prevalecen en la sociedad son las enfermedades bucales, las cuales, por falta de información no son tratadas a tiempo o en ocasiones jamás, lo que lleva a grandes consecuencias en la salud; uno de los problemas más comunes son las maloclusiones dentales, de éstas a muchas personas no les interesa someterse a un tratamiento adecuado.
De acuerdo a estudios epidemiológicos, se ha mostrado que la maloclusión se presenta con tasas de prevalencia considerablemente altas, ya que más de 60% de la población la desarrolla. Las investigaciones sobre maloclusiones en niños de 4 a 5 años reportan prevalencias de 70-80%, que evolucionan hasta encontrar tasas de prevalencia de 96.4% en adolescentes. [2]
En el presente proyecto, se desarrolla un estudio de Maloclusiones dentales llevándolo, a predecir el éxito o fracaso en el tratamiento de ortodoncia, esto, a través de diversas técnicas de Minería de Datos, haciendo uso de algoritmos mismos de esta materia para crear un modelo predictivo.
De la mano de Weka, una herramienta de Minería de Datos se comienza a modelar los datos para que arrojen reglas destinadas a crear un árbol de decisión.
Como resultado se obtuvieron diversas reglas con relación a las enfermedades de Maloclusiones dentales, tales, con las que se desarrolló una interfaz gráfica para mayor interacción entre el programa y el paciente.

Palabras clave: Maloclusiones dentales, Minería de Datos, Predicción, Arboles de Decisión

Abstract

Currently, one of the problems that prevail in society are oral diseases, which, due to lack of information are not treated on time or sometimes never, which leads to major health consequences; One of the most common problems are dental malocclusions, of which many people are not interested in undergoing proper treatment.
According to epidemiological studies, it has been shown that malocclusion presents with considerably high prevalence rates, since more than 60% of the population develops it. Research on malocclusion in 4- to 5-year-old children reports prevalences of 70-80%, which evolve to find prevalence rates of 96.4% in adolescents. [2]
In the present project, a study of dental malocclusions is carried out, leading to the prediction of success or failure in the treatment of orthodontics. This, through various data mining techniques, makes use of algorithms of this kind to create a model Predictive.
With the help of Weka, a Data Mining tool begins to model the data to throw rules to create a decision tree.
As a result, several rules were obtained regarding dental malocclusion diseases, with which a graphic interface was developed for greater interaction between the program and the patient.

Keywords: Dental malocclusions, Data Mining, prediction, decision trees

INTRODUCCIÓN

En la actualidad la prevalencia de las maloclusiones entre la población en general es tan alta, que se puede llegar a pensar que tener una maloclusión es algo muy normal.  Es posible decir que quizá en las últimas décadas ha existido este dominio de las maloclusiones en la población, solo que en años anteriores no se consideraba la salud y la estética bucal de la persona una necesidad básica como en la sociedad actual; en pocas palabras, lo que hace algunas décadas era ignorado o pasaba por desapercibido, hoy en día comienza a considerarse o ya es considerado sencillamente inaceptable.

En las enfermedades bucodentales, la más frecuente es la maloclusión, este término es muy fácil de entender ya que como su nombre lo indica, la maloclusión es no tener una correcta alineación de los dientes y por lo tanto no existe un encaje perfecto entre maxilar y la mandíbula, esto es visible de diferentes formas como son: dientes apiñados, mordida cruzada, mordida abierta, etc.

A través de lo anterior, con este proyecto usará distintas técnicas de Minería de Datos y conocimientos ortodonticos, se predecirá el éxito o fracaso de los pacientes en el tratamiento de ortodoncia en cada uno de los casos tratados con su correspondiente terapia.

