Métodos aplicativos de la minería de datos en maloclusiones dentales

  • Felipe J Núñez-Cardenas Universidad Autónoma del Estado de Hidalgo
  • Víctor T Tomas-Mariano Universidad Autónoma del Estado de Hidalgo
  • Ana K Guzmán-Casanova Universidad Autónoma del Estado de Hidalgo
  • Ana M Felipe-Redondo Universidad Tecnológica de la Huasteca Hidalguense
Palabras clave: Maloclusiones dentales, Minería de Datos, Predicción, Arboles de Decisión

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.

Citas

[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
Publicado
2018-07-05