Post on 08-Jul-2020
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMATICAS Y FISICAS
CARRERA DE INGENIERIA EN NETWORKING Y
TELECOMUNICACIONES
INVESTIGACIÓN Y ANÁLISIS DE SISTEMAS DE
RECOMENDACIONES BASADOS EN REGLAS Y
FUZZY PARA EL CONTROL DE LA DIABETES
SOBRE ARTÍCULOS CIENTÍFICOS Y
SISTEMAS EXISTENTES
PROYECTO DE TITULACIÓN
Previa a la obtención del Título de:
INGENIERO EN NETWORKING Y TELECOMUNICACIONES
AUTOR:
CUENCA MOGRO ELIANA MARÍA
TUTOR:
ING. JOSÉ MEDINA MOREIRA, MS.c
GUAYAQUIL – ECUADOR
2019
II
REPOSITORIO NACIONAL EN CIENCIA Y TECNOLOGÍA
FICHA DE REGISTRO DE TESIS
TÍTULO: “INVESTIGACIÓN Y ANÁLISIS DE SISTEMAS DE RECOMENDACIONES BASADOS EN REGLAS Y FUZZY PARA EL CONTROL DE LA DIABETES SOBRE ARTÍCULOS CIENTÍFICOS Y SISTEMAS EXISTENTES”
AUTOR: CUENCA MOGRO ELIANA MARÍA
REVISORES:
INSTITUCIÓN: Universidad de Guayaquil FACULTAD: Facultad de Matemáticas y
Físicas
CARRERA: Ingeniería en Networking y Telecomunicaciones
FECHA DE
PUBLICACIÓN: No. DE PÁGINAS: 117
ÁREAS TEMÁTICAS: Ciencias de la computación
PALABRAS CLAVES: Sistema de recomendaciones, diabetes, tecnología
RESUMEN/ABSTRACT: Los sistemas de recomendaciones son herramientas de software
que pretenden brindar apoyo a los pacientes diabéticos y médicos filtrando la información
disponible y entregando recomendaciones personalizadas.
N. DE REGISTRO (base de datos):
N. DE CLASIFICACIÓN:
DIRECCIÓN URL (tesis en la web):
ADJUNTO PDF SI X NO
CONTACTO CON
AUTOR/ES: Teléfono: 0931088652
E-mail:
eliana.cuencam@ug.edu.ec
CONTACTO CON
LA INSTITUCIÓN:
Nombre: Ab. Juan Chávez Atocha
Teléfono: 043843915
E-mail: juan.chaveza@ug.edu.ec
III
APROBACION DEL TUTOR
En mi calidad de Tutor del trabajo de
investigación, “INVESTIGACIÓN Y ANÁLISIS DE SISTEMAS DE
RECOMENDACIONES BASADOS EN REGLAS Y FUZZY PARA EL
CONTROL DE LA DIABETES SOBRE ARTÍCULOS CIENTÍFICOS Y
SISTEMAS EXISTENTES” elaborado por la Srta. CUENCA MOGRO ELIANA
MARÍA alumno no titulado de la Carrera de Ingeniería en Networking y
Telecomunicaciones, Facultad de Ciencias Matemáticas y Físicas de la
Universidad de Guayaquil, previo a la obtención del Título de Ingeniero en
Networking y Telecomunicaciones, me permito declarar que luego de haber
orientado, estudiado y revisado, la Apruebo en todas sus partes.
Atentamente,
__________________________
ING. JOSE MEDINA MOREIRA, MS.c
TUTOR
IV
DEDICATORIA
Dedico el presente proyecto a mi
madre Karina Mogro, por ser mi pilar
y fortaleza. Y a mis abuelitos Eliana
López y Carlos Mogro, quisiera me
fueran eternos.
V
AGRADECIMIENTO
En primer lugar, agradezco a Dios
por ser mi guía en todo momento y
regalarme todas las bendiciones en
mi vida.
Agradezco a mi familia por
apoyarme y ayudarme a crecer
personal y profesionalmente, por
brindarme su apoyo incondicional en
todo momento.
Especial agradecimiento al Ing. José
Medina Moreira por su labor como
tutor y guía de este proyecto de
investigación.
Y agradezco a mis cuatro
compañeros de Universidad que se
convirtieron en mis mejores amigos,
gracias por acompañarme en esta
etapa de principio a fin.
VI
TRIBUNAL PROYECTO DE TITULACIÓN
_______________________________ Ing. Santiago Ramírez Aguirre, M.Sc
DECANO DE LA FACULTAD
CIENCIAS MATEMÁTICAS Y FÍSICAS
________________________________
Ing. Ma. Fernanda Molina Miranda, M.Sc.
PROFESOR REVISOR DEL
ÁREA - TRIBUNAL
___________________________
Ing. Francisco Palacios Ortiz, Mgs.
DIRECTOR DE LA CARRERA DE
INGENIERÍA EN NETWORKING Y TELECOMUNICACIONES
___________________________
Ing. Luis Espín Pazmiño M.Sc
PROFESOR REVISOR DEL
ÁREA - TRIBUNAL
__________________________________
Ing. José Medina Moreira, M.Sc
PROFESOR TUTOR DEL PROYECTO
DE TITULACIÓN
_____________________
Ab. Juan Chávez Atocha, Esp.
SECRETARIO DE LA FACULTAD
VII
DECLARACIÓN EXPRESA
“La responsabilidad del contenido de este
Proyecto de titulación, me corresponden
exclusivamente; y el patrimonio intelectual
de la misma a la UNIVERSIDAD DE
GUAYAQUIL”
CUENCA MOGRO ELIANA MARÍA
VIII
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMATICAS Y FISICAS
CARRERA DE INGENIERIA EN NETWORKING Y
TELECOMUNICACIONES
INVESTIGACIÓN Y ANÁLISIS DE SISTEMAS DE
RECOMENDACIONES BASADOS EN REGLAS Y
FUZZY PARA EL CONTROL DE LA DIABETES
SOBRE ARTÍCULOS CIENTÍFICOS Y
SISTEMAS EXISTENTES
Proyecto de titulación que se presenta como requisito para optar por el título de
INGENIERO EN NETWORKING Y TELECOMUNICACIONES
Autor/a: CUENCA MOGRO ELIANA MARÍA
C.I: 0931088652
Tutor: ING. JOSE MEDINA MOREIRA, MS.c
Guayaquil, 05 de abril del 2019
IX
CERTIFICADO DE ACEPTACIÓN DEL TUTOR
En mi calidad de Tutor del proyecto de titulación, nombrado por el Consejo
Directivo de la Facultad de Ciencias Matemáticas y Físicas de la Universidad
de Guayaquil.
CERTIFICO:
Que he analizado el Proyecto de Titulación presentado por la
estudiante CUENCA MOGRO ELIANA MARÍA, como requisito previo para
optar por el título de Ingeniero en Networking y Telecomunicaciones cuyo
título es:
“INVESTIGACIÓN Y ANÁLISIS DE SISTEMAS DE RECOMENDACIONES
BASADOS EN REGLAS Y FUZZY PARA EL CONTROL DE LA DIABETES
SOBRE ARTÍCULOS CIENTÍFICOS Y SISTEMAS EXISTENTES”
Considero aprobado el trabajo en su totalidad.
Presentado por:
Cuenca Mogro Eliana María 0931088652
Tutor: ING JOSE MEDINA MOREIRA, MS.c.
Guayaquil, 05 de abril del 2019
X
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMATICAS Y FISICAS
CARRERA DE INGENIERIA EN NETWORKING Y
TELECOMUNICACIONES
Autorización para Publicación de Proyecto de Titulación en Formato Digital
1. Identificación del Proyecto de Titulación
Nombre Alumno: Eliana María Cuenca Mogro
Dirección: Los Esteros Mz. 16 A-1 Villa 42
Teléfono: 0980978005 E-mail: eliana.cuencam@ug.edu.ec
Facultad: Ciencias Matemáticas y Físicas
Carrera: Ingeniería en Networking y Telecomunicaciones
Proyecto al que opta: Ingeniero en Netwoking y Telecomunicaciones
Profesor guía: Ing. José Medina Moreira MS.c.
Título del Proyecto de titulación: “Investigación y análisis de sistemas de
recomendaciones basados en reglas y fuzzy para el control de la diabetes sobre
artículos científicos y sistemas existentes”
XI
Tema del Proyecto de Titulación: Análisis de Sistemas de Recomendaciones
para el control de la Diabetes.
2. Autorización de Publicación de Versión Electrónica del Proyecto
de Titulación
A través de este medio autorizo a la Biblioteca de la Universidad de Guayaquil
y a la Facultad de Ciencias Matemáticas y Físicas a publicar la versión
electrónica de este Proyecto de Titulación.
Publicación electrónica:
Inmediata X Después de 1 año
Firma Alumno:
_______________________________
Cuenca Mogro Eliana María
XII
3. Forma de envío:
El texto del proyecto de titulación debe ser enviado en formato Word, como
archivo .Doc. O .RTF y Puf para PC. Las imágenes que la acompañen pueden
ser: .gif, .jpg o .TIFF.
DVDROM
X CDROM
XIII
INDICE
APROBACION DEL TUTOR ..................................................................................................... III
DEDICATORIA ........................................................................................................................ IV
AGRADECIMIENTO ................................................................................................................. V
TRIBUNAL PROYECTO DE TITULACIÓN ................................................................................. VI
DECLARACIÓN EXPRESA ....................................................................................................... VII
CERTIFICADO DE ACEPTACIÓN DEL TUTOR .......................................................................... IX
INDICE ................................................................................................................................. XIII
ABREVIATURAS ................................................................................................................... XV
ÍNDICE DE CUADROS .......................................................................................................... XVI
ÍNDICE DE GRÁFICOS ........................................................................................................ XVII
INTRODUCCIÓN ..................................................................................................................... 1
CAPITULO I ............................................................................................................................. 4
EL PROBLEMA ........................................................................................................................ 4
PLANTEAMIENTO DEL PROBLEMA ......................................................................................... 4
SITUACIÓN CONFLICTO NUDOS CRÍTICOS ............................................................................. 7
CAUSAS Y CONSECUENCIAS DEL PROBLEMA ......................................................................... 9
DELIMITACIÓN DEL PROBLEMA ............................................................................................. 9
FORMULACIÓN DEL PROBLEMA .......................................................................................... 10
EVALUACIÓN DEL PROBLEMA .............................................................................................. 10
OBJETIVOS DE LA INVESTIGACIÓN ....................................................................................... 11
ALCANCES DEL PROBLEMA .................................................................................................. 12
JUSTIFICACION E IMPORTANCIA .......................................................................................... 12
UTILIDAD PRÁCTICA DE LA INVESTIGACIÓN ........................................................................ 13
METODOLOGÍA DEL PROYECTO ........................................................................................... 13
XIV
CAPÍTULO II .......................................................................................................................... 15
MARCO TEÓRICO ................................................................................................................. 15
ANTECEDENTES DEL ESTUDIO ............................................................................................. 15
FUNDAMENTACIÓN TEÓRICA .............................................................................................. 18
SISTEMAS DE RECOMENDACIONES ..................................................................................... 18
SISTEMAS DE RECOMENDACIONES BASADOS EN REGLAS .................................................. 38
SISTEMAS DE LÓGICA DIFUSA (FUZZY) ................................................................................ 41
FUNDAMENTACIÓN LEGAL .................................................................................................. 44
CAPITULO III ......................................................................................................................... 56
METODOLOGÍA DE LA INVESTIGACIÓN ............................................................................... 56
DISEÑO DE LA INVESTIGACIÓN ............................................................................................ 56
OPERACIONALIZACIÓN DE LAS VARIABLES .......................................................................... 63
INSTRUMENTOS DE RECOLECCIÓN DE DATOS .................................................................... 64
Entrevista ....................................................................................................... 64
PROCEDIMIENTO DE LA INVESTIGACIÓN ............................................................................ 65
RECOLECCIÓN DE LA INFORMACIÓN ................................................................................... 66
PROCESAMIENTO Y ANÁLISIS .............................................................................................. 67
CAPITULO IV ......................................................................................................................... 83
RESULTADOS CONCLUSIONES Y RECOMENDACIONES ........................................................ 83
RESULTADOS ........................................................................................................................ 83
CONCLUSIONES .................................................................................................................... 87
RECOMENDACIONES ........................................................................................................... 89
BIBLIOGRAFÍA ...................................................................................................................... 91
ANEXOS ................................................................................................................................ 95
XV
ABREVIATURAS
T1DM Diabetes Mellitus Tipo 1
T2DM Diabetes Mellitus Tipo 2
GDM Diabetes Gestacional
RS Sistema de recomendaciones
FC Filtrado Colaborativo
BC Filtrado Basado en contenido
XVI
ÍNDICE DE CUADROS
Cuadro 1 Causas y Consecuencias del problema ............................................ 9
Cuadro 2 Delimitación del problema ................................................................. 9
Cuadro 3 Búsquedas realizadas en las base bibliográfica SCOPUS ............. 57
Cuadro 4 Búsquedas realizadas en las base bibliográfica ScienceDirect ....... 58
Cuadro 5 Búsquedas realizadas en las base bibliográfica Scielo ................... 58
Cuadro 6 Parámetros para descartar registros ............................................... 59
Cuadro 7 Diagrama de flujo de las fases del proceso de la revisión sistemática
........................................................................................................................ 61
Cuadro 8 Cantidad de artículos seleccionados y descartados ....................... 62
Cuadro 9 Operacionalización de las variables ................................................ 63
Cuadro 10 Análisis de los resultados de la pregunta 1 ................................... 73
Cuadro 11 Análisis de los resultados de la pregunta 2 ................................... 74
Cuadro 12 Análisis de los resultados de la pregunta 3 ................................... 75
Cuadro 13 Análisis de los resultados de la pregunta 4 ................................... 76
Cuadro 14 Análisis de los resultados de la pregunta 5 ................................... 78
Cuadro 15 Análisis de los resultados de la pregunta 6 ................................... 79
Cuadro 16 Análisis de los resultados de la pregunta 7 ................................... 80
Cuadro 17 Análisis de los resultados de la pregunta 8 ................................... 81
XVII
ÍNDICE DE GRÁFICOS
Figura 1 Estructura básica de un sistema de recomendación ........................ 20
Figura 2 Esquema de un sistema de recomendación basado en contenido ... 26
Figura 3 Esquema de un sistema de recomendación basado en filtrado ........ 27
Figura 4 Funcionamiento de los sistemas de recomendaciones .................... 30
Figura 5 Fases del proceso de recomendación .............................................. 31
Figura 6 Algoritmo de K vecinos más cercanos .............................................. 34
Figura 7 Algoritmo de árbol de decisiones ...................................................... 36
Figura 8 Algoritmo de agrupación de k-medias .............................................. 38
Figura 9 Diagrama de bloques de un sistema difuso ...................................... 43
Figura 10 Gráfico de los resultados de la pregunta 1 ..................................... 74
Figura 11 Gráfico de los resultados de la pregunta 2 ..................................... 75
Figura 12 Gráfico de los resultados de la pregunta 3 ..................................... 76
Figura 13 Gráfico de los resultados de la pregunta 4 ..................................... 77
Figura 14 Gráfico de los resultados de la pregunta 5 ..................................... 78
Figura 15 Gráfico de los resultados de la pregunta 6 ..................................... 79
Figura 16 Gráfico de los resultados de la pregunta 7 ..................................... 80
Figura 17 Gráfico de los resultados de la pregunta 8 ..................................... 82
XVIII
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMATICAS Y FISICAS CARRERA DE
INGENIERIA EN NETWORKING Y TELECOMUNICACIONES
INVESTIGACIÓN Y ANÁLISIS DE SISTEMAS DE RECOMENDACIONES
BASADOS EN REGLAS Y FUZZY PARA EL CONTROL DE LA
DIABETES SOBRE ARTÍCULOS CIENTÍFICOS Y
SISTEMAS EXISTENTES
Autor: Eliana Cuenca Mogro
Tutor: Ing. José Medina Moreira MS.c
Resumen
La diabetes es una enfermedad crónica que afecta a gran cantidad de la
población al rededor del mundo, es importante que las personas que
padezcan de esta enfermedad estén correctamente informadas sobre ella
para poder llevar un mejor control de ésta. Debido a la gran cantidad de
información existente actualmente en internet la búsqueda de información
valiosa y precisa a las necesidades del usuario se vuelve una tarea difícil, los
sistemas de recomendaciones son herramientas de software que pretenden
brindar apoyo a los pacientes y médicos filtrando la información disponible y
entregando recomendaciones personalizadas. Los sistemas de
recomendaciones basados en reglas y fuzzy pretenden ofrecer a los pacientes
con diabetes: recomendaciones fiables que se adapten a sus perfiles y los
ayuden al control de su enfermedad, y brindar a los médicos apoyo a la toma
de decisiones en el tratamiento de sus pacientes.