1. ESTADO DEL ARTE

“De las maloclusiones es difícil establecer su etiología, pues son de origen multifactorial y en la mayoría de los casos un factor puede interactuar con otro sobreponiéndose, ya que una maloclusión está siempre relacionada con la clase esqueletal. Es de vital importancia la necesidad de clasificación de la maloclusión y clase esquelética en el campo de la epidemiología para un cuidado en relación a los factores que llevan a ésta y sus consecuencias si no son tratadas de manera oportuna”. Así lo expresan Reyes, Ramírez Dana Leslie y Etcheverry-Doger Erika en el artículo Asociación de maloclusiones clase I, II y III y su tratamiento en población infantil en la ciudad de Puebla, México en diciembre del 2014. [1]

En Octubre del 2011 en el Hospital San Rafael (Madrid), Aguilar Roldán, Nieto Sánchez y De la Cruz Pérez J. señala en el artículo de Relación entre hábitos nocivos y maloclusiones en una muestra de 525 pacientes de Ortodoncia que “La relativa influencia de la genética y los factores ambientales en la etiología de la maloclusión ha sido motivo de discusión, debate y controversia en la literatura ortodóncica, alternándose corrientes deterministas en el origen de la maloclusión con otras que subrayan la capacidad del medio ambiente y de los hábitos orales anómalos para alterar los tejidos blandos y a su vez influir en el desarrollo y crecimiento cráneo-facial. [16]

“Con la evolución de las tecnologías gran cantidad de datos han podido ser estudiados y clasificados a partir de la minería de datos. Una de las principales ventajas de la utilización de esta, en los CDSS, ha sido su capacidad de generar nuevos conocimientos. Con este fin se propone, mediante la combinación de dos modelos matemáticos, cómo se puede contribuir al diagnóstico de enfermedades usando técnicas de minería de datos. Para mostrar los modelos utilizados se tomó como caso de estudio la hipertensión arterial. El desarrollo de la investigación se rige por la metodología más utilizada actualmente en los procesos de Descubrimiento de Conocimiento en Bases de Datos: CRISP-DM 1.0, y se apoya en la herramienta de libre distribución WEKA 3.6.2, de gran prestigio entre las utilizadas para el modelado de minería de datos. Como resultados se obtuvieron diversos patrones de comportamiento con relación a los factores de riesgo a sufrir hipertensión mediante técnicas de minería de datos.” Así lo establece Frank Dávila Hernández y Yovannys Sánchez Corales en su artículo Técnicas de minería de datos aplicada al diagnóstico de entidades clínicas en septiembre del 2012 [17]

1.2 MINERIA DE DATOS

La Minería de Datos puede definirse inicialmente como un proceso de descubrimiento de nuevas y significativas relaciones, patrones y tendencias al examinar grandes cantidades de datos. [8]

1.2.1 FUNDAMENTOS DEL DATAMINING

Las técnicas de Data Mining son el resultado de un largo proceso de investigación y desarrollo de productos. Esta evolución comenzó cuando los datos de negocios fueron almacenados por primera vez en computadoras, y continuó con mejoras en el acceso a los datos, y más recientemente con tecnologías generadas para permitir a los usuarios navegar a través de los datos en tiempo real.

1.2.2 TECNICAS DE MINERIA DE DATOS

Estas técnicas intentan obtener patrones o modelos a partir de los datos recopilados. Decidir si los modelos obtenidos son útiles o no suele requerir una valoración subjetiva por parte del usuario. Las técnicas de Minería de Datos se clasifican en dos grandes categorías: supervisadas o predictivas y no supervisadas o descriptivas.

Una técnica constituye el enfoque conceptual para extraer la información de los datos, y, en general es implementada por varios algoritmos. Cada algoritmo representa, en la práctica, la manera de desarrollar una determinada técnica paso a paso, de forma que es preciso un entendimiento de alto nivel de los algoritmos para saber cuál es la técnica más apropiada para cada problema. Asimismo, es preciso entender los parámetros y las características de los algoritmos para preparar los datos a analizar. [8] 

1.3 ARBOLES DE DECISIÓN

El algoritmo de árboles de decisión de es un algoritmo de clasificación y regresión para el modelado de predicción de atributos discretos y continuos. Para los atributos discretos, el algoritmo hace predicciones basándose en las relaciones entre las columnas de entrada de un conjunto de datos. Utiliza los valores, conocidos como estados, de estas columnas para predecir los estados de una columna que se designa como elemento de predicción.

