Inferencia probabilística de eventos asociados al COVID-19 en México

Cirilo Tino-Salgado; Miriam Martínez-Arroyo; Mario Hernández-Hernández; Eduardo de la  Cruz-Gámez; José Samuel Nogueda-Bautista

doi:10.29057/icbi.v10iEspecial4.9329

Cirilo Tino-Salgado TecNM / I.T. de Acapulco https://orcid.org/0000-0003-4782-8449
Miriam Martinez-Arroyo TecNM / I.T. de Acapulco https://orcid.org/0000-0002-5685-1731
Mario Hernández-Hernández TecNM / I.T. de Chilpancingo https://orcid.org/0000-0001-8330-4779
Eduardo de la Cruz-Gámez TecNM / I.T. de Acapulco https://orcid.org/0000-0003-3318-788X
Jose Samuel Nogueda-bautista Hospital General del ISSSTE https://orcid.org/0000-0002-2435-6170

DOI: https://doi.org/10.29057/icbi.v10iEspecial4.9329

Palabras clave: Redes Bayesianas, Aprendizaje estructural, Inferencia probabilística, COVID-19

Resumen

Actualmente, la población mexicana desconoce la probabilidad de presentar eventos agravantes (intubación, ingreso a la unidad de cuidados intensivos y defunción) derivados del COVID-19. Diversos autores han propuesto modelos gráficos probabilísticos para identificar los factores asociados a esta enfermedad. En este documento, se propone utilizar redes bayesianas para identificar las relaciones de dependencia probabilística en 23 variables de estudio del conjunto de datos abiertos de COVID-19, proporcionado por la Dirección General de Epidemiología en México durante el periodo 2020 y 2021. Se generaron modelos de redes bayesianas a través de los algoritmos de aprendizaje estructural: PC y Hill Climb Search. Los resultados permitieron determinar que la diabetes, hipertensión y obesidad son los principales factores que inciden en eventos agravantes de COVID-19, así mismo, la probabilidad de defunción depende del grupo de edad del paciente y si fue o no intubado. La red bayesiana como clasificador obtiene al menos un 94% de precisión y exactitud al clasificar eventos agravantes de COVID-19.

Descargas

La descarga de datos todavía no está disponible.

Citas

Ankan, A., & Panda, A. (01 de 04 de 2015). pgmpy: Probabilistic graphical models using python. Citiseer. pgmpy: https://pgmpy.org/

CONACYT. (01 de 04 de 2022). CONACYT. Proyectos: https://salud.conacyt.mx/coronavirus/investigacion/proyectos/exploratorios.html

de Terwangne, C., Laouni, J., Jouffe, L., Lechien, J. R., Bouillon, V., Place, S., Capulzini, L., Machayekhi, S., Ceccarelli, A., Saussez, S., & Sorgente, A. (2020). Predictive accuracy of covid-19 world health organization (Who) severity classification and comparison with a bayesian-method-based severity score (epi-score). Pathogens.

DGE. (01 de 04 de 2022). Datos Abiertos Dirección General de Epidemiología. Datos Abiertos Dirección General de Epidemiología: https://datosabiertos.salud.gob.mx/gobmx/salud/datos_abiertos/datos_abiertos_covid19.zip

Fenton, N. E., Neil, M., Osman, M., & McLachlan, S. (2020). COVID-19 infection and death rates: the need to incorporate causal explanations for the data and avoid bias in testing. Journal of Risk Research, 862-865.

Gámez, J. A., Mateo, J. L., & Puerta, J. M. (2011). Learning Bayesian networks by hill climbing: efficient methods based on progressive restriction of the neighborhood. Data Mining and Knowledge Discovery, 106-148.

Gobierno de México. (31 de 12 de 2021). Covid-19 México. Covid-19 México: https://datos.covid-19.conacyt.mx/

Gobierno de México. (02 de 08 de 2021). Guía clínica para el tratamiento de la COVID-19 en México. Guía clínica para el tratamiento de la COVID-19 en México: https://coronavirus.gob.mx/wp-content/uploads/2021/08/GuiaTx_COVID19_ConsensoInterinstitucional_2021.08.03.pdf

Liu, Z., Malone, B., & Yuan, C. (2012). Empirical evaluation of scoring functions for Bayesian network model selection. BMC bioinformatics, 1-16.

Neath, A. A., & Cavanaugh, J. E. (2012). The Bayesian information criterion: background, derivation, and applications. Wiley Interdisciplinary Reviews: Computational Statistics, 199--203.

Ojugo, A., & Otakore, O. D. (2021). Forging An Optimized Bayesian Network Model With Selected Parameters For Detection of The Coronavirus In Delta State of Nigeria. Journal of Applied Science, Engineering, Technology, and Education, 37-45.

OMS. (10 de 11 de 2020). Información basíca sobre la COVID-19. Información basíca sobre la COVID-19: https://www.who.int/es/emergencies/diseases/novel-coronavirus-2019/question-and-answers-hub/q-a-detail/coronavirus-disease-covid-19

OMS. (01 de 01 de 2022). WHO Coronavirus (COVID-19) Dashboard. WHO Coronavirus (COVID-19) Dashboard: https://covid19.who.int/

OPS. (01 de 04 de 2022). Preguntas frecuentes: Vacunas contra la COVID-19. Preguntas frecuentes: Vacunas contra la COVID-19: https://www.paho.org/es/vacunas-contra-covid-19/preguntas-frecuentes-vacunas-contra-covid-19#:~:text=%C2%BFExiste%20una%20vacuna%20contra%20la,Otras%20vacunas%20contin%C3%BAan%20siendo%20estudiadas.

OPS. (01 de 04 de 2022). Variantes del SARS-COV-2 (COVID-19) - Preguntas frecuentes. Variantes del SARS-COV-2 (COVID-19) - Preguntas frecuentes: https://www.paho.org/es/variantes-sars-cov-2-covid-19-preguntas-frecuentes

Scutari, M. (2016). An Empirical-Bayes Score for Discrete Bayesian Networks. En Conference on probabilistic graphical models (págs. 438--448). PMLR.

Scutari, M., & Denis, J.-B. (2021). Bayesian networks: with examples in R. Chapman and Hall/CRC.

Secretaría de Salud. (28 de 02 de 2020). 077. Se confirma en México caso importado de coronavirus COVID- 19. 077. Se confirma en México caso importado de coronavirus COVID- 19: https://www.gob.mx/salud/prensa/077-se-confirma-en-mexico-caso-importado-de-coronavirus-covid-19

Secretaría de salud. (01 de 04 de 2022). Triage respiratorio en atención primaría. Dirección General de Calidad y Educación en Salud: http://www.calidad.salud.gob.mx/site/docs/triage_respiratorio_atencion_primaria.pdf

Spirtes, P., Glymour, C. N., Scheines, R., & Heckerman, D. (2000). Causation, prediction, and search. MIT Press.

Wei, J., Li, Y., & Nie, Y. (2020). A risk assessment system of COVID-19 based on Bayesian inference. Journal of Physics: Conference Series.