Palabras clave: sistemas de recomendaciones, basados en reglas, fuzzy,
diabetes, e Salud.
XIX
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMATICAS Y FISICAS CARRERA DE
INGENIERIA EN NETWORKING Y TELECOMUNICACIONES
INVESTIGACIÓN Y ANÁLISIS DE SISTEMAS DE RECOMENDACIONES
BASADOS EN REGLAS Y FUZZY PARA EL CONTROL DE LA
DIABETES SOBRE ARTÍCULOS CIENTÍFICOS Y
SISTEMAS EXISTENTES
Autor: Eliana Cuenca Mogro
Tutor: Ing. José Medina Moreira MS.c
Abstract
Diabetes is a chronic disease that affects a large number of population around
the world, it is important that people who suffer this illness is informed about it
to be able to carry out a better control of it. Because there is a large amount of
information on internet, the search for valuable and accurate information can
be a difficult task, recommender systems are software tools that provide
support to patients and doctors by filtering available information and give
personalized recommendations. Rule-Based Recommendation systems and
fuzzy aimed to offer patients with diabetes reliable recommendations that fit
their profiles and help control their disease and provide doctors with support for
decision-making in the treatment of their patients.
Keywords: Recommender systems, rule-base recommender systems, fuzzy,
diabetes, e-health.
1
INTRODUCCIÓN
Las Tecnologías de la información y comunicación (TIC) tienen el
objetivo de ayudar al desarrollo de la sociedad aportando herramientas útiles
que permitan dar solución a los problemas y mejorar la vida en general,
abarcando todos los aspectos del ser humano, por tal motivo es que la
interrelación entre la medicina y la tecnología es relevante. Constantemente
se realizan estudios e investigaciones sobre avances tecnológicos cuyo fin
es mejorar la calidad de vida de las personas en cuanto a su salud, un
aspecto muy importante es el estudio de tecnologías que ayudan a mejorar
diagnósticos, tratamiento, control y seguimiento de las enfermedades
beneficiando tanto a médicos como pacientes teniendo en especial
consideración a enfermedades que generan alto impacto a nivel mundial
como lo es la diabetes, por ejemplo.
La diabetes es una enfermedad crónica, se produce cuando el cuerpo
no genera insulina (diabetes tipo 1) o si es producida no es asimilada
correctamente por organismo (diabetes tipo 2). Esta enfermedad es padecida
por millones de personas en todo el mundo, de hecho, la Organización
Mundial de la Salud informa que en el año 2015 unos 1,6 Millones de
personas fueron víctimas de la diabetes. Se llama prediabetes cuando una
persona tiene altas posibilidades de padecer de la enfermedad, pero si es
controlada a tiempo puede evitar que esta se desarrolle, la diabetes
gestacional (GDM) se presenta cuando existe un nivel de hiperglucemia
(glucemia alta en la sangre) durante el periodo de embarazo. Parte del
tratamiento de la enfermedad es llevar una dieta saludable adecuada
acompañada de actividad física, se implementan también diferentes tipos de
fármacos según sea el caso del paciente y si es requerido, la administración
de insulina (obligatoria en la diabetes tipo 1).
En la web existen sinnúmeros de sitios que proveen información
acerca de la enfermedad, así como de la prevención, control y tratamiento de
2
esta, información que está accesible a las personas que padecen de la
enfermedad y a sus familiares, pero como tanta cantidad de información a
veces las personas pueden abrumarse, perderse, llegar a fuentes que no son
del todo confiable o basarse en casos que no son acordes a su situación en
particular. Mantenerse actualizados con información verídica y útil para cada
paciente es de suma importancia a la hora de llevar el tratamiento de su
enfermedad, los pacientes muchas veces tienen a ampliar su conocimiento
sobre la enfermedad más allá de lo que su médico les dice y buscan
encontrar recomendaciones que les permitan mantener el control de su
enfermedad y les facilite a llevar una vida lo más normal posible.
Los sistemas de recomendaciones se vienen estudiando desde los
años 70‟ y son tecnologías que ayudan a filtrar dentro de un gran contenido
de información y brindar las recomendaciones lo más certeras posibles al
gusto y conveniencia del usuario utilizando el historial del mismo usuario
sobre un tema (o ítem) especifico o comparando a otros usuarios con gustos
a fines. Esta tecnología ha abordado diversos campos para ofrecer sus
ventajas al ser humano, uno de ellos es el campo de la medicina donde
pretende proporcionar un apoyo a los médicos a la hora de tomar decisiones
clínicas, y a los pacientes ofreciéndoles recomendaciones personalizadas a
su caso en particular.
Para el control de la diabetes se han realizado estudios y se
implementan sistemas de recomendaciones para ofrecer recomendaciones
en cuanto a dietas y actividades físicas, incluso existen aplicaciones que
informan al médico si es necesario revisar y realizar un cambio en el
tratamiento médico. Otro uso importante de los sistemas de
recomendaciones que benefician a los pacientes es ofrecerles información
confiable y acorde a su perfil como usuario. El presente proyecto pretende
proveer de una base de información sobre los sistemas de recomendaciones
y sobre su implementación para el control de la diabetes, basado en artículos
científicos y aplicaciones existentes.
En el Capítulo I se relata la problemática del estudio, provee de una
visión sobre la situación conflicto, así como delimitación del problema, sus
3
causas y consecuencias, la evaluación del problema, los objetivos de la
investigación, su importancia y justificación, su utilidad práctica, la
metodología utilizada y los beneficiarios de la investigación.
En el Capítulo II es el marco teórico de la investigación, se abordan
los antecedentes del estudio de la diabetes y de los sistemas de
recomendaciones basados en reglas y fuzzy, la fundamentación teórica y
legal de este estudio.
En el Capítulo III se redacta la metodología utilizada en este proyecto,
las técnicas para la recopilación de la información, los instrumentos utilizados
y el análisis de los resultados de estos.
El Capítulo IV presenta los resultados de la investigación, el análisis
de las principales aplicaciones móviles existentes para el control de la
diabetes, las conclusiones y recomendaciones del estudio.
4
CAPITULO I
EL PROBLEMA
La tecnología nace con el fin de proveer herramientas que ayuden y
faciliten las labores del ser humano en distintos ámbitos en los que esta
puede ser aplicada. Por otra parte, la web posee una cantidad exorbitante de
información que está en constante aumento y a la que gran mayoría de
personas, tiene acceso a ella sin muchas veces considerar si dicha
información a la que están accediendo es válida y confiable. La ciencia de la
tecnología ha ofrecido herramientas de apoyo al campo de la medicina que
permiten a tanto expertos como pacientes brindarles una manera de filtrar
entre toda la información existente para ofrecer recomendaciones
personalizadas, esto se consigue mediante los sistemas de
recomendaciones. Es capítulo abarcará el problema existente y la
importancia de realizar el presente proyecto.
PLANTEAMIENTO DEL PROBLEMA
Ubicación del problema en un contexto
Debido al constante incremento y evolución de la tecnología a gran
velocidad, existe un escaso conocimiento por parte de médicos y sus
pacientes sobre las ventajas y beneficios que brindan el uso de herramientas
tecnológicas para el control de enfermedades, haciendo que estas no sean
debidamente implementadas como apoyo en el tratamiento de enfermedades
comunes, para el control y tratamiento de la diabetes existen diferentes
aplicaciones que pueden resultarle útiles a las personas que conviven con la
enfermedad pero que no se están aprovechando.
5
La diabetes mellitus es una enfermedad crónica donde el cuerpo no
produce la hormona llamada insulina o la que produce no es utilizada
correctamente haciendo que exista un elevado nivel de azúcar en la sangre
lo cual puede llegar a ser muy perjudicial para la salud si no es tratada
debidamente. Mathers y Loncar informan que según la OMS (Organización
mundial de la salud) se tiene el registro que de más de un millón y medio de
muertes en el año 2015 fue debido a la diabetes, cifra que se tiene
proyectado pueda ir en aumento con el pasar de los años (Mathers & Loncar,
2006). Es por esto por lo que mucha gente que padece de la enfermedad, es
propensa a padecerla o incluso si tiene familiares que la padecen utilizan la
web para buscar información pertinente a la prevención, cuidado y
tratamiento de esta ya sea para despejar dudas, para afrontar la enfermedad
sin completo desconocimiento o buscar posibles soluciones que los puedan
llevar a lidiar con ella.
En la actualidad existe gran cantidad de información en la web
referente a casi cualquier tema, cada día podemos encontrar nuevos
estudios, artículos, blogs o curiosidades y el campo de la medicina no es la
excepción. Teniendo tanta información proviniendo de numerosas fuentes a
veces puede ser abrumador para el usuario quien no sabe qué información
tomar de referencia o constar si dicha información es verídica cuando no se
está consultando a un profesional en el tema directamente. Y aunque el
médico le proporcione la información que necesite y despeje las dudas
pertinentes, los pacientes muchas veces van olvidando la información que se
les ofreció con el pasar del tiempo. También existe el escenario donde la
información está descrita de manera técnica lo que puede causar confusión
para el usuario que quiere recién aprender o consultar sobre algún tópico
que desconoce o conoce poco.
Siendo la diabetes una enfermedad que afecta a muchas personas en
todos lados del mundo, la información existente en la red muchas veces
busca instruir, ayudar y despejar dudas sobre la prevención, el control y el
6
tratamiento de esta, pero es tan amplia y variante, además si a esto le
sumamos que las personas en ocasiones no tienen claro como buscar la
información necesitada, se genera el problema de acceder a información
incorrecta o incompleta para su caso en particular. Debemos recordar que
cada paciente es un caso distinto y que su manera de lidiar con la
enfermedad no siempre es la misma que la del caso expuesto en internet.
Con el objetivo de facilitar la obtención de información óptima y
pertinente nacen los sistemas de recomendaciones, como lo indican
Isinkaye, Folajimi y Ojokoh los sistemas de recomendaciones son “sistemas
de filtrado de información que se ocupan del problema de la sobrecarga de
información filtrando una parte de ella generada dinámicamente de acuerdo
con las preferencias, intereses o comportamiento observado del usuario
sobre un artículo” (F.O. Isinkaye, Y.O. Folajimi, & B.A. Ojokoh, 2015). Estos
sistemas se encargan de tomar parámetros o vectores para validar la
información y filtrar el contenido, de esta manera obtener resultados más
exactos y acordes a las necesidades del usuario que lo utiliza.