El árbol de decisión realiza predicciones basándose en la tendencia hacia un resultado concreto. Para los atributos continuos, el algoritmo usa la regresión lineal para determinar dónde se divide un árbol de decisión. Si se define más de una columna como elemento de predicción, o si los datos de entrada contienen una tabla anidada que se haya establecido como elemento de predicción, el algoritmo genera un árbol de decisión independiente para cada columna de predicción. [4]

1.4 ALGORITMO J48

Se trata de una implementación propia de WEKA para el algoritmo C4.5, un algoritmo basado en clasificación por árbol de decisión. El algoritmo ofrece la posibilidad de poder parar antes de alcanzar las hojas en cada subárbol; esto dará lugar a árboles menos refinados, por decirlo de alguna forma, y ayudará a evitar el "overfitting". Se pueden utilizar dos parámetros para parar el algoritmo. Por un lado tenemos el minNumObj (m): establece un límite inferior para del número de elementos que deben estar en un conjunto para que pueda ser particionado. Cuando un nodo contiene menos de m instancias no se le divide o reparte más. Por otro lado, está el confidenceFactor: el algoritmo considerará que ha terminado para un subconjunto E si la tasa de desclasificados en ese subconjunto es menor un umbral especificado. Si aumentamos el valor de minNumObj y confidenceFactor normalmente reducimos la fiabilidad de los árboles de decisión resultantes y reglas como puede resultar el parar la construcción del árbol de decisión demasiado pronto. [18]

1.5 MALOCLUSIONES DENTALES

Se entiende por Maloclusión, la posición incorrecta de los dientes y el contacto irregular entre el maxilar superior con los del maxilar inferior. Es el principal motivo para recurrir a un tratamiento de Ortodoncia. La maloclusión dental es la alineación incorrecta de los dientes. Puede aparecer por anomalías de tamaño o de posición de los dientes, del tamaño relativo de las arcadas dentarias y su alineación, o de los tipos de relaciones oclusales. El diagnostico ortodóntico debe estar precedido por una apreciación integral del paciente, mediante los antecedentes médico-odontológicos, además de un examen detallado de la cavidad oral, acompañado de una revisión de todas las estructuras que conforman los tejidos blandos, duros del sistema estomagtonatico y de la articulación temporomandibular. [9]

1.5.1 FACTORES ETILOGICOS DE LA MALOCLUSSIÓN DENTAL

La etiología de la maloclusión dental se clasifica en:

• Factores predisponentes

Factores hereditarios: tamaño y forma de los dientes, relación basal de los maxilares, función labial y lingual.

• Factores locales

Grupo intrínseco (pérdida prematura de dientes temporales y permanentes, retención prolongada de dientes temporales, dientes ausentes congénitamente y supernumerarios, actividad funcional disminuida y desviada de los dientes, frenillo labial anormal, restauraciones incorrectas, desarmonía de tamaño y forma de los dientes y traumatismos dentarios.

1.5.2 TRATAMIENTO DE LA MALOCLUSIÓN DENTAL

En muchos casos las maloclusiones pueden corregirse con ortodoncia, mediante el uso de aparatos fijos o removibles. Pero en algunos casos el problema está causado por la estructura de uno o los dos huesos maxilares (deformidades dentofaciales), debido a un desarrollo desigual que puede alterar de forma significativa la simetría del rostro. En estos casos, el tratamiento sólo es posible mediante la ortodoncia acompañada de una intervención quirúrgica conocida como cirugía ortognática. [10]

1.5.3 TIPOS DE MALOCLUSIÓN

Los tipos de maloclusión se dividen de la siguiente manera:

Clase I

Este tipo de anomalía en la mordida se caracteriza porque los dientes parecen estar alineados de forma correcta cuando en realidad las piezas superiores están ligeramente desalineadas en relación a la mandíbula. La maloclusión clase I es la más frecuente y suele producirse por la presencia de dientes más grandes de lo normal, que hacen que el proceso de masticación sea más difícil, a la vez que facilita el ambiente para la aparición de caries.

Clase 2

En este trastorno el maxilar es más grande que la mandíbula, lo que hace que los dientes superiores se vean protruidos. La maloclusión clase II es también conocida como retrognatismo mandibular y en ocasiones, su solución en adultos requiere de intervención quirúrgica.

Clase 3

En este caso el problema radica en la mandíbula, la cual sobresale haciendo que los dientes se sobrepongan a los superiores y causen lo que también llamamos prognatismo. Muchas veces esto sucede por la falta de crecimiento en el maxilar superior.

