dc.contributor.advisor | Flores Revilla, Erick Gustavo | |
dc.contributor.author | Luna Mancilla, Pavel Edmundo | |
dc.contributor.author | Vargas Quisca, Sharon Angelica | |
dc.date.accessioned | 2022-08-25T19:31:26Z | |
dc.date.available | 2022-08-25T19:31:26Z | |
dc.date.issued | 2022-08-17 | |
dc.identifier.uri | https://hdl.handle.net/20.500.12557/4802 | |
dc.description.abstract | Hoy en día se ha encontrado grandes avances en las técnicas diagnósticas de aprendizaje
profundo aplicado a imágenes, lo cual supone un nuevo punto de acceso al diagnóstico.
El objetivo de la siguiente tesis propone una nueva prueba diagnóstica basada en el uso
de aprendizaje automático aplicado a radiografías de tórax para hacer el diagnóstico de
COVID-19, para lo cual se recolectó datos de las historias clínicas y radiografías de tórax
del Hospital Regional del Cusco, Adolfo Guevara Velasco y Antonio Lorena en periodo
2020 a 2021 para los casos COVID-19 y periodo 2019 para los casos no COVID.19. Esto
nos permitió evaluar la sensibilidad de la clasificación e imágenes de radiografía de tórax
mediante el aprendizaje automático al ser comparada frente al estándar de oro para
diagnóstico de COVID-19 la prueba de RT-PCR y prueba antigénica. El diagnóstico de
COVID-19 por IA logró una sensibilidad de 90.13%, especificidad de 80.91%, valor
predictivo positivo de 70.24%, valor predictivo negativo de 94.25% y una precisión de
83.98%. Convirtiéndola en una herramienta adecuada para el diagnóstico de COVID-19. | es_PE |
dc.description.abstract | Nowadays, great advances have been found in deep learning diagnostic techniques
applied to images, which stands for a new point of access to diagnosis. The objective of
the following thesis proposes a new diagnostic test based on the use of machine learning
applied to chest X-rays to make the diagnosis of COVID-19, for which data was collected
from the medical records and chest X-rays of the Hospital Regional del Cusco, Adolfo
Guevara Velasco and Antonio Lorena in the 2020 to 2021 period for COVID-19 cases
and the 2019 period for non-COVID-19 cases. This allowed us to assess the sensitivity of
machine learning chest x-ray imaging and classification when compared to the gold
standard for COVID-19 diagnosis, RT-PCR and antigen testing. The diagnosis of
COVID-19 by AI achieved a sensitivity of 90.13%, a specificity of 80.91%, a positive
predictive value of 70.24%, a negative predictive value of 94.25%, and an accuracy of
83.98%. Making it a suitable tool for the diagnosis of COVID-19.
Keywords: COVID-19, chest radiograph, artificial intelligence, machine learning, image
classification, diagnostic test. | en_US |
dc.format | application/pdf | es_PE |
dc.language.iso | spa | es_PE |
dc.publisher | Universidad Andina del Cusco | es_PE |
dc.rights | info:eu-repo/semantics/openAccess | es_PE |
dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | es_PE |
dc.subject | COVID-19 | es_PE |
dc.subject | Radiografía de tórax | es_PE |
dc.subject | Inteligencia artificial | es_PE |
dc.subject | Aprendizaje automático | es_PE |
dc.subject | Clasificación de imágenes | es_PE |
dc.subject | Prueba diagnóstica | es_PE |
dc.title | Uso de inteligencia artificial para el diagnóstico de Covid-19 a través de radiografía de tórax en el Hospital Nacional Adolfo Guevara Velasco, Hospital Regional y Hospital Antonio Lorena, Cusco-Perú, periodo 2020-2021 | es_PE |
dc.type | info:eu-repo/semantics/bachelorThesis | es_PE |
thesis.degree.name | Médico Cirujano | es_PE |
thesis.degree.grantor | Universidad Andina del Cusco. Facultad de Ciencias de la Salud | es_PE |
thesis.degree.discipline | Medicina Humana | es_PE |
dc.publisher.country | PE | es_PE |
dc.subject.ocde | https://purl.org/pe-repo/ocde/ford#3.02.27 | es_PE |
renati.advisor.dni | 23952727 | |
renati.advisor.orcid | https://orcid.org/0000-0002-2406-643X | es_PE |
renati.author.dni | 70799899 | |
renati.author.dni | 73131442 | |
renati.discipline | 912016 | es_PE |
renati.juror | Naveda De Aramburu, Herminia | |
renati.juror | Sarmiento Herrera, William Senen | |
renati.juror | Villagarcia Zereceda, Hugo Rommel | |
renati.juror | Rojas Marroquin, Juan Carlos | |
renati.level | https://purl.org/pe-repo/renati/level#tituloProfesional | es_PE |
renati.type | https://purl.org/pe-repo/renati/type#tesis | es_PE |