Actualmente se recurren mayormente a medios digitales para acceder
a la información y es mediante la tecnología, y el avance que esta ha tenido,
que se pretende que el proceso sea lo más intuitivo y preciso posible sin
llevar tiempo de más al momento de elegir que datos le son útiles y cuales
descartar, los sistemas de recomendaciones proveen de esa ayuda a los
usuarios y están siendo cada vez más implementados en distintos ámbitos
científicos. Rashid en su texto sobre interfaz de usuarios inteligentes
expresa: “los sistemas de recomendación se han convertido en recursos
valiosos para los usuarios que investigan formas inteligentes de buscar a
través del enorme volumen de información disponible para ellos”(Rashid et
al., 2002)
Otro uso de los sistemas de recomendaciones dentro del campo de la
medicina se encuentra mediante los llamados sistemas de recomendaciones
para la toma de decisiones clínicas (CDSS), estas son herramientas que
pretenden brindar una serie de recomendaciones que se ajusten a las
7
características del usuario y que crean que son de su interés, los CDSS
“pueden ayudar a los clínicos con la inspección de los datos de monitoreo,
proporcionando un análisis preliminar para facilitar su interpretación y reducir
el tiempo de evaluación por paciente.”(Caballero-Ruiz et al., 2017). Y como
se mencionó anteriormente es indispensable llevar un control continuo de la
enfermedad junto con el experto para evitar daños a largo plazo, un CDSS
facilitaría mucho dicha tarea tanto para el medico como para el paciente.
Los sistemas de recomendaciones implementan reglas que utilizan
como parte de su base de conocimiento, mediante estas reglas comienzan a
filtrar la información y a tomar decisiones que los lleven a realizar
predicciones y ofrecer recomendaciones personalizadas a los usuarios.
Generalmente las reglas que contienen estos sistemas se rigen por la lógica
tradicional (si – no, verdadero – falso, etc.) y junto con algoritmos propios de
la minería de datos buscan que la máquina razone, tome decisiones y
aprenda de ellas, lo más parecido posible a como lo haría un ser humano.
Pero se tiene en cuenta que el humano no razona usando la lógica binaria,
por ejemplo, la temperatura no es solo fría o caliente también existen valores
intermedios como templada, tibia, etc. Es decir, las personas utilizan
incertidumbre en su razonamiento teniendo así toda una escala de posibles
opciones no solo las opciones extremas, es así como nace la lógica difusa
(fuzzy), esta pretende que la máquina tome en consideración valores
existentes entre un intervalo de [0-1] con el fin de que el razonamiento que
se realice sea lo más parecido posible al del ser humano.
SITUACIÓN CONFLICTO NUDOS CRÍTICOS
Según el Instituto Nacional de Estadística y Censos (INEC) la
diabetes es la enfermedad genera mayor cantidad de muertes a nivel
mundial solo por debajo de las enfermedades isquémicas del corazón(INEC,
2017). Muchos síntomas pueden presentarse sin que la persona los
relacione a la enfermedad y por ende no tome las debidas precauciones y
cuidados que se necesiten, ya sea por falta o escasos conocimientos sobre
la enfermedad o por obtención de información errónea dentro de la web, ya
8
que en ella existen millones de páginas y fuentes que mencionan la
enfermedad pero no siempre son fuentes confiables o verídicas, la persona
que busca de esta información puede caer en presunciones erróneas, el
mayor ejemplo son los “mitos sobre la diabetes”, esto ocasiona que las
personas lleven de manera incorrecta su prevención e inclusive su control de
la enfermedad.
Debido a la extensa cantidad de información y a la necesidad que
existe de que las personas tengan la posibilidad de acceder a ella de forma
rápida y correcta es que el análisis sobre el estudio y evolución de los
sistemas de recomendaciones es pertinente para el campo de estudio de las
tecnologías de la información y que estos sean aplicados a las diferentes
áreas como lo es la medicina
La diabetes es una enfermedad que no tiene cura y su tratamiento se
lleva a cabo durante toda la vida del paciente (para los casos de T1DM y
T2DM), el obligatorio llevar este control de forma regular junto con el médico,
es decir, realizar exámenes y consultas con su doctor de manera regular
según sea el caso del paciente. En ocasiones existe el caso en que el
paciente no acude a la consulta médica o pospone la misma por diferentes
razones, haciendo que el control de su enfermedad y el tratamiento no sea
regular y puede llegar a ser riesgoso para el paciente.
Utilizar una tecnología como herramienta que ayude al paciente a
mantener un registro de su estado y que le brinde recomendaciones
personalizadas según su caso puede llegar a ser de gran ayuda a llevar
mejor el control de su tratamiento, a su vez favorece al médico ya que le
provee un seguimiento en la historia clínica de sus pacientes, ahorrándoles
incluso tiempo en la atención del paciente sin quitarle la veracidad y calidad
de esta.
9
CAUSAS Y CONSECUENCIAS DEL PROBLEMA
Cuadro 1 Causas y Consecuencias del problema
CAUSAS CONSECUENCIAS
Extensa cantidad de
información en la web
disponible para cualquier
usuario.
La información que se obtiene no siempre
es verídica y necesaria para el usuario y
puede causarle confusión.
Información generalizada
sobre prevención y
tratamiento de la diabetes.
Cada paciente es un caso diferente y
puede utilizar información que no es apta
para su situación en particular.
Poca adherencia al
tratamiento para el control de
la diabetes.
Evolución de la enfermedad puede
tornarse en estado crítico.
Elaborado por: Eliana María Cuenca Mogro
Fuente: Datos de la investigación
DELIMITACIÓN DEL PROBLEMA
Cuadro 2 Delimitación del problema
Campo: eSalud
Área: Networking y Telecomunicaciones
Aspecto: Tecnologías de la Información
Tema:
Investigación y análisis de sistemas de recomendaciones
basados en reglas y fuzzy para el control de la diabetes sobre
artículos científicos y sistemas existentes
10
Elaborado por: Eliana María Cuenca Mogro
Fuente: Datos de la investigación
La investigación realizada para este trabajo de titulación es dirigida en
el campo de la e-Salud, el cual hace uso del sector de Networking y
telecomunicaciones para implementar herramientas de tecnologías de la
información en el sector de medicina, realizando investigación y analizando
los sistemas de recomendaciones basados en reglas y fuzzy para el control
de la diabetes basándose en artículos científicos y sistemas existentes.
FORMULACIÓN DEL PROBLEMA
¿Existe suficiente evidencia científica de sistemas de recomendaciones
basados en reglas y fuzzy sobre el control y tratamiento de la diabetes?
EVALUACIÓN DEL PROBLEMA
Delimitado: Se tomarán en consideración el estudio y análisis de los
sistemas de recomendaciones basados en reglas y fuzzy implementados
para el control y tratamiento de la diabetes.
Claro: La investigación y el análisis de los sistemas de recomendaciones
para el control de la diabetes se realiza tomando artículos científicos y
sistemas existentes, exponiendo datos y características relevantes de los
sistemas de recomendaciones.
Evidente: Realizar un análisis permite conocer el funcionamiento y
características de los sistemas de recomendaciones basados en reglas y
fuzzy para el control de la diabetes exponiendo así los beneficios en la
implementación de estas tecnologías.
Concreto: El uso de los sistemas de recomendaciones basados en reglas y
11
fuzzy proveen beneficios tanto para los pacientes permitiendo obtener
información relacionada a la prevención, control y tratamiento de manera
más precisa para el caso de cada paciente, así como proporcionar apoyo a
los médicos en la toma de decisiones sobre el tratamiento de la enfermedad.
Relevante: La tecnología cada vez está tomando mayor relevancia en el
ámbito de la medicina, aportando nuevos avances que favorecen al bienestar
y la salud de la sociedad. Es importante realizar investigaciones y análisis en
la aplicación de la tecnología en enfermedades que tienen gran impacto en
nuestro país y afectan a gran cantidad de ciudadanos como lo es la diabetes.
Original: Existen en la bibliografía trabajos relacionados al estudio y análisis
de los sistemas de recomendaciones basados en reglas y fuzzy, pero
aplicados en otras áreas de la ciencia y con enfoques diferentes por lo que el
tema de investigación es auténtico.
OBJETIVOS DE LA INVESTIGACIÓN
OBJETIVO GENERAL
Analizar los sistemas de recomendaciones basados en reglas y fuzzy para el
control de la diabetes sobre artículos científicos y sistemas existentes.
OBJETIVOS ESPECÍFICOS
Analizar artículos científicos relevantes de sistemas de
recomendaciones para el tratamiento de la diabetes.
Analizar los sistemas de recomendaciones que implementen sistemas
de reglas y fuzzy para tratamiento de la diabetes.
Comparar las principales aplicaciones existentes para el control de la
diabetes.
12
ALCANCES DEL PROBLEMA
En el estudio del proyecto se utiliza el proceso de la metodología
de revisión sistemática para realizar un análisis sobre los sistemas de
recomendaciones existentes basados en reglas y fuzzy tomando como
fuentes tres bases de conocimiento para investigar los diferentes artículos
científicos actuales en los últimos cinco años que se relacionen al tema de
la diabetes. Se limita a tomar aquellos artículos que se encuentren
disponibles de forma gratuita, para presentar como resultado la debida
respuesta planteada como la formulación del problema. Aportando las
respectivas conclusiones y recomendaciones para futuros estudios.
JUSTIFICACION E IMPORTANCIA
El presente proyecto pretende proporcionar una base de información
acerca de los sistemas de recomendaciones y su utilidad en el área de la
medicina. Realizar un estudio sobre los sistemas de recomendaciones nos
permite tener conocimiento sobre las nuevas tendencias tecnológicas en el
tratamiento de la diabetes, con la finalidad de entender el contexto actual de
los avances tecnológicos existente en esta área, poder realizar mejoras y
presentar propuestas para futuros estudios.
La tecnología y el área de inteligencia artificial (AI) abarca varios
ámbitos en la vida del ser humano, con el fin de proporcionarles mejoras y
ayudas en las labores cotidianas, optimizando procesos con resultados
altamente satisfactorios. En la medicina, la AI pretende extender el
conocimiento de los expertos, ayudar a las personas acceder a la
información verídica y útil de una manera rápida y confiable.
Profesionales en el área de la medicina reconocen la importancia y los
beneficios que la tecnología les provee para el desarrollo de sus profesiones
la cual hoy en día es indispensable, se benefician de ella para obtener
información actual sobre el campo de la ciencia pertinentes a su profesión,
tarea que hace algunos años era más complicada ya que podían acceder a
la información de manera física y a veces desactualizada mientras que hoy
13
en día gracias a internet y las herramientas electrónicas acceder a la
información de última hora es demasiado sencillo, pero también están
conscientes de que así como existe información de punta, útil y confiable, se
encuentra en la web información que puede estar errónea, desactualizada y
confusa de todo tipo. Creando así una preocupación de que sus pacientes o
familiares de estos tomen esa información como cierta.
Implementar un sistema de recomendaciones para el control y
tratamiento de la diabetes brinda a los pacientes una ayuda fidedigna sobre
la información a la que pueden acceder y ofrece recomendaciones
personalizadas para cada paciente, y a los expertos estos sistemas de
recomendaciones les beneficiarían en la obtención de la información de
manera ágil, por ende, les permitirían brindarles a sus pacientes las mejores
prácticas y tratamientos que los favorezcan.
UTILIDAD PRÁCTICA DE LA INVESTIGACIÓN
La investigación realizada en este proyecto permitirá la obtención de
información clara, precisa y concreta sobre los sistemas de
recomendaciones, los tipos de sistemas que existen, describiendo su
funcionalidad, características y beneficios. Se realizará el análisis basándose
en los artículos científicos publicados en los últimos años que tengan
relación con sistemas expertos basados en reglas y lógica difusa utilizados
en el área de la medicina, y mostrará la utilidad en la implementación de
dichos sistemas de recomendaciones para el control de la diabetes.
METODOLOGÍA DEL PROYECTO
Para el presente estudio se realizará investigación bibliográfica, se
acudirá a textos bibliográficos y a diferentes autores para explicar los
diferentes conceptos pertinentes a la investigación. Adicionalmente se
utilizará la metodología aplicada en revisión sistemática ya que esta permite
resumir toda la información existente sobre un tema a tratar, en este
14
proyecto se tomarán todos los artículos científicos referentes a los sistemas
de recomendaciones implementados para el control de la diabetes
publicados en los últimos años.
15
CAPÍTULO II
MARCO TEÓRICO
Día a día gran cantidad de datos son agregados a internet y gracias a
dispositivos tecnológicos (como computadoras o smartphones) es más
sencillo que los usuarios puedan acceder a ellos, el uso de un sistema de
recomendación sirve como herramienta de apoyo tanto para médicos como
para pacientes de diabetes ya que les permite obtener la información más
oportuna entre la inmensidad de contenido que se encuentra en internet
además les ofrece recomendaciones personalizadas de acuerdo al perfil del
paciente y a las necesidades del mismo para llevar un mejor control de su
enfermedad.
ANTECEDENTES DEL ESTUDIO
El estudio de los sistemas de recomendaciones es un área que ha
tomado gran importancia desde mediados de los 1990 con los primeros
trabajos investigativos publicados acerca de filtrado colaborativo
(Adomavicius & Tuzhilin, 2005) el uso y desarrollo de los sistemas de
recomendaciones se han extendido a diferentes áreas debido a la utilidad
que le brindan a los usuarios el poder lidiar con gran cantidad de información
y proveerles recomendaciones personalizadas y contenido específico para el
requerimiento de cada usuario.