Mordida abierta

La mordida abierta es un tipo de maloclusión que se caracteriza porque no hay contacto entre los dientes superiores e inferiores. Las causas que la producen y etiología de la mordida abierta son múltiples, y algunas de ellas pueden ser eliminadas a través de la corrección de los malos hábitos, como, por ejemplo, la succión del dedo pulgar o la respiración oral. [12]

Mordida profunda

La mordida profunda es un estado de sobremordida vertical aumentada, donde la dimensión entre los márgenes incisales dentales superiores e inferiores es excesiva. También se conoce como resalte dental o sobremordida vertical y la norma es de 2mm.

El paciente con mordida profunda suele tener las siguientes características faciales:

• Cara braquicefálico, es decir, forma de cabeza corta y más ancha.
• Tiene tendencia a clase II esquelética.
• Perfil cóncavo.
• El tercio inferior y la dimensión vertical disminuida.
• Plano oclusal disminuido [13]

1.6 MALOS HABITOS BUCALES

Estos malos hábitos orales durante la infancia pueden provocar efectos dañinos sobre desarrollo de las estructuras faciales y la dentición en los niños. Es muy importante el diagnóstico precoz de estos hábitos para poder eliminarlos y corregir las alteraciones provocadas por los mismo dando el correcto tratamiento.

Por mencionar algunos de estos son los siguientes:

Respiración oral

La respiración oral se da frecuentemente en niños que presentan insuficiencia respiratoria nasal y buscan respirar por la boca.

El niño para poder respirar, abre la boca, desciende su lengua produce una posterorotación de la mandíbula para poder conseguir aire. Se suelen caracterizar por tener paladar ojival, maxilares inferiores estrechos como así también mordida cruzada y abierta de caninos e incisivos.

A estos pacientes se los debe tratar de forma multidisciplinar, con la participación de profesionales como otorrino, pediatra, ortodoncista y odontopediatra. Es importante el diagnóstico precoz para evitar alteraciones estéticas, dentomaxilares, funcionales y psíquicas.

Succión del dedo

La succión del dedo es cuando el niño se introduce el dedo en la cavidad oral, por lo general el pulgar.  Este es un hábito que debería desaparecer en el niño a los 3 años aproximadamente, debido a que a esa edad ya están todos los dientes de leche en boca y puede desarrollarse una maloclusión.

Si se deja de chupar el dedo a esta edad, las alteraciones mínimas se pueden resolver de forma espontánea.  De lo contrario, se puede desarrollar una mordida abierta anterior, protrusión de incisivos superiores, linguoinversión de incisivos inferiores y retrusión postural de la mandíbula.

Para tratar estos pacientes, hay que comenzar por modificar la conducta y una vez corregido esto, se debe hacer una terapia miofuncional y aparatología ortodontica.

Bricomanía

Se utiliza en odontología para definir el hábito de apretar los dientes o rechinarlos en movimientos verticales, a diferencia del bruxismo en el que imperan los movimientos laterales o en sentido horizontal, etimológicamente bruxismo y bricomanía tienen el mismo significado y ambos son una expresión de estrés, dolor leve continuo o nerviosismo, consulte a su médico. [16]

METODOLOGÍA

Para los diferentes tipos de tecnologías, hay varias metodologías, algunas están publicadas en Internet.  Para el caso de proyectos de implementación de minería de datos, hay una en particular, CRIPS-DM (Cross Industry Standard Process for Data Mining). [11]

El estándar incluye un modelo y una guía, estructurados en seis fases, algunas de estas fases son bidireccionales, lo que significa que algunas fases permitirán revisar parcial o totalmente las fases anteriores.

Comprensión del negocio

Objetivos y requerimientos desde una perspectiva no técnica

• Establecimiento de los objetivos del negocio (Contexto inicial, objetivos, criterios de éxito)
•  Evaluación de la situación (Inventario de recursos, requerimientos, supuestos, terminologías propias del negocio)
• Establecimiento de los objetivos de la minería de datos (objetivos y criterios de éxito)

Comprensión de datos

Familiarizarse con los datos teniendo presentes los objetivos del negocio

• Recopilación inicial de datos
• Descripción de los datos
• Exploración de los datos
• Verificación de calidad de datos

Preparación de datos

Obtener la vista minable o dataset

• Selección de los datos
• Limpieza de datos
• Construcción de datos 
• Integración de datos
• Formateo de datos

