Identificación de comorbilidades asociadas a Covid-19 en el estado de Hidalgo mediante métodos de agrupamiento
Resumen
Se analizaron tres algoritmos de agrupación K-Means, DBSCAN y EM, en una base de datos abierta, con 10,039 registros, referente a los casos de COVID-19 presentados en el estado de Hidalgo, México. La finalidad de este estudio es obtener una interpretación de las comorbilidades asociadas a la COVID-19 mediante la implementación de los algoritmos mencionados. Los resultados de las agrupaciones fueron validados con el índice de silueta, como técnica de evaluación de la calidad de los algoritmos, obteniendo como mejor clasificador en este comparativo al algoritmo de K-Means. Además, se realizó la prueba de Tukey HSD para identificar la diferencia de medias entre los grupos de las comorbilidades relacionadas con el virus SARS-CoV-2, identificando la existencia de una diferencia significativa entre las medias de los grupos obtenidos. Las comorbilidades asociadas que se identifican en este estudio son diabetes, hipertensión y obesidad, en un rango de edades de 45 a 49.87 años.
Descargas
Citas
Al Ferdous, F. (2020). A conceptual review on different data clustering algorithms and a proposed insight into their applicability in the context of covid-19. Journal of Advances in Technology and Engineering Research, 6 (2), 58-68.
Casiano, J. R. (2021). Análisis de comorbilidad asociados a la mortalidad por COVID 19 en el municipio de Nezahualcóyotl mediante algoritmos K-means y EM. 8 (16), pp. 117-125.
Chapman, C. K. (2007). CRISP-DM 1.0: Step by step data minig guide.
CONACyT. (2022). Covid-19-México. Información General.Retrieved 01 19, 2023, from https://datos.covid-19.conacyt.mx.
Doroshenko, A. (2020). Analysis of the distribution of COVID-19 in Italy using clustering algorithms. In 2020 IEEE Third International Conference on Data Stream Mining & Processing (DSMP) (pp. 325-328). IEEE.
Erwin, C., Olcay, A., & Dan, H. (2021). COVID-19 Mortality Prediction Using Machine Learning-Integrated Random Forest Algorithm under Varying Patient Frailty. Mathematics, 9 (2043).
Herrera-Jaramillo, Y. A., Gómez-Ramirez, D. A., Ortega-Giraldo, J. C., & Ardilla-García, A. M. (2021). Semantic and morpho-syntactic prevention's guideline for covid-19 based on cognitively inspired artificial intelligence and data mining. case study: Europe, North America and South America. In Artificial Intelligence for COVID-19 , 501-519.
Kumar, K. M., & Reddy, A. (2016). A fast DBSCAN clustering algorithm by accelerating neighbor searching using Groups method. 58, pp. 39-48. Pattern Recognition.
Laird, N. (1993). The EM algorithm.
Melin, P., Monica, J. C., Sánchez, D., & Cartillo, O. (2020). Analysis of spatial spred relationships of coronavirus (COVID-19) pandemic in the world using self organizing maps. Chaos, Solitons & Fractals (109917), 138.
Nasim, V., Masoud, S., Julio, D. D., Abolfazl, M., & George, M. (2021). County-level longitudinal clustering of COVID-19 mortality to incidence ratio in the United States. 11 (3088).
Pandey, A. (2014). Study and Analysis of K-Means Clustering Algorithm Using Rapidminer. 4 (12), 60-64.
Pérez-Ortega, J., Almaraz-Ortega, N., Torres-Poveda, K., Martínez-González, G., Zavala-Díaz, J. C., & Pasos-Rangel, R. (2022). Application of Data Science for Cluster Analysis of COVID-19 Mortality According to Sociodemographic Factors at Municipal Level in Mexico. Mathematics, 10 (13), 2167.
Poojita, G., & Deepak, J. (2021). A region-specific clustering approach to investigate risk-factors in mortality rate during COVID-19: Comprehensive statistical analysis from 208 countries. J. Med. Eng. Technol. (45), 284-289.
Roy, C., & Valerio, F. (2020). Combining rank-size and k-means for clustering countries over the COVID-19 new deaths per million. 158 (111975).
SAS, I. (2022, 03 18). Retrieved 03 21, 2023, from SAS® Enterprise Miner™ 15.2: Reference Help: https://documentation.sas.com/doc/en/emref/15.2/p1tsqq44rg56ron17qd3m7ey4mzu.htm
Sexena, P. S. (2009). Prediction of student’s academic performance using clustering. In National conference on cloud computing & big data, (pp. 1-6).
Verma, M., Srivastava, M., Chack, N., Diswar, A. K., & Gupta, N. (2012). A comparative study of various clustering algorithms in data mining. International Journal of Engineering Research and Applications (IJERA), 2 (3), 1379-1384.
Zhang, S., Zhang, C., & Yang, Q. (2003). Data preparation for data mining. Applied Artificial Intelligence., (pp. 375-381). San Francisco.
Derechos de autor 2023 Carlos Enríquez-Ramírez, Mariza Raluy-Herrero, Miriam Olvera-Cuellar
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-SinObrasDerivadas 4.0.