López reconoce el fuerte impacto que han tenido los sistemas de
recomendaciones en áreas como lo son el comercio electrónico, la medicina,
la educativa, financiera, en el entretenimiento, entre otras(López et al., 2016).
En la actualidad casi todos los usuarios de internet se han visto frente a un
sistema de recomendación de una manera u otra ya que innumerables
páginas y sitios web lo utilizan. Ejemplos más grandes del uso de sistemas
de recomendaciones son Netflix, su sistema de recomendación utiliza la
retroalimentación (feedback) de los usuarios para filtrar entre todo su
16
contenido los posibles ítems que a dicho usuario le podría interesar tomando
en cuenta lo que ha visto con anterioridad y la valoración que el usuario le ha
dado a los ítems. El método más común para obtener un feedback es el
sistema de clasificación (rating), ya sea utilizando valores numéricos o un
sistema de valoración especifico (ejemplo, método de valoración de 5
estrellas) esto ayuda tener una idea del grado de gusto o disgusto que el
usuario tiene hacia determinado ítem(Aggarwal, 2016b)
Fernández Espinoza, en el artículo para BBVA Data & Analystic
expone: “Los sistemas de recomendaciones están haciendo posible realizar
un salto desde la simple organización de la información hasta el ofrecimiento
de sugerencias o consejos personalizados de acuerdo con los gustos o
necesidades específicas de forma automatizada”(Fernández Espinosa,
2018). Utilizando una analogía, si vamos a una librería a comprar un libro
podríamos preguntar a la persona encargada en base a nuestros gustos cual
libro creería ella que nos podría interesar, o bien preguntarle a alguien con
gustos a fines a nosotros que libro nos recomendaría. Un sistema de
recomendación sería el equivalente a realizar una consulta sobre qué libro
nos recomendaría a miles de personas y filtrar las posibilidades que se
asemejen a nuestro gusto, realizar esto de manera manual es imposible pero
la meta de los sistemas de recomendaciones es que la maquina lo realice de
manera automatizada y personalizada tomando el historial del usuario o de
usuarios con gustos similares.
Los sistemas de recomendaciones están constituidos por dos
conjuntos principales: usuarios y objetos. Cada usuario escoge una cantidad
de objetos. El propósito de los sistemas de recomendaciones es analizar
esta información y ofrecer nuevos objetos a cada usuario. Cuando estamos
frente a una plataforma que incluye un sistema de recomendación y se
realiza una petición, el sistema elabora un perfil del usuario en el que
recogen las experiencias propias del usuario o de usuarios similares para
poder brindar una sugerencia de posibles objetos que al usuario le vaya a
interesar.
17
Debido al incremento continuo del Internet, se desarrolla el problema
de la sobrecarga de datos, donde es complicado encontrar la información
adecuada y relevante, mediante buscadores normales se necesita insertar
palabras claves que permitan general la búsqueda de determinado tema
siendo la misma búsqueda para cualquier usuario que utilice dicha palabra
clave, existe el caso donde el usuario desconoce las palabras claves
específicas para que se genere el resultado esperado o no tienen claro que
es lo que desean buscar, para resolver este problema nacen los sistemas de
recomendaciones los cuales no requieren de palabras claves para general
un resultado, como lo menciona Zhou et al. “usan las actividades históricas
del usuario y posibles perfiles personales para descubrir sus
preferencias”(Zhou, Lü, Liu, & Zhang, 2013) con esto pretenden generar
recomendaciones de objetos relevantes de acuerdo con los potenciales
gustos del usuario.
Los RS ayudan a las personas a tomar decisiones sugiriendo a los
usuarios objetos que tal vez tengan valor para ellos, basándose en el
conocimiento que se tiene del usuario y de los posibles objetos. Por ejemplo,
en una web para ver videos si estamos viendo videos sobre un tema
cualquiera, la página recuerda lo que estuvimos viendo y procede a
recomendar nuevos videos basándose en los que hemos visto
anteriormente.(Rashid et al., 2002)
El término Inteligencia artificial (AI) nace alrededor del año 1956 en la
famosa conferencia de Dartmouth College, es cuando los primeros estudios
relacionados empiezan a publicarse. No es hasta aproximadamente 15 años
después cuando investigadores de estas tecnologías centran su foco en una
área muy relevante para la sociedad: la medicina, naciendo así a inicios de
los años 1970 los primeros trabajos en Inteligencia artificial en medicina
(AIM)(Patel et al., 2009). Ya en la década de 1980 dentro de la American
Association for Artificial Intelligence se crea un subgrupo especializado en la
aplicación de AI en la medicina denotado como AAAI-M. Uno de los temas a
interés dentro de la AIM son los sistemas de recomendaciones para la toma
18
de decisiones clínicas que pretenden entre otras cosas minimizar la
variabilidad clínica injustificada entre proveedores o expertos y potenciar los
esfuerzos en la reducción de errores en el diagnóstico médico.(Patel et al.,
2009) estos sistemas utilizan entre otros métodos y algoritmos propios de
minería de datos como lo son las redes de creencias Bayesianos; y el
desarrollo de ontologías para apoyar el razonamiento bajo incertidumbre o
planificación compleja enfocados en un determinado dominio clínico.
FUNDAMENTACIÓN TEÓRICA
SISTEMAS DE RECOMENDACIONES
Se pueden encontrar menciones de estudios de los sistemas de
recomendaciones (RS) mucho tiempo atrás en el área de la ciencia cognitiva,
recuperación de información, teorías de previsión pero es a mediados de la
década de los 90‟ que los RS surgieron como área de investigación
independiente desde entonces han llamado la atención de investigadores
tanto para lo académico como para la industria debido a que estos ayudan a
gestionar la sobrecarga de información recopilando información de manera
autónoma y permitiendo adaptarse de manera proactiva a los intereses
particulares de los sujetos.(Chen, Chen, & Wang, 2015) Utilizados en
decisiones cotidianas como que artículo comprar en línea como en Amazon,
que video ver siguiente en YouTube o que página dar me gusta en
Facebook.
RS se han convertido en valiosos recursos para los usuarios que
buscan formas inteligentes de investigar entre el enorme volumen de
información disponible para ellos.(Rashid et al., 2002). Cuando un usuario
interactúa en un sitio web o aplicación que implemente un RS, es
considerado usuario activo, el RS procede entonces a crear un perfil del
usuario obteniendo datos sobre los objetos de interés de dicho usuario. Cada
vez que el usuario aumente su perfil con más datos de objetos de interés el
RS aprende y empieza a generar recomendaciones más precisas para dicho
usuario.
19
Los médicos, como todo profesional, se ve en la necesidad de estar
siempre al día con noticias y estudios que se realizan dentro de su área de
especialización, gracias al internet esta información puede estar al alcance
de la mano de los profesionales en poco tiempo. Pero, debido a la
demasiada información que se encuentra disponible en internet hace que el
buscar artículos o estudios de interés se convierta en una tarea difícil.
Investigadores encuentran difícil acceder y mantenerse al día en las
publicaciones más relevantes y prometedoras de temas de interés. Haruna et
al. (2017), en su trabajo sobre un RS para la búsqueda de artículos resaltan
que la manera más sencilla y común de realizar las búsquedas de
publicaciones de interés es enviando un mensaje de consulta a un buscador
en la web y esperar que muestre los resultados específicos. Sin embargo, el
resultado de realizar búsquedas de esta manera depende de que tan bueno
sea el investigador para realizar las consultas y su habilidad para seleccionar
los resultados convenientes.(Haruna, Akmar Ismail, Damiasih, Sutopo, &
Herawan, 2017)
Una alternativa que se ha propuesto es el uso de RS, los cuales
automáticamente sugieren publicaciones relevantes a los investigadores
basados en información inicial que aportan los usuarios la cual es más
elaborada que unas palabras claves. “Para proporcionar de
recomendaciones más puntuales y selectos, los RS incorporan contenido del
perfil de los usuario y la información contextual de los contenidos
consumidos”(Haruna et al., 2017). RS que ayuden a los médicos
endocrinólogos proporcionándoles recomendaciones de artículos relevantes,
actuales y confiables son de gran utilidad para el constante desarrollo de su
carrera profesional.
20
Autor: Eliana Cuenca
Fuente: Microsoft Visio
Un sistema de recomendación se puede decir que es una subclase de
un sistema de filtrado, el cual pretende predecir el grado de aceptación de un
usuario hacia determinado objeto de esa manera poder realizarle
recomendaciones a dicho usuario sobre objetos que a este le puedan
interesar. El estudio de estos surgió para resolver el problema de la
estructura de clasificación para poder generar la recomendación, como lo
mencionan Adomavicius y Tuzhilin(2015) “El problema de la recomendación
se reduce al problema de estimar las calificaciones de los elementos que no
han sido vistos por un usuario”(Adomavicius & Tuzhilin, 2005). Es decir, que
calificación le daría el usuario a un determinado objeto que no ha calificado
todavía y que objetos son los que podrían ser de más utilidad para el
usuario.
Esta utilidad del objeto se representa por la clasificación o más
conocido por su traducción al inglés: rating que el usuario le da a tal objeto,
este rating indica como tal usuario en particular le gustó tal objeto en
particular; el problema yace en que no todos los objetos poseen utilidad para
21
el usuario ya que este no los ha valorado todavía, por ejemplo en el sistema
de recomendaciones de la página web de películas MovieLens(Resnick &
Varian, 1997), se utiliza un sistema de rating numéricos del 1-5. Un usuario
registrado en la web no tendrá valoración para todas las películas existentes
en la base de datos, por lo tanto, la función del RS sería el de predecir el
rating que el usuario les daría a las películas que todavía no han sido
calificadas y proporcionar una recomendación de películas que estima
tendrán calificación alta una vez el usuario vea la película. El nuevo rating de
los objetos que no han sido calificados todavía se puede estimar utilizando
diferentes métodos de machine learning como lo son algunos algoritmos de
minería de datos, los cuales serán mencionados posteriormente.
Dentro del campo de la medicina, los RS cumplen la función de
ayudar a las decisiones de los expertos en cuanto a diagnósticos o
tratamientos de sus pacientes. Cumplen también la función de ayudar a
mejorar el estado de salud del paciente mediante las recomendaciones,
Kulev te al. describen el objetivo de los RS en el campo de la salud: “El
propósito es generar una recomendación para realizar una actividad
específica que mejore la salud del usuario, en función de su estado de salud
y el conjunto de conocimientos derivados del historial del usuario y usuarios
como él”(Kulev, Vlahu-Gjorgievska, Trajkovik, & Koceski, n.d.) En la literatura
actual podemos encontrarnos con diferentes RS enfocados a pacientes con
diabetes.
Función de los sistemas de recomendaciones
Como lo mencionan Ricci et al “se debe distinguir el papel que
cumplen los RS en función del proveedor del servicio y el del usuario del
RS”(Ricci, Rokach, & Shapira, 2011), según el punto de vista de quien se
beneficia de la implementación de un sistema de recomendación podemos
mencionar las funciones que estos RS cumplen.
22
Para el proveedor del servicio, la función general es que los usuarios
acepten las recomendaciones y escojan los objetos de interés, podemos
mencionar entonces las siguientes funciones:
- Incremento del número de ítems vendidos: está función es más
notoria cuando es aplicada al área comercial, el proveedor de servicio
espera que mediante las recomendaciones los usuarios compren más
objetos de los que comprarían sin una recomendación personalizada,
ejemplo de esto expuesto son los portales de compra en línea como
Amazon. En general, “la meta principal es aumentar el número de
usuarios que aceptan una recomendación y consumen un objeto en
comparación con los usuarios que solo navegan buscando
objetos”(Ricci et al., 2011)
- Vender objetos más diversos: Otra de las funciones es proveerle al
usuario objetos que les serían difícil de encontrar sin una
recomendación personalizada. Esta función la podemos ver en
webs de películas como Netflix, sin un sistema que recomiende
películas de acuerdo a los gustos del usuario, la web mostraría
solo películas con una característica definida para todo tipo de
usuarios, por ejemplo las más vistas, dejando otras opciones fuera
del alcance o difíciles de encontrar, “RS recomiendan el correcto
objeto para el correcto usuario” (Ricci et al., 2011).
- Incrementar la satisfacción del usuario: Si el sistema de
recomendación está bien diseñado puede mejorar la experiencia
del usuario en la web ya que este se encontrará con
recomendaciones que le son acordes a sus gustos e intereses y
por ende acepte las próximas recomendaciones que el sistema le
brinda.
- Incrementa la fidelidad del usuario: Si el usuario se encuentra con
una web que sabe recomendarle lo que le gusta y sienta que la
página “lo conoce” es más propenso a hacer uso del sistema de
recomendación proporcionándole al RS más información histórica
del usuario que le sirve para poder realizar futuras y mejores
recomendaciones.
23
- Mejor entendimiento de lo que el usuario quiere: El RS utiliza la
información que el usuario proporciona ya sea de manera explícita
o implícita sobre los objetos que dicho usuario prefiere y de esta
manera ir devolviendo cada vez mejores recomendaciones para el
usuario activo. El RS empieza aprender de todo el historial de
todos sus usuarios enriqueciendo así sus recomendaciones
futuras.
Obviamente los usuarios también poseen beneficios mediante las
funciones que pueden ofrecer los RS a ellos. “Algunos pueden considerar
estas funciones como las tareas principales que normalmente son asociadas
a los RS, es decir, ofrecer sugerencias útiles al usuario” (Ricci et al., 2011).
Entre ellas las más relevantes se encuentran:
- Encontrar buenos objetos: Los RS pueden proveer de algunos
objetos entre todos los que cree el usuario mostrará interés,
prediciendo el rating que este usuario le daría a los objetos y
mostrándoles aquellos de mayor rating. También existen RS que
puedan recomendar todos los objetos que sean pertinentes para el
usuario activo, esto se da cuando la lista de objetos es corta o la
recomendación se ha vuelto demasiado específica para el usuario.