Modelado

Aplicar las técnicas de minería de datos a los dataset

• Selección de la técnica de modelado
• Diseño de la evaluación
• Construcción del modelo
• Evaluación del modelo

Evaluación

De los modelos de la fase anteriores para determinar si son útiles a las necesidades del negocio

• Evaluación de resultados
• Revisar el proceso
• Establecimiento de los siguientes pasos o acciones

Despliegue

Explotar utilidad de los modelos, integrándolos en las tareas de toma de decisiones de la organización

• Planificación de despliegue
• Planificación de la monitorización y del mantenimiento
• Generación de informe final
• Revisión del proyecto

Contar con una metodología, se ha convertido tan importante y necesario como la carta de presentación de las empresas. Esta metodología para proyectos de minería de datos no es la “más actual” o “la mejor”, pero es muy útil para comprender esta tecnología o extraer ideas para diseñar o revisar métodos de trabajo para proyectos de similares características. [11]

DESARROLLO

La metodología que se usó para trabajar la presente investigación fue la CRIPS-DM (CRoss Industry Standard Process for Data Mining) [1], la cual puede trabajar con cualquier herramienta para desarrollar proyectos de Minería de Datos.

3.1 COMPRENSIÓN DEL NEGOCIO

El modelo consta de seis fases, de las cuales, la primera es, Comprensión del negocio,dentro de esta, el proyecto de minería de datos buscó analizar y comprender el éxito o fracaso de los pacientes en el tratamiento de ortodoncia tomando como parámetros, las maloclusiones dentales, la asistencia, la higiene y los malos hábitos bucales. Los cuales estando en cierto nivel se involucran todos de diferente manera en el tratamiento de cada paciente.

3.2 COMPRENSIÓN DE DATOS

La segunda etapa es Comprensión de datos; en el desarrollo del proyecto se dispuso a recabar información útil para poder hacer uso de ella y mediante esta forma arrojaran los datos que se esperaban. Para continuar con esto se tomó una muestra de 120 pacientes para hacer el estudio, se usó el siguiente instrumento, que es una tarjeta de historial clínico (Ver ilustración 2 y 3).

  3.3 PREPARACIÓN DE DATOS

Posteriormente se realizó la tercera fase, Preparación de datos, se usó la herramienta de minería de datos, Weka, que permitiría hacer un árbol de decisión en la información, para posteriormente tener reglas, las cuales serían de uso importante para la predicción. Antes de esto, se necesitó determinar los vectores de los datos, así como la discretización de éstos.  Cada vector fue representado por cada historial médico de pacientes, es decir, se tendrán 120 vectores. 

La discretización, son las posibles respuestas que puedan tomar cada una de las preguntas (las repuestas posibles son determinadas por el especialista), y así evitar que los datos sean erróneos. De acuerdo con esto, la discretización quedó de la siguiente manera (Ver ilustración 4):

A continuación, se construyó cada vector, compuesto por 12 datos, los cuales fueron ordenados y separados de la siguiente manera (Ver ilustración 5) en donde cada valor corresponde a cada uno de los datos extraídos de los historiales clínicos.

Es importante comentar que este vector representa a un paciente, para este proyecto el archivo final se conformo de 120 vectores, los cuales fueron incluidos en el archivo .arff que es el formato aceptado por la aplicación WEKA para análisis de minería de datos.

3.4 MODELADO

La cuarta fase es el Modelado, lo que correspondió a hacer aquí, fue abrir y analizar el archivo .arff desde Weka como se muestra en la siguiente ilustración

Se aplicó el algoritmo J48, a partir de eso se obtuvieron las reglas a ocupar para la predicción, todas ellas para hacer la integración del árbol de decisiones que se usaran en la interfaz de predicción.

Para proceder a armar las reglas se utilizó el algoritmo J48, el cual supone una mejora moderada en las prestaciones y este, es el cual puede conseguir una probabilidad de acierto ligeramente superior a sus algoritmos antecesores.

El parámetro más importante que este arroja en primera instancia es “asistencia” el cual influye en el tamaño y capacidad de predicción del árbol

3.5 EVALUACIÓN

Evaluación es la quinta fase, en esta se analizaron las reglas que arrojó Weka, las cuales condujeron para empezar a armar la predicción, a continuación se muestras reglas que se implementaran para crear el modelo de interfaz.

