inteligencia artificial para la DETECCIÓN de anemia FALCIFORME: Implementando modelos basado en aprendizaje automático detección falciforme

Este estudio presenta un sistema basado en aprendizaje automático para la predicción temprana de la anemia falciforme utilizando datos clínicos estructurados de hemogramas de pacientes. El enfoque propuesto busca abordar las limitaciones de los métodos de diagnóstico convencionales, que suelen ser costosos, requieren mucho tiempo y una infraestructura de laboratorio especializada. El objetivo fue identificar el modelo con mejor rendimiento y desarrollar una aplicación que pudiera ser utilizada por el personal médico en zonas de difícil acceso como herramienta de apoyo para el diagnóstico temprano de esta enfermedad. Entre los modelos evaluados, el modelo Random Forest obtuvo el mejor rendimiento, con una precisión del 98%, una tasa de sensibilidad del 98% y una puntuación F1 del 98%. Su rendimiento superior se atribuye a su capacidad para capturar interacciones no lineales entre las variables hematológicas, que son cruciales para el diagnóstico clínico. Las predicciones del sistema fueron validadas por especialistas médicos, mostrando una gran concordancia con los diagnósticos tradicionales. Una innovación clave de este estudio es el uso de datos estructurados de hemogramas.