- Recomendación de secuencia: El usuario puede estar buscando
un libro que desee leer, el RS según el historial del usuario activo
pueden proveerle toda una lista de libros que puedan ser de
interés al usuario.
- Recomendación de grupo: Un RS puede ser capaz de realizar
sugerencias de un grupo de objetos que siendo diferentes pueden
encajar entre sí y ser de interés del usuario.
- Ayudar a otros: El propósito de algunos usuarios es ayudar a otros
proporcionando información que enriquece las recomendaciones
del RS, SocialDiabetes, por ejemplo, es una aplicación móvil que
registra el estado de salud del paciente y provee recomendaciones
sobre alimentación y actividad física que podría mejorar su estado
de salud basándose en el perfil e historial de otros usuarios
similares al paciente.
24
RS para el control de la diabetes proporciona funciones y beneficios
en este caso a los médicos endocrinólogos y a los pacientes que hacen uso
del RS. DIABNET por ejemplo, es un sistema de recomendaciones
propuesto para ayudar a la planificación de la terapia de la diabetes
gestacional, “su utilidad está en ayudar a los clínicos a interpretar la gran
cantidad de datos producidos durante el mantenimiento de la
enfermedad”(Hernando, Gómez, Corcoy, & del Pozo, 2000) de esta manera
les permite ahorrar tiempo en realizar una evaluación del estado del paciente
y facilita el seguimiento del tratamiento. Así mismo ayuda a los pacientes
proporcionándoles recomendaciones sobre ajustes en el tratamiento que
pueden incluir en su dieta diaria y hasta puede recomendar si es necesario
iniciar un tratamiento de insulina (sugerencias que también son entregadas al
médico especialista para la aprobación).
Técnicas de filtrado de los sistemas de recomendaciones
RS son usualmente clasificados de acuerdo con su enfoque que utilizan para
filtrar la información y general la recomendación:
- Filtrados de contenido (FC): Su recomendación se basa en la
información que obtienen del usuario activo sobre la utilidad que
les dio a determinados objetos anteriormente. “Al usuario se le
recomendarán elementos similares a los que el usuario prefirió en
el pasado”(Adomavicius & Tuzhilin, 2005)
- Filtrado colaborativo (FC): Generan recomendaciones a usuarios
activos basándose en información que otros usuarios similares a él
tienen sobre determinados objetos. “Al usuario se le
recomendarán elementos que gustaron a personas con gustos y
preferencias similares en el pasado”(Adomavicius & Tuzhilin,
2005)
- Filtrado híbrido (FH): estos métodos combinan métodos de filtrado
de colaboración y filtrado basados en contenido.
25
Sistemas de recomendaciones basados en filtrado de contenido
Como se mencionó anteriormente el rating que el usuario le da al
objeto se puede considerar como la utilidad que este objeto tiene para el
usuario. En RS basados en contenido, dicha utilidad del objeto para un
determinado usuario es basado en las utilidades que el usuario les ha dado a
otros objetos similares al objeto no calificado. El filtrado basado en contenido
se desarrolló a partiendo de estudios de recuperado de información, la
mejora de los SR consiguió con respecto a la recuperación de información se
encuentra en el uso que se le da al perfil del usuario, este perfil contiene
información sobre los gustos, predilecciones y necesidades del usuario.
“Dicha información es obtenida tanto de manera explícita mediante datos
personales del usuario o los ratings que han hecho, así como de manera
implícita aprendida del comportamiento transaccional del usuario a través del
tiempo"(Adomavicius & Tuzhilin, 2005). De la misma manera se tiene perfil
de los objetos existentes cuya información es obtenida mediante un grupo de
atributos que caracterizan al objeto.
En este enfoque los RS el contenido que utilizan para hacer las
recomendaciones son las descripciones de los objetos, es decir atributos,
ejemplo, si el objeto es una película, sus atributos pueden ser el género, el
año, el director, los actores, etc. A esto se le suma el contenido que genera
el usuario activo mediante la información de su perfil, es decir, los ratings de
ítems que ha valorado en el pasado y atributos del usuario como tal. En RS
basados en FC, las descripciones de los objetos, los cuales están
etiquetados con ratings, son usados como datos de entrenamiento para
generar el perfil del usuario(Aggarwal, 2016a).
26
Autor: Eliana Cuenca
Fuente: Microsoft Visio
Los RS basados en filtrado de contenido analizan estas descripciones
de los objetos para identificar los objetos que son de particular interés para el
usuario activo (Van Meteren & Van Someren, 2000). Wang et al, expresan:
“El enfoque del filtrado de contenido se basa en utilizar una serie de
características discretas de los objetos con el fin de recomendar objetos
adicionales con las características similares” (Wang, Liang, Xu, Feng, &
Guan, 2018).
Sistema de recomendaciones basados en filtrado colaborativo
Usar técnicas de filtrado colaborativo ha sido ampliamente usado por
desarrolladores de RS para realizar las recomendaciones en cuanto a las
referencias que tendría un usuario activo basándose en las preferencias de
otros usuarios similares(Alian, Li, & Pandey, 2018). A diferencia del anterior
enfoque, el filtrado de colaborativo utiliza la información sobre los objetos
27
que han sido valorados por el usuario activo en el pasado y la compara con
la de otros usuarios cuya información sea similar a la del usuario activo, de
esta manera genera una recomendación sobre objetos que estos usuarios
similares hayan valorado y sean desconocidos por el usuario activo.
Figura 3 Esquema de un sistema de recomendación basado en filtrado
colaborativo
Autor: Eliana Cuenca
Fuente: Microsoft Visio
El filtrado colaborativo es una técnica utilizada para producir
recomendaciones las cuales se obtienen de la siguiente manera: dado un
dominio de elecciones (objetos), los usuarios pueden expresar sus opiniones
(ratings) sobre objetos que han probado con anterioridad. Siguiente, el RS
procede a comparar los ratings del usuario activo con los de otros usuarios y
de esta manera encontrar usuarios similares a él, y así poder ofrecer
recomendaciones de objetos que estos usuarios similares les ha gustado en
el pasado.(Rashid et al., 2002)
Las recomendaciones que son producidas por los RS basados en
filtrado colaborativo pueden ser tanto predicciones como recomendaciones.
Como predicción se presenta como un valor numérico que expresa la
calificación que el usuario podría darle a determinado objeto. Mientras que
28
como recomendación se presenta una lista de los principales objetos que el
usuario más le gustaría (F.O. Isinkaye et al., 2015).
Sistemas de recomendaciones híbridos
Existen sistemas de recomendaciones que utilizan el enfoque hibrido
combinando métodos de filtrado basado en contenido y filtrado colaborativo,
los cuales ayudan a resolver limitaciones que se pueden presentar utilizando
un solo método (Adomavicius & Tuzhilin, 2005). Burke describe los sistemas
híbridos de la siguiente manera: “Los sistemas de recomendación híbridos
combinan dos o más técnicas de recomendaciones para obtener un mejor
rendimiento con menos de los inconvenientes de cualquier sistema
individual”(Burke, 2002).
Existen diferentes maneras de combinar las dos técnicas antes
mencionadas de sistemas de recomendaciones para obtener un sistema de
recomendaciones hibrido(Adomavicius & Tuzhilin, 2005):
- Implementando los RS por separado (colaborativo y basado en
contenido) y posteriormente combinar las predicciones)
- Incorporando ciertas características del filtrado colaborativo e
implementarlas en un sistema de recomendaciones de filtrado
basado en contenido.
- Construyendo un modelo unificado con características tanto de los
sistemas de filtrado colaborativo y basados en contenido.
29
Funcionamiento de los sistemas de recomendaciones
El sistema de recomendación intenta ayudar al usuario activo a
encontrar información que este está buscando o necesite, para esto el
usuario debe proveer de cierta información al sistema de recomendación
para que este aprenda los gustos y preferencias de este y busque entre
todos los objetos aquellos que crea van a ser mejor aceptados por dicho
usuario activo. Esta información que se toma del usuario activo debería ser
simple, concisa e intuitiva para el programa, mientas más estructurada se
encuentre la información que requiera el RS, el usuario puede saturarse y
desinteresarse del uso del sistema.
Eckhardt describe que entre la relación usuario – RS, el sistema
presenta primero una lista de objetos que cree podrían interesar al usuario
activo, este puede colocarles valores a dichos objetos y de esta manera le
devuelve al sistema información la cual es tomada como retroalimentación
(feedback). Esta retroalimentación más las características de los objetos a
los que se les dio valor son usadas para crear un nuevo perfil del usuario y
así ofrecerle a este una nueva lista de objetos que han sido escogidos en
base al aprendizaje que tuvo el RS, el ciclo continua repitiéndose y el RS
sigue aprendiendo de la información que el usuario le proporciona para
poder crear estas recomendaciones cada vez más ajustadas al perfil de
este(Eckhardt, 2009).
30
Autor: Eliana Cuenca
Fuente: Various aspects of user preference learning and
recommender systems(Eckhardt, 2009)
Fases del proceso de recomendación
Como lo mencionan en el trabajo de (F.O. Isinkaye et al., 2015), se pueden
distinguir tres fases generales en el proceso para generar una
recomendación:
- Fase de recolección de información
- Fase de aprendizaje
- Fase de predicción o recomendación
31
Autor: Eliana Cuenca
Fuente: Recommendation systems: principles, methods and evaluation(F.O.
Isinkaye et al., 2015)
Fase de recolección de información
Como se mencionó en el funcionamiento de los RS, estos deben
recopilar información del usuario para poder generar el perfil de este y
brindarle una recomendación adecuada. Como lo menciona Isinkaye et al.
“Un agente de sistema no puede funcionar de manera precisa hasta que el
perfil/modelo del usuario este construido correctamente”(F.O. Isinkaye et al.,
2015). Para esto utiliza los datos históricos del usuario sobre sus
preferencias en determinados objetos, el sistema utiliza información que el
usuario genera cada vez que este le concede un valor o rating a un objeto a
esto se lo conoce como retroalimentación o feedback. Este feedback se
puede pedir al usuario de varias maneras:
- Retroalimentación explícita: esta es la más común y notoria, es la
que el RS pide directamente al usuario que genere, como lo son
los ratings que el usuario otorga a determinados objetos. Es la
manera más fiable de conseguir información verídica del usuario,
mientras más información explicita se obtenga del usuario, más
verídica es la recomendación(Chen et al., 2015).
32
- Retroalimentación implícita: El RS puede realizar inferencias
acerca de las elecciones del usuario activo basándose en el
comportamiento que esté presente frente al sistema(Herlocker,
Konstan, Terveen, & Riedl, 2004), ejemplos de retroalimentación
implícita pueden ser el tiempo que el usuario toma navegando en
una página determinada, o la cantidad de veces que el usuario
escucha determinada canción.
- Retroalimentación híbrida: el aporte que proporcionan ambas
retroalimentaciones: la implícita y la explicita se pueden combinar
para tratar lograr obtener mejor información acerca del usuario
activo y por ende realizar un óptimo perfil del mismo(Berkovsky,
Kuflik, & Ricci, 2008).
Fase de aprendizaje
En esta fase se utilizan métodos de aprendizaje para explotar la
información recolectada sobre el usuario en la anterior fase, y se procede a
encontrar las referencias a utilizar para ir seleccionando los objetos que
darán paso a la siguiente fase. Los métodos que se utilizan por lo general
son algoritmos estudiados dentro de la minería de datos, entre los más
usados se pueden clasificar en métodos supervisados y no supervisados:
- Métodos supervisados: estos métodos son desarrollados para
entrenar al algoritmo cuando los valores de los datos (de entrada)
son usados para hacer predicciones sobre los valores que se le
otorgarán a otros datos con valores conocidos (Obenshain, 2004).
Los algoritmos más comunes son los de k vecinos más cercanos
(KNN), arboles de decisiones, algoritmos bayesianos.
- Métodos no supervisados: se pueden aplicar en situaciones
similares a los supervisados, pero son mayormente
implementados cuando se entrenan para realizar predicciones a
datos de los que se desconoce sus valores (Obenshain, 2004). El
algoritmos más común utilizado es el de agrupamiento de k-
means, entre otros.
33
Fase de predicción/recomendación
En esta fase ya el RS predice que objetos podrían ser de interés del
usuario y genera la recomendación para este. “Esta recomendación se
puede basar directamente de la información recolectada en la primera fase la
cual puede ser basada en la memoria o basada en modelo, o mediante la
observación de las actividades realizadas por el usuario”(F.O. Isinkaye et al.,
2015). La precisión de la recomendación se basará en el enfoque que se le
da al sistema de recomendación (basado en contenido, colaborativo, hibrido)
y al algoritmos que se le ha implementado (métodos supervisados, no
supervisados).
Algoritmos de aprendizaje de los sistemas de recomendaciones
Algoritmo de los k vecinos más cercanos (KNN)
Más conocido por sus siglas en inglés k-NN (k nearest neighbour) y
probablemente el más utilizado de los métodos de minería de datos, es un
algoritmo de clasificación supervisado que utiliza criterios de vecindad. Se
trata de buscar el k punto más cercano (el vecino) de un dato de entrada a
partir de los registros de entrenamiento y, posteriormente asigna valores a
los datos de acuerdo a los valores que poseen los datos de los vecinos más
próximos(Ricci et al., 2011).