Al contar con las reglas se construyó un árbol de decisión mediante el algoritmo J48 como anteriormente se menciona.

El nodo principal fue el atributo asistencia el cual desplegó tres ramas, a partir de las cuales se pudieron visualizar más a profundidad las reglas.

 

Esta primera rama, a diferencia de las dos siguientes, esta, muestra más nodos, por lo tanto, es más pesada en cuanto a reglas.

La segunda rama del árbol que es el nodo medio, denota solo tres reglas.

Como puede observarse, esta última rama es la más pequeña de las tres que contiene el árbol.

Las tres ramas del árbol presentan los diferentes recorridos que arrojó el modelo.

3.6 DESPLIEGUE

La última fase es el Despliegue en esta parte se creó una interfaz gráfica (Ver Ilustración 12), a manera de cuestionario que el paciente debe contestar y ésta manda un mensaje al final con el resultado del tratamiento.

 

De acuerdo como cada paciente conteste su cuestionario, éste será evaluado, y lanzará su correspondiente resultado del tratamiento como se muestra a continuación

RESULTADOS

Los datos utilizados en esta investigación fueron recopilados de 120 historiales clínicos de pacientes en tratamiento de ortodoncia, esta, no es una muestra representativa de la entidad. Sin embargo, este análisis estudia los diversos factores que llevan a un correcto resultado de tratamiento (antecedentes patológicos, tanto personales como familiares, problemas de higiene, así como malos hábitos bucales).

De esta manera, las reglas arrojadas por el modelo permitieron como ya se mencionó anteriormente determinar mediante la técnica de árboles de decisión cuales fueron los patrones genéricos que caracterizan a los pacientes que acuden a consulta y que permiten predecir el resultado del tratamiento.

Posterior a lo anterior realizar una interfaz gráfica mediante la cual se contesta un cuestionario y manda un mensaje final con el resultado, la cual puede ser de gran ayuda para los ortodoncistas.

5. CONCLUSIONES Y TRABAJOS FUTUROS

Se puede inferir que, de acuerdo a los resultados obtenidos en el estudio de este problema, estos llevan a saber el éxito o en debido caso, el fracaso del tratamiento de ortodoncia.

La minería de datos es un campo que cuenta con una amplia gama de áreas de investigación, y que permite aplicar diversas herramientas y métodos, tanto para describir como para predecir. Es de suma importancia conocer cómo aplicar la teoría en materia a un caso real, puesto que el optimizar y agilizar procesos a la hora de llevar a cabo el análisis de la información, es una gran prioridad para la minería de datos, puesto que de ahí parte el descubrimiento del conocimiento.

Los trabajos a futuro, con ayuda de la Minería de Datos expandir el conocimiento en cuanto a más enfermedades bucales y crecer este sistema, posteriormente, una interfaz gráfica más grande, donde el paciente pueda ingresar y se haga un reconocimiento de la maloclusión con la que este cuente, de esa manera, obtener reporte médico ya sea digital o impreso.

6.REFERENCIAS

[1]        (s.f.). Obtenido de Talita-Zemlickas-Silva, Camarote E, Kurt-Faltin-Junior. Prevalencia de las maloclusiones y protocolos de tratamiento utilizados en pacientes tratados en los cursos de especialización en ortodoncia-ortopedia facial. UNIP-SP-Brasil. Odontología Pediátrica

[2]        (s.f.). Obtenido de Cartes-Velásquez, R., Araya, E., & Valdés, C. (2010). Maloclusiones y su impacto psicosocial en estudiantes de un liceo intercultural. International journal of odontostomatology, 4(1), 65-70.

[3]        (s.f.). Obtenido de Monsalve, J., Aponte, F., Hoyos, J. (2013), Aplicación de minería de datos educativos a procesos B-Learning: Minería de datos, p.1, Recuperado de http://www.laclo.org/papers/index.php/laclo/article/view/75

[4]        Algoritmos de arbol de decisión. (s.f.). Obtenido de TechNet: https://technet.microsoft.com/es-es/library/ms175312(v=sql.105).aspx

[5]        Algunas extensiones de Data mining. (7 de Febrero de 2009). Obtenido de Acceso a link aquí

[6]        CRISP-DM: Towards a Standard Process Model for Data. (s.f.). Obtenido de Wirth, R., & Hipp, J. (2000, April). CRISP-DM: Towards a standard process model for data mining. In Proceedings of the 4th international conference on the practical applications of knowledge discovery and data mining (pp. 29-39).

