Predicción de la Efectividad de las Pruebas Rápidas Realizadas a Pacientes con COVID-19 mediante Regresión Lineal y Random Forest

Abstract

En el transcurso del tiempo el mundo ha necesitado del conocimiento y la perseverancia de los seres humanos para poder solucionar cualquier problemática que se le presente. Como, por ejemplo, ¿en qué proporción está el aumento de infectados por COVID-19 en todo el planeta? Con la ayuda de enfoques no clínicos y tecnologías modernas como la minería de datos, inteligencia aumentada y técnicas de inteligencia artificial, se ha logrado agilizar la enorme carga de trabajo en los sistemas de salud y al mismo tiempo brindar los mejores medios posibles para el diagnóstico y pronóstico de pacientes con covid-19 de manera efectiva. En este estudio, se implementó un modelo matemático para la predicción de la efectividad de las pruebas rápidas a las que se someten las personas posiblemente infectadas y definir cuál es el comportamiento epidemiológico causado por SARS-CoV2 (COVID-19). Para determinar el tipo de modelo a utilizar se aplicaron dos algoritmos, el de Regresión Lineal y el de Bosque Aleatorio o Random Forest, a un conjunto de datos utilizando el lenguaje de programación Python. Posteriormente se realizarán las pruebas necesarias para verificar la efectividad de cada una de ellos. Una vez definido el modelo y después de haber realizado el debido entrenamiento de este, se realizará la predicción de un número mínimo y máximo de las pruebas rápidas utilizadas en los pacientes que se encuentran infectados con COVID-19, identificando cuál de las pruebas rápidas es la más utilizada y cuál es la más efectiva.