34
Autor: Eliana Cuenca
Fuente: Microsoft Visio
Este algoritmo se basa en distancias, y aprende de los registros
almacenados en el conjunto de entrenamiento, al ingresar nuevos datos
utilizará los datos que ya conoce para realizar la clasificación de los datos. El
procedimiento matemático que ejecuta el algoritmo se puede expresar de la
siguiente manera: dado un punto de consulta del cual queremos conocer
su clase , y teniendo un conjunto de entrenamiento *( ) ( )+,
donde es el n elemento del conjunto y es su etiqueta de clase; el k-
vecino más próximo será un sub conjunto *( ) ( )+ tal que
. entonces, contiene los k puntos en que son mas cercanos al
punto de consulta y (* +) será la clase c de q(Ricci, Rokach, &
Shapira, 2015). Las distancias que se utilizan para el encontrar a los k
vecinos se puede calcular mediante la métrica Euclidiana que viene definida
por el teorema de Pitágoras, el cual utiliza las coordinadas de dos puntos en
un espacio bidimensional para calcular la distancia que existe entre ellos, se
expresa: ( ) √( ) ( )
; también se hace uso de la
métrica de Manhattan la cual dice que la distancia entre dos puntos en un
plano bidimensional se calcula sumando las diferencias de los valores
35
absolutos de sus coordenadas, se denota por la fórmula: ( )
| | | |
Delgado et al., resaltan que aunque este algoritmo sea el más
utilizados gracias a su eficiencia y simplicidad, también presentan un
problema, expresan: “La principal dificultad de este método consiste en
determinar el valor de k, ya que si se toma un valor grande se corre el riesgo
de hacer la clasificación de acuerdo a la mayoría y no al parecido”(Delgado
Castillo, Martín Pérez, Hernández Pérez, Orozco Morález, & Lorenzo Ginori,
2001).
Algoritmo de árbol de decisiones
Es un método de clasificación utilizado en la minería de datos,
probablemente el más sencillo de implementar. Son clasificaciones de
atributos de destino (clases) presentados en la forma de una estructura de
árbol. Los objetos que se clasificarán están conformados por atributos y
valores (ratings). Los nodos que posee un árbol de decisiones pueden ser
nodos de decisiones en los que un solo valor es probado para determinar
que rama del árbol tomar; o puede ser un nodo de hoja el cual indica el valor
del atributo de destino(Ricci et al., 2011)
Gershman et al. Expresa que “la construcción de un árbol de
decisiones se realiza mediante un proceso recursivo”(Gershman et al.,
2010). El proceso inicia en el nodo raíz con el conjunto de entrenamiento
como dato de entrada, luego en cada nodo un atributo es elegido atributo de
división, por cada valor o conjunto de valores se crean nodos secundarios y
el nodo principal se divide y pasan como datos de entrada a los nodos
secundarios los valores más apropiados para estos nuevos nodos; el
proceso se sigue repitiendo hasta que todos los objetos tengan el mismo
valor del atributo de destino. La selección del atributo de división se realiza
de forma heurística, ya que no se puede saber qué división producirá el
mejor árbol.
36
Autor: Eliana Cuenca
Fuente: Microsoft Visio
Algoritmo de clasificador bayesianos
El algoritmo bayesiano brinda un marco probabilístico para resolver
problemas de clasificación. Se basa en la definición del condicional de
probabilidad y el teorema de Bayes. Se utiliza para representar la
incertidumbre acerca de las relaciones aprendidas de los datos. Se utiliza el
concepto de prior, el cual indica los atributos previos conocidos, la
probabilidad de tener tal valor para un dato posterior es proporcional al
producto de la probabilidad por la probabilidad anterior(Ricci et al., 2015)
Los métodos de clasificación bayesianos se han popularizado en la
investigación médica debido a su efectividad para realizar buenas
predicciones, dentro del área de la diabetes, el algoritmos bayesiano se
37
utilizan para predecir con precisión tratamientos para el control de la diabetes
incluso si se tienen menos datos en el conjunto de entrenamiento(Archenaa
& Anita, 2017) En Bayes, la probabilidad de una hipótesis es obtenida
multiplicando la probabilidad anterior (prior) con el valor que tengan los
nuevos datos actualizando así una nueva probabilidad la que se denomina
probabilidad posterior. Dicha probabilidad posterior luego pasa a convertirse
en la nueva probabilidad anterior y el proceso se repite.
Algoritmos de agrupación k-means
En sistemas en los que se tiene una gran cantidad de objetos a los
que se necesita clasificar la implementación de algoritmos de clasificación
como los antes mencionados puede no ser del todo eficientes ya que se
tornaría en un proceso largo y las clasificaciones podrían ser no muy
adecuadas. En estos casos se aplican métodos de agrupación los cuales, al
igual que los de clasificación, permiten calcular las distancias entre objetos
pero al realizar agrupaciones se mejora la eficiencia ya que el número de
operaciones es reducido(Ricci et al., 2011).
El algoritmo de k-means o k-medias es el método no supervisado más
sencillo y más utilizado a la hora de agrupar datos, consiste en asignar
objetos a grupos de tal manera que los objetos dentro de un grupo son
similares entre sí y distan de los objetos de los demás grupos. Este algoritmo
toma un parámetro de entrada k y lo particiona un conjunto de n objetos en k
grupos no superpuestos donde k<n. “Este método tiene el objetivo de
minimizar la suma de la distancia entre el objeto y el centroide”(Phanich,
Pholkul, & Phimoltares, 2010)
El algoritmo realiza los siguientes pasos: primero selecciona
aleatoriamente los k centroides dentro del todo el conjunto de datos, Este
centroide es la representación del valor medio de los objetos en cada
agrupación. Luego asigna los demás objetos a los centroides basándose en
su distancia a este, es decir, al centroide más cercano para así calcular de
nuevo el valor del centroide a cada grupo ya formado. Este proceso se repite
38
hasta que el valor del centroide deja de cambiar y exista una convergencia. A
continuación, se muestra el diagrama de flujo de todo el proceso expuesto:
Autor: Eliana Cuenca
Fuente: Microsoft Visio
SISTEMAS DE RECOMENDACIONES BASADOS EN
REGLAS
Dentro de las actividades cotidianas de las personas se presentan
situaciones que siendo complejas se pueden resolver mediante el uso de
reglas deterministas. Para Castillo y Gutiérrez, “Los sistemas basados en
reglas son herramientas que demuestran han sido eficientes para tratar con
39
este tipo de problemas, los sistemas expertos utilizan las reglas las
deterministas ya que son la metodología más sencilla de aplicar”(Castillo,
Gutiérrez, & Hadi, 2016). Un sistema experto utiliza las reglas para imitar el
razonamiento que los expertos utilizarían para resolver los problemas.
Las reglas utilizadas por estos sistemas expertos permiten llegar a
una conclusión y presentar una recomendación basada en ella. Estas reglas
son proposiciones lógicas que permiten relacionas dos objetos los cuales
son denominados premisa y conclusión, estas establecen relación objeto-
valor por medio de operadores lógicos and, or, not. Las reglas son del tipo
“si… entonces”, es decir que objetos de relacionarían mediante reglas “si
premisa, entonces conclusión”(Badaró, Ibañez, & Agüero, 2013).
Estructura de un sistema basado en reglas
Como lo menciona Castillo: “La base de conocimiento contiene las
variables y el conjunto de reglas que definen el problema, y el motor de
inferencia obtiene las conclusiones aplicando la lógica clásica a estas
reglas”(Castillo et al., 2016)
Base de Conocimiento
Los datos de entrada son tomados en la base de conocimiento, la
cual está formada variables y reglas; estas variables pueden ser registradas
mediante conocimiento factual, esto quiere decir, información general acerca
de un dominio específico el cual se extrae de fuentes bibliográficas; y de
conocimiento heurístico que son los conocimientos de expertos dados
mediante sus experiencias y decisiones en el dominio. Las reglas de la base
de conocimiento permiten establecer las relaciones entre las variables.
La información que es almacenada en la base de conocimiento es
estática lo que significa que no va a cambiar, esto se puede modificar
mediante el uso de elementos de aprendizaje(Castillo et al., 2016). Los
sistemas de recomendaciones utilizan esos elementos para hacer de las
40
recomendaciones más precisas según los intereses del usuario activo, los
cuales usualmente son cambiantes.
Máquina de inferencia
Se entiende por inferencia a la conclusión que se llega a partir de los
datos conocidos. Los datos que se tienen en la base del conocimiento deben
ser manipulados de tal manera que se produzca una conclusión, esa es la
función de la máquina de inferencia. Pueden existir dos tipos de
conclusiones: las conclusiones simples que son el resultado de una regla
simple, y las conclusiones compuestas que resultan de la aplicación de
varias reglas. Para llegar a estas conclusiones son necesarios reglas y
estrategias de inferencias:
Reglas de inferencia: Estas se usan cuando se busca obtener
conclusiones simples.
- Modus Ponens: (afirmando afirma), es una regla que se deriva del
conector lógico condicional en la que se tienen 3 preposiciones i)
ii) si tienes iii) . i y ii son las premisas mientras que iii es
la conclusión. Es decir, en esta regla se va a evaluar la primera
premisa, si la segunda premisa es cierta con relación a la primera
la conclusión formará parte del conocimiento.
- Modus Tollens: (negando niega), se deriva del modo ponens, por
lo tanto, esta regla también consta de 3 preposiciones, dos
premisas y una conclusión: i) , ii) iii) . Para este caso
se examina la conclusión, si esta llega a ser falsa de acuerdo con
la primera premisa la segunda premisa también será falsa.
Estrategias de inferencia: Utilizadas para obtener conclusiones
compuestas. “Esta estrategia puede utilizarse cuando las premisas de ciertas
reglas coinciden con las conclusiones de otras”(Castillo et al., 2016)
Los sistemas basados en reglas son más utilizados en la elaboración
de sistemas expertos dedicados al campo de la salud. Lee at all.,
desarrollaron un sistema para el control y mantenimiento de la diabetes
41
utilizando un RS basado en reglas y el algoritmo de k-NN, dicho sistema
permite registrar valores del estado del paciente, tales como nivel de
glucosa, presión arterial, comidas, cantidad de ejercicios, etc., entregan a los
pacientes recomendaciones para el control de su enfermedad como lo son
cantidades de comida, ejercicio, dosis de insulina.(Lee, Gatton, & Lee, 2010)
Medina et all., elaboraron una aplicación móvil que entrega a los
pacientes recomendaciones para mantener el control de la diabetes el cual
utiliza el filtrado colaborativo que basa sus predicciones en las valoraciones y
el comportamiento de usuarios del sistema para generar la recomendación
sobre objetos como lo son comidas, ejercicio y tratamiento(Medina-Moreira
et al., 2017)
Sinedie es un sistema de recomendación web para el control de la
diabetes gestacional, el estudio realizado por Caballero et all. es un sistema
de soporte que proporciona a las pacientes con prescripciones de dietas y
recomienda a sus médicos si es necesaria una modificación en el tratamiento
de la paciente (por ejemplo, si necesita implementar insulina o cambiar la
dosis de esta). La base de conocimiento está formada por la información que
proveen las guías medicas internacionales para el control de la diabetes y
reglas que ayudan a analizar los datos del paciente(Caballero-Ruiz et al.,
2017).
SISTEMAS DE LÓGICA DIFUSA (FUZZY)
La lógica borrosa o difusa fue compartida alrededor del año 1965
como una generalización de los conjuntos nítidos clásicos para lidiar con
conceptos vagos del tipo “bajo”, “rico”, etc. En vez de utilizar valores clásicos
(1 si el objeto es parte del conjunto y 0 si no lo es), los conjuntos difusos
proveen un conjunto de valores difusos que se aproximan parcialmente a los
valores clásicos rígidos, es decir, los valores difusos están en un intervalo
[0,1](Al-Shamri & Bharadwaj, 2008)
Maguiña indica que la lógica borrosa “hace uso de las reglas
heurísticas que vienen dadas por la forma: si(antecedente),
42
entonces(conclusión); donde tanto el antecedente como la conclusión son
conjuntos difusos ya sean puros o resultado de operación con
ellos”(Maguiña, 2010). Es utilizado en proceso complejos donde el modelo
matemático no es preciso y los procesos no son altamente lineales o cuando
los valores de los objetos no son definidos estrictamente, es decir pueden
ser subjetivos o imprecisos. Y no son efectivos su desarrollo en escenarios
donde el modelo matemático puede solucionar de forma eficaz el problema.
En un RS, el usuario activo les da un rating a los objetos, este rating
pertenece a un conjunto difuso donde los valores pueden estar dados por
la función ( ) , - los valores 0 representan total desinterés del
usuario y el valor 1 es el mayor interés del usuario.(Eckhardt, 2009).
Principios de la lógica difusa
Dabroom y El-kholy, muestran un diagrama de bloques conformado por
cuatro secciones que muestran el principio del funcionamiento de la lógica
difusa(Dabroom & kholy, 2004). Los bloques son:
Fusificador/Borrosificador
Base de conocimiento
Máquina de inferencia difusa
Desfusificador/Desborrosificador
43
Autor: Eliana Cuenca
Fuente: Microsoft Visio
Borrosificador
En este bloque ingresan los datos de entrada a los cuales se les
asignan valores estos son clasificados entre los conjuntos borrosos de
acuerdo con el grado de pertenencia a ellos. Estos valores son convertidos
en valores lingüísticos adecuados para que sean tomados por los conjuntos
difusos(El-kholy, 2015).
Base de conocimiento
La base de conocimiento está compuesta por reglas de control difusas
y los conjuntos difusos estos últimos corresponden a la base de datos. Las
reglas borrosas están formadas por conjuntos de entradas borrosos
(antecedentes) los cuales se relacionan con los conjuntos borrosos de salida
(consecuentes) la relación entre estos grupos de conjuntos se utilizan para
generar las inferencias(Maguiña, 2010).