[7]        Diagnostico de la maloclusión dental. (s.f.). Obtenido de https://iomm.es/cirugia-ortognatica/maloclusion-dental/

[8]        La Minería de Datos para la toma de decisiones estratégicas. (s.f.). Obtenido de Hernández Orallo, J., Ramírez Quintana, M. J., Ferri Ramírez, C., José Hernández Orallo, M., & José Ramírez Quintana, C. F. R. (2004). Introducción a la Minería de Datos.

[9]        Maloclusión según la clasificación de Angle. (Diciembre de 2012). Obtenido de Paucar, A., & Antonia, M. (2012). Maloclusión según la clasificación de Angle y Espacio Libre Interoclusal en estudiantes de la Universidad Nacional Jorge Basadre Grohmann-Tacna 2011 (Doctoral dissertation).

[10]      Maloclusion: Concepto y clasificacion. (s.f.). (Odontologia.do) Recuperado el 17 de mayo de 2017, de https://odontologia.do/maloclusion-concepto-y-clasificacion/

[11]      Metodología CRISP-MD. (s.f.). Obtenido de Acceso a link aquí.

[12]      Mordida abierta. (s.f.). (propdental) Recuperado el 17 de mayo de 2017, de https://www.propdental.es/invisalign/mordida-abierta/

[13]      Mordida profunda. (s.f.). (propdental) Recuperado el 17 de mayo de 2017, de https://www.propdental.es/ortodoncia/mordida-profunda/

[14]      Prevalencia de las maloclusiones y protocolos de tratamiento utilizados en pacientes tratados en los cursos de especialización en ortodoncia. (2014). (Talita-Zemlickas-Silva, Camarote E, Kurt-Faltin-Junior) Obtenido de Talita-Zemlickas-Silva, Camarote E, Kurt-Faltin-Junior. Prevalencia de las maloclusiones y protocolos de tratamiento utilizados en pacientes tratados en los cursos de especialización en ortodoncia-ortopedia facial. UNIP-SP-Brasil. Odontología Pediátrica.

[15]      Prevalencia de Maloclusiones y transtornos del habla . (s.f.). Obtenido de Taboada Aranza, O., Torres Zurita, A., Cazares Martínez, C. E., & Orozco Cuanalo, L. (2011). Prevalencia de maloclusiones y trastornos del habla en una población preescolar del oriente de la Ciudad de México. Boletín médico del Hospital Infantil de México

[16]      Relación entre hábitos nocivos y maloclusiones en una muestra de 525 pacientes de Ortodoncia. (Octubre de 2011). Obtenido de Roldán, A., Sánchez, N., & De la Cruz Pérez, J. (2011). Relación entre hábitos nocivos y maloclusiones en una muestra de 525 pacientes de Ortodoncia. Revista Latinoamericana de Ortodoncia y odontopediatria.

[17]      Tecnicas de minería de datos aplicadas al diagnostico de entidades clínicas . (septiembre de 2012). Obtenido de Dávila Hernández, F., & Sánchez Corales, Y. (2012). Técnicas de minería de datos aplicadas al diagnóstico de entidades clínicas. Revista Cubana de Informática Médica, 4(2), 174-183.

[18]      Mineria de datos Weka. (s.f.). Obtenido de http://www.it.uc3m.es/jvillena/irc/practicas/03-04/20.mem.pdf

 

^[a] Docentes de la Universidad Autónoma del Estado de Hidalgo-Escuela Superior Huejutla. felipe_nunez@uaeh.edu.mx

^[b] Docentes de la Universidad Autónoma del Estado de Hidalgo-Escuela Superior Huejutla. victor_tomas@uaeh.edu.mx

^[c] Alumno de la Universidad Autónoma del Estado de Hidalgo-Escuela Superior Huejutla. karenwy05@gmail.com

^[d] Docente de la Universidad Tecnológica de la Huasteca Hidalguense ana.felipe@uthh.edu.mx