Intro

Los datos utilizados presentan 615 valores correspondientes a pacientes entre 19 y 77 años de edad. Se presentan datos de 377 varones y 238 mujeres, separados en 5 categorías: las marcadas con 1 pertenecen a pacientes con el nivel mas bajo de hepatitis, 2 es para estados mas avanzados que incluyen fibrosis, 3 para cirrosis y 0 control.

Boxplots

Boxplots por var

Las variables ALB, AST, BIL, CHOL y GGT muestran tendencias con respecto a la severidad.

Correlaciones

De manera general, existe una pobre correlación entre las variables.

ACP

El ACP no muestra agrupaciones claras de las variables con respecto a los primeros 5 componentes, que explican el 70% de la varianza.

Modelos predictivos

Se entrenaron 4 modelos diferentes para predecir presencia o ausencia de infección, y para predecir la severidad de infecciones. Debido a la excesiva presencia de valores extremos y la carencia de distribución normal, se utilizaron modelos robustos que no son afectados por la presencia de valores extremos. Los modelos utilizados son:

• Random forest (RF) utilizando la librería randomForest. Utiliza un ensamblaje de árboles de decisiones e incorpora elementos de bootstrap en la selección e interacción en el algoritmo de aprendizaje. El algoritmo es no paramétrico, interpretable, eficiente y tiene gran precisión de predicción.
• Multinomial log-linear en base a redes neuronales (LOG) con la librería nnet. Generaliza la regresión logística en problemas de múltiples categorías. Predice las probabilidades de los posibles resultados de una variable dependiente distribuida categóricamente, dado un conjunto de variables independientes. Las redes neuronales apoyan al modelo en la aproximación a la distribución multinomial.
• Gaussian naive bayes (GNB) utilizando la librería e1071. Es un clasificador sencillo basado en probabilidad y el teorema de Bayes. Naive Bayes considera cada attributo como una variable independiente, y una de sus mayores ventajas es que requiere pocos datos para entrenar el modelo. El modelo gausiano se utiliza para variables numéricas continuas por que se espera que los valores correlacionados con cada clase siguen una distribución gausiana.
• K nearest neighbors (KNN) a través de la librería caret. Clasificador no paramétrico que utiliza las distancias euclideanas entre los vecinos de un valor para predecir su clasificación. Se utiliza para clasificación y reconocimiento de patrones.

Predic. Infección

Predic. Severidad

Resultados Modelos

LOG es certero para presencia/ausencia de infección pero el menos preciso para severidad. RF también es preciso para presencia/ausencia de infección; GNB, RF y KNN presentan similares valores de exactitud y kappa para severidad.