Máquina de inferencia borrosa
La función de la máquina de inferencia es la de interpretar las reglas
para obtener las conclusiones que se presentaran como datos de salida a
44
partir de los datos de entrada conocidos. Dabroom et al. Resaltan la
importancia de este bloque ya que el funcionamiento del mismo es el que
pretende realizar conclusiones que sean similares a las que harían las
personas mediante el uso de conceptos difusos(Dabroom & kholy, 2004).
Desfusificador
Se puede decir que realiza el proceso inverso al bloque fusificador, este
bloque se encarga de convertir los valores borrosos resultantes del proceso
de inferencia y presentarlos como datos de salida de valores
nítidos(Maguiña, 2010).
En el campo medico es más común encontrarse con RS que utilizan
sistemas basados en reglas rígidas, pero poco a poco ha ido en aumento la
cantidad de estudios que implementan sistemas con lógica difusa para
generar las recomendaciones a pacientes debido a que ven más conveniente
el uso de reglas y valores borrosos en cuanto a las preferencias de los
pacientes. En cuanto a la diabetes, Ali et al presentan un sistema que hace
uso de la lógica difusa y ontologías para entregar a los usuarios
recomendaciones personalizadas mejor adaptadas a las características del
usuario en cuanto al estado de su enfermedad, queriendo así servirles de
apoyo para el control de esta.(Ali et al., 2018).
FUNDAMENTACIÓN LEGAL
A continuación, se presentan las leyes y constituciones con sus respectivos
artículos pertinentes al presente proyecto, que respaldan y justifican la
realización de este y del tema a tratar:
45
CONSTITUCIÓN DE LA REPUBLICA DEL ECUADOR
Art. 32.- La salud es un derecho que garantiza el Estado, cuya realización se
vincula al ejercicio de otros derechos, entre ellos el derecho al agua, la
alimentación, la educación, la cultura física, el trabajo, la seguridad social, los
ambientes sanos y otros que sustentan el buen vivir.
El Estado garantizará este derecho mediante políticas económicas, sociales,
culturales, educativas y ambientales; y el acceso permanente, oportuno y sin
exclusión a programas, acciones y servicios de promoción y atención integral
de salud, salud sexual y salud reproductiva. La prestación de los servicios de
salud se regirá por los principios de equidad, universalidad, solidaridad,
interculturalidad, calidad, eficiencia, eficacia, precaución y bioética, con
enfoque de género y generacional.
TÍTULO VII
RÉGIMEN DEL BUEN VIVIR
CAPÍTULO PRIMERO
INCLUSIÓN Y EQUIDAD
SECCIÓN PRIMERA EDUCACIÓN
Art. 350.- El sistema de educación superior tiene como finalidad la formación
académica y profesional con visión científica y humanista; la investigación
científica y tecnológica; la innovación, promoción, desarrollo y difusión de los
saberes y las culturas; la construcción de soluciones para los problemas del
país, en relación con los objetivos del régimen de desarrollo.
SECCIÓN OCTAVA
CIENCIA, TECNOLOGÍA, INNOVACIÓN Y SABERES ANCESTRALES
Art. 385.- El sistema nacional de ciencia, tecnología, Innovación y saberes
ancestrales, en el marco del respeto al ambiente, la naturaleza, la vida, las
culturas y la soberanía, tendrá como finalidad:
46
a) Generar, adaptar y difundir conocimientos científicos y
tecnológicos.
b) Desarrollar tecnologías e innovaciones que impulsen la producción
nacional, eleven la eficiencia y productividad, mejoren la calidad de
vida y contribuyan a la realización del buen vivir.
c) Desarrollar tecnologías e innovaciones que impulsen la
producción nacional, eleven la eficiencia y productividad, mejoren
la calidad de vida y contribuyan a la realización del buen vivir
Art. 386.- El sistema comprenderá programas, políticas, recursos,
acciones, e incorporará a instituciones del Estado, universidades y
escuelas politécnicas, institutos de investigación públicos y privados,
empresas públicas y privadas, organismos no gubernamentales y
personas naturales o jurídicas, en tanto realizan actividades de
investigación, desarrollo tecnológico, innovación…
El Estado, a través del organismo competente, coordinará el sistema,
establecerá los objetivos y políticas, de conformidad con el Plan Nacional
de Desarrollo, con la participación de los actores que lo conforman.
Art. 387.- Será responsabilidad del Estado:
a) Facilitar e impulsar la incorporación a la sociedad del
conocimiento para alcanzar los objetivos del régimen de
desarrollo.
b) Promover la generación y producción de conocimiento,
fomentar la investigación científica y tecnológica…
c) Asegurar la difusión y el acceso a los conocimientos científicos
y tecnológicos, el usufructo de sus descubrimientos y
hallazgos en el marco de lo establecido en la Constitución y la
Ley.
d) Garantizar la libertad de creación e investigación en el marco
del respeto a la ética, la naturaleza, el ambiente…
e) Reconocer la condición de investigador de acuerdo con la Ley.
47
Art. 388.- El Estado destinará los recursos necesarios para la investigación
científica, el desarrollo tecnológico, la innovación, la formación científica, y la
difusión del conocimiento. Un porcentaje de estos recursos se destinará a
financiar proyectos mediante fondos concursales. Las organizaciones que
reciban fondos públicos estarán sujetas a la rendición de cuentas y al control
estatal respectivo.
LEY DE COMERCIO ELECTRÓNICO, FIRMAS ELECTRÓNICAS Y
MENSAJES DE DATOS
Art. 2.- Reconocimiento jurídico de los mensajes de datos. - Los mensajes
de datos tendrán igual valor jurídico que los documentos escritos. Su
eficacia, valoración y efectos se someterá al cumplimiento de lo establecido
en esta Ley y su reglamento.
Art. 4.- Propiedad Intelectual. - Los mensajes de datos estarán sometidos a
las leyes, reglamentos y acuerdos internacionales relativos a la propiedad
intelectual.
Art. 5.- Confidencialidad y reserva. - Se establecen los principios de
confidencialidad y reserva para los mensajes de datos, cualquiera sea su
forma, medio o intención. Toda violación a estos principios, principalmente
aquellas referidas a la intrusión electrónica, transferencia ilegal de mensajes
de datos o violación del secreto profesional, será sancionada conforme a lo
dispuesto en esta Ley y demás normas que rigen la materia.
Art. 7.- Información original. - Cuando la Ley requiera u obligue que la
información sea presentada o conservada en su forma original, este requisito
quedará cumplido con un mensaje de datos, si siendo requerido conforme a
la Ley, puede comprobarse que ha conservado la integridad de la
información, a partir del momento en que se generó por primera vez en su
forma definitiva, como mensaje de datos.
Art. 8.- Conservación de los mensajes de datos. - Toda información
sometida a esta Ley, podrá ser conservada; este requisito quedará cumplido
mediante el archivo del mensaje de datos, siempre que se reúnan las
siguientes condiciones:
48
a) Que la información que contenga sea accesible para su posterior consulta;
b) Que sea conservado con el formato en el que se haya generado, enviado
o recibido, o con algún formato que sea demostrable que reproduce con
exactitud la información generada, enviada o recibida;
c) Que se conserve todo dato que permita determinar el origen, el destino del
mensaje, la fecha y hora en que fue creado, generado, procesado, enviado,
recibido y archivado; y,
d) Que se garantice su integridad por el tiempo que se establezca en el
reglamento a esta ley.
Toda persona podrá cumplir con la conservación de mensajes de datos,
usando los servicios de terceros, siempre que se cumplan las condiciones
mencionadas en este artículo.
La información que tenga por única finalidad facilitar el envío o recepción del
mensaje de datos, no será obligatorio el cumplimiento de lo establecido en
los literales anteriores.
CÓDIGO ORGÁNICO INTEGRAL PENAL
Artículo 229.- Revelación ilegal de base de datos. - La persona que, en
provecho propio o de un tercero, revele información registrada, contenida en
ficheros, archivos, bases de datos o medios semejantes, a través o dirigidas
a un sistema electrónico, informático, telemático o de telecomunicaciones;
materializando voluntaria e intencionalmente la violación del secreto, la
intimidad y la privacidad de las personas, será sancionada con pena privativa
de libertad de uno a tres años.
Si esta conducta se comete por una o un servidor público, empleadas
o empleados bancarios internos o de instituciones de la economía popular y
solidaria que realicen intermediación financiera o contratistas, será
sancionada con pena privativa de libertad de tres a cinco años. Artículo 230.-
Interceptación ilegal de datos. - Será sancionada con pena privativa de
libertad de tres a cinco años:
49
1. La persona que, sin orden judicial previa, en provecho propio o de
un tercero, intercepte, escuche, desvíe, grabe u observe, en cualquier
forma un dato informático en su origen, destino o en el interior de un
sistema informático, una señal o una transmisión de datos o señales
con la finalidad de obtener información registrada o disponible.
2. La persona que diseñe, desarrolle, venda, ejecute, programe o
envíe mensajes, certificados de seguridad o páginas electrónicas,
enlaces o ventanas emergentes o modifique el sistema de resolución
de nombres de dominio de un servicio financiero o pago electrónico u
otro sitio personal o de confianza, de tal manera que induzca a una
persona a ingresar a una dirección o sitio de internet diferente a la
que quiere acceder.
3. La persona que a través de cualquier medio copie, clone o
comercialice información contenida en las bandas magnéticas, chips u
otro dispositivo electrónico que esté soportada en las tarjetas de
crédito, débito, pago o similares.
4. La persona que produzca, fabrique, distribuya, posea o facilite
materiales, dispositivos electrónicos o sistemas informáticos
destinados a la comisión del delito descrito en el inciso anterior.
Artículo 231.- Transferencia electrónica de activo patrimonial. – La
persona que, con ánimo de lucro, altere, manipule o modifique el
funcionamiento de programa o sistema informático o telemático o mensaje
de datos, para procurarse la transferencia o apropiación no consentida de un
activo patrimonial de otra persona en perjuicio de esta o de un tercero, será
sanciona da con pena privativa de libertad de tres a cinco años.
Con igual pena, será sanciona da la persona que facilite o proporcione datos
de su cuenta bancaria con la intención de obtener, recibir o captar de forma
ilegítima un activo patrimonial a través de una transferencia electrónica
producto de este delito para sí mismo o para otra persona.
Artículo 232.- Ataque a la integridad de sistemas informáticos. – La
persona que destruya, dañe, borre, deteriore, altere, suspenda, trabe, cause
50
malfuncionamiento, comportamiento no deseado o suprima datos
informáticos, mensajes de correo electrónico, de sistemas de tratamiento de
información, telemático o de telecomunicaciones a todo o partes de sus
componentes lógicos que lo rigen, será sancionada con pena privativa de
libertad de tres a cinco años.
Con igual pena será sancionada la persona que:
1. Diseñe, desarrolle, programe, adquiera, envíe, introduzca, ejecute, venda
o distribuya de cualquier manera, dispositivos o programas informáticos
maliciosos o programas destinados a causar los efectos señalados en el
primer inciso de este artículo.
2. Destruya o altere sin la autorización de su titular, la infraestructura
tecnológica necesaria para la transmisión, recepción o procesamiento de
información en general.
3. Si la infracción se comete sobre bienes informáticos destinados a la
prestación de un servicio público o vinculado con la seguridad ciudadana, la
pena será de cinco a siete años de privación de libertad.
Artículo 233.- Delitos contra la información pública reservada
legalmente. -La persona que destruya o inutilice información clasificada de
conformidad con la Ley, será sancionada con pena privativa de libertad de
cinco a siete años.
La o el servidor público que, utilizando cualquier medio electrónico o
informático, obtenga este tipo de información, será sancionado con pena
privativa de libertad de tres a cinco años.
Cuando se trate de información reservada, cuya revelación pueda
comprometer gravemente la seguridad del Estado, la o el servidor público
encargado de la custodia o utilización legítima de la información que sin la
autorización correspondiente revele dicha información, será sancionado con
pena privativa de libertad de siete a diez años y la inhabilitación para ejercer
un cargo o función pública por seis meses, siempre que no se configure otra
infracción de mayor gravedad.
51
Artículo 234.- Acceso no consentido a un sistema informático,
telemático o de telecomunicaciones. - La persona que sin autorización
acceda en todo o en partea un sistema informático o sistema telemático o de
telecomunicaciones o se mantenga dentro del mismo en contra de la
voluntad de quien tenga el legítimo derecho, para explotar ilegítimamente el
acceso logrado, modificar un portal web, desviar o re direccionar de tráfico
de datos o voz u ofrecer servicios que estos sistemas proveen a terceros, sin
pagarlos a los proveedores de servicios legítimos, será sancionada con la
pena privativa de la libertad de tres a cinco años.
LEY ORGÁNICA DE EDUCACIÓN SUPERIOR
TITULO I
AMBITO, OBJETO, FINES Y PRINCIPIOS DEL SISTEMA DE
EDUCACION
SUPERIOR
CAPITULO 2
FINES DE LA EDUCACION SUPERIOR
Art. 8.- Serán Fines de la Educación Superior. - La educación
superior tendrá los siguientes fines:
a) Aportar al desarrollo del pensamiento universal, al despliegue de
la producción científica y a la promoción de las transferencias e
innovaciones tecnológicas;
b) Fortalecer en las y los estudiantes un espíritu reflexivo orientado
al logro de la autonomía personal, en un marco de libertad de
pensamiento y de pluralismo ideológico;
c) Contribuir al conocimiento.
d) Formar académicos y profesionales responsables, con conciencia
ética y solidaria, capaces de contribuir al desarrollo de las
instituciones de la República, a la vigencia del orden democrático,
y a estimular la participación social;
52
e) Aportar con el cumplimiento de los objetivos del régimen de
desarrollo previsto en la Constitución y en el Plan Nacional de
Desarrollo;
f) Fomentar y ejecutar programas de investigación de carácter
científico, tecnológico y pedagógico que coadyuven al
mejoramiento y protección del ambiente y promuevan el desarrollo
sustentable nacional;
g) Constituir espacios para el fortalecimiento del Estado
Constitucional, soberano, independiente, unitario, intercultural,
plurinacional y laico;
Contribuir en el desarrollo local y nacional de manera permanente, a
través del trabajo comunitario o extensión universitaria.
TITULO IV
IGUALDAD DE OPORTUNIDADES
CAPITULO 1
DEL PRINCIPIO DE IGUALDAD DE OPORTUNIDADES
Art. 71.- Principio de igualdad de oportunidades. - El principio de
igualdad de oportunidades consiste en garantizar a todos los actores del
Sistema de Educación Superior las mismas posibilidades en el acceso,
permanencia, movilidad y egreso del sistema, sin discriminación de
género, credo, orientación sexual, etnia, cultura, preferencia política,
condición socioeconómica o discapacidad.
Las instituciones que conforman el Sistema de Educación
Superior propenderán por los medios a su alcance que, se cumpla en
favor de los migrantes el principio de igualdad de oportunidades. Se
promoverá dentro de las instituciones del Sistema de Educación Superior
el acceso para personas con discapacidad bajo las condiciones de
calidad, pertinencia y regulaciones contempladas en la presente Ley y su
53
Reglamento. El Consejo de Educación Superior, velará por el
cumplimiento de esta disposición.
TÍTULO VIl
INTEGRALIDAD
CAPITULO 2
DE LA TIPOLOGÍA DE INSTITUCIONES, Y RÉGIMEN ACADÉMICO
Sección Tercera
Del Funcionamiento de las Instituciones de Educación Superior
Art. 144.- Tesis Digitalizadas. - Todas las instituciones de educación
superior estarán obligadas a entregar las tesis que se elaboren para la
obtención de títulos académicos de grado y posgrado en formato digital para
ser integradas al Sistema Nacional de Información de la Educación Superior
del Ecuador para su difusión pública respetando los derechos de autor.
LEY DE PROPIEDAD INTELECTUAL
DE LOS DERECHOS DE AUTOR Y DERECHOS CONEXOS
Capítulo I
Del derecho de autor
Sección I
Preceptos generales
Art. 4.- Se reconocen y garantizan los derechos de los autores y
los derechos de los demás titulares sobre sus obras.
Art. 5.- El derecho de autor nace y se protege por el solo hecho
de la creación de la obra, independientemente de su mérito, destino o
modo de expresión.
Se protegen todas las obras, interpretaciones, ejecuciones,
producciones o emisiones radiofónicas cualquiera sea el país de origen
de la obra, la nacionalidad o el domicilio del autor o titular. Esta
54
protección también se reconoce cualquiera que sea el lugar de
publicación o divulgación.
El reconocimiento de los derechos de autor y de los derechos
conexos no está sometido a registro, depósito, ni al cumplimiento de
formalidad alguna. El derecho conexo nace de la necesidad de asegurar
la protección de los derechos de los artistas, intérpretes o ejecutantes y
de los productores de fonogramas.
Art. 6.- El derecho de autor es independiente, compatible y
acumulable con:
a) La propiedad y otros derechos que tengan por objeto la cosa material
a la que esté incorporada la obra;
b) Los derechos de propiedad industrial que puedan existir sobre la
obra; y,
c) Los otros derechos de propiedad intelectual reconocidos por la ley.
Sección II
Objeto del derecho de autor
Art. 8.- La protección del derecho de autor recae sobre todas las
obras del ingenio, en el ámbito literario o artístico, cualquiera que sea su
género, forma de expresión, mérito o finalidad. Los derechos
reconocidos por el presente Título son independientes de la propiedad
del objeto material en el cual está incorporada la obra y su goce o
ejercicio no están supeditados al requisito del registro o al cumplimiento
de cualquier otra formalidad. Las obras protegidas comprenden, entre
otras, las siguientes:
a) Libros, folletos, impresos, epistolarios, artículos, novelas, cuentos,
poemas, crónicas, críticas, ensayos, misivas, guiones para teatro,
cinematografía, televisión, conferencias, discursos, lecciones, sermones,
alegatos en derecho, memorias y otras obras de similar naturaleza,
expresadas en cualquier forma;
b) Colecciones de obras, tales como antologías o compilaciones y bases
de datos de toda clase, que por la selección o disposición de las
55
materias constituyan creaciones intelectuales, sin perjuicio de los
derechos de autor que subsistan sobre los materiales o datos;
56
CAPITULO III
METODOLOGÍA DE LA INVESTIGACIÓN
La metodología de la investigación es el conjunto de técnicas,
procedimientos y estrategias que se utilizan para conocer un tema, dicho de
la manera más simple la metodología es el camino que se utiliza para llegar
a un fin, en este caso para lograr una correcta investigación científica. No
debemos confundir la investigación con investigación científica, esta última
es ordenada, sistemática que se realiza de manera rigurosa para poder
indagar en un tema específico de manera completa y novedosa. “La
investigación científica es, en esencia, como cualquier tipo de investigación,
sólo que más rigurosa, organizada y se lleva a cabo
cuidadosamente”.( ernández Sampieri, Fernández ollado, aptista
Lucio, 2014). En las siguientes páginas se muestra la metodología que fue
utilizada para llegar a cabo este estudio, los instrumentos utilizados y el
análisis de los resultados obtenidos por los mismos.
DISEÑO DE LA INVESTIGACIÓN MODALIDAD DE LA INVESTIGACIÓN
Dentro de los estudios sobre los sistemas de recomendaciones la
información existente es amplia abarcando diferentes enfoques, lo cual hace
que la revisión de la literatura sea un poco abrumador y extenso haciendo
complejo la obtención de información pertinente y útil que se necesita para la
realización de este trabajo. Por tal motivo en el presente proyecto
utilizaremos la metodología aplicada en una revisión sistemática para
obtener toda la información pertinente y actualizada sobre el tema a tratar,
Sánchez Meca define las revisiones sistemáticas como “un tipo de
investigación científica que tiene como propósito integrar de forma objetiva y
sistemática los resultados de los estudios empíricos sobre un determinado
57
problema de investigación, con objeto de determinar el „estado del arte‟ en
ese campo de estudio” (Sánchez,2010).
Mediante la revisión sistemática se puede sintetizar y evaluar la
información existente sobre los sistemas de recomendaciones de esta
manera realizar un estudio sobre el contexto actual en el que se encuentran
los mismos.
Para la fase de identificación de las unidades que se utilizaron para
este proyecto, es decir, los artículos científicos, se tomó como fuente
principal las bases bibliográficas: SCOPUS, ScienceDirect y Scielo. Para la
búsqueda de los registros se utilizaron palabras claves como:
recommendation systems, machine learning, medicine, diabetes, e-health,
además de conectores booleanos AND, OR.
A continuación, se presentan los cuadros con las búsquedas realizadas en
las tres bases bibliográficas, utilizando los criterios de búsquedas antes
mencionados:
Cuadro 3 Búsquedas realizadas en las base bibliográfica SCOPUS
SCOPUS Open
Source Otros Total
recommendation systems AND diabetes
AND CDSS 1 0 1
machine learning AND medicine AND
CDSS 1 5 6
recomendation system AND medicine 1 0 1
fuzzy AND recommendation system AND
medicine 0 3 3
knowledge based recommendation systems
AND medicine 124 224 348
deep learning AND recomendation system 49 513 562
deep learning AND fuzzy AND diabetes 1 3 4
Elaborado por: Eliana Cuenca Mogro
Fuente: Eliana Cuenca Mogro
58
Cuadro 4 Búsquedas realizadas en las base bibliográfica ScienceDirect
Elaborado por: Eliana Cuenca Mogro
Fuente: Eliana Cuenca Mogro
Cuadro 5 Búsquedas realizadas en las base bibliográfica Scielo
ScienceDirect Open
Source
Otros Total
recommendation systems AND diabetes
AND CDSS
28 167 195
machine learning AND medicine AND
CDSS
29 147 176
recomendation system AND medicine 1 2 3
fuzzy AND recommendation system AND
medicine
123 269 392
knowledge based recommendation systems
AND medicine
161 74 235
deep learning AND recomendation system 3 16 19
deep learning AND fuzzy AND diabetes 35 77 112
Scielo Open
Source
Otros Total
recommendation systems AND diabetes
AND CDSS
27 0 27
machine learning AND medicine AND
CDSS
5 0 5
recomendation system AND medicine 29 0 29
knowledge based recommendation systems
AND medicine
30 0 30
deep learning AND recomendation system 53 0 53
59
Elaborado por: Eliana Cuenca Mogro
Fuente: Eliana Cuenca Mogro
Teniendo una suma total de 2207 registros en todas las fuentes; en
ese momento empezó la fase de cribaje, donde se procedió a descartar,
mediante el uso de la herramienta Mendeley, aquellos registros que no
cumplieran con ciertas características. Primero, registros repetidos en más
de una de las bases bibliográficas, con este parámetro se descartaron un
total de 942 de ellos, dejando un numero de 1265 registros seleccionados.
El siguiente parámetro que se tomó en cuenta para estos 1265
registros fue artículos incompletos o no open access (sin acceso gratuito),
con este filtro se descartaron 780 artículos que no fueron utilizados en esta
investigación. A continuación, se tomó en cuenta la fecha de publicación,
descartando así todo estudio realizado antes del 2013, se eliminaron 227
registros lo que dejó un total de 258 registros seleccionados.
Por último, para esta fase solo se seleccionaron estudios en idiomas
inglés o español, eliminando 48 registros, al final de esta fase se obtuvo un
total de 210 artículos. La siguiente tabla muestra las características o
parámetros que se utilizaron para descartar registros y el total de ellos:
Cuadro 6 Parámetros para descartar registros
CARACTERÍSTICAS REGISTROS
DESCARTADOS
REGISTROS REPETIDOS 942
INCOMPLETOS/ NO OPEN ACCESS 780
FECHA DE PUBLICACIÓN ANTES DEL 2013 227
IDIOMA DIFERENTE A ESPAÑOL O INGLÉS 48
TOTAL DE REGISTROS DESCARTADOS: 1997
Elaborado por: Eliana Cuenca Mogro
deep learning AND fuzzy AND diabetes 35 0 35
60
Fuente: Eliana Cuenca Mogro
Elaborado por: Eliana Cuenca Mogro
Fuente: Eliana Cuenca Mogro
Reg. Repetidos 39%
Reg. Anteriores al año 2013
11%
No open access 47%
Idioma 3%
61
62
Elaborado por: Eliana Cuenca Mogro
Fuente: Eliana Cuenca Mogro
Cuadro 8 Cantidad de artículos seleccionados y descartados
Elaborado por: Eliana Cuenca Mogro
Fuente: Eliana Cuenca Mogro
Una vez se filtrados los registros que no cumplieran con las
características expuestas en el cuadro número 6, se obtuvo un total de 210
aceptados. Posteriormente en la fase de elegibilidad se procedió a realizar
una lectura crítica del título y el resumen de los registros para descartar
aquellos no correspondientes al ámbito del estudio, estos fueron en total 149.
Es así como el proceso concluyó con un total de 61 registro incluidos en este
proyecto.
61
2146
Archivos seleccionados Archivos descartados
63
OPERACIONALIZACIÓN DE LAS VARIABLES
Cuadro 9 Operacionalización de las variables
Variables Dimensiones Indicadores Técnicas y/o
Instrumentos
Variable
independiente:
Revisión de la
bibliografía de
artículos científicos
sobre los sistemas
de
recomendaciones
para la diabetes.
Se realiza la
investigación y
análisis de los
estudios publicados
acerca de los
sistemas de
recomendaciones
Investigación de los
estudios existentes
Artículos científicos Investigación
bibliográfica y
realización de una
revisión sistemática
de los artículos
científicos en bases
existentes en de
conocimientos.
Variable
dependiente:
Evaluación del
contexto actual en
el que se
desarrollan los
sistemas de
recomendaciones
para la diabetes.
Presentación de los
resultados de la
investigación.
Evaluación de la
información
investigada.
Análisis de los
artículos
seleccionados
mediante la revisión
sistemática, y se
realizan entrevista a
expertos en el
campo de la
medicina para
conocer su opinión
acerca de la
64
tecnología de
sistemas de
recomendaciones.
INSTRUMENTOS DE RECOLECCIÓN DE DATOS TECNICA DE RECOLECCIÓN DE DATOS
Entrevista
En su obra Metodología de la investigación científica, Hernández
Sampieri y compañía conceptualizan la técnica de la entrevista, dice: “Se
define como una reunión para conversar e intercambiar información entre
una persona (el entrevistador) y otra (el entrevistado) u otras
(entrevistados)”( ernández Sampieri et al., 201 ). La entrevista es una
técnica de recolección de datos en la que intervienen dos componentes: el
entrevistado y el entrevistados. Se utiliza en estudios cualitativos para
conocer el punto de vista del entrevistado sobre un tema específico a tratar.
Folguerias(2016) expresa el fin con el que se realiza una entrevista: “El
principal objetivo de una entrevista es obtener información de forma oral y
personalizada sobre acontecimientos, experiencias, opiniones de
personas”(Folgueiras Bertomeu, 2016).
La decisión de realizar la entrevista a los expertos en el área de la
medicina especializados en Endocrinología se tomó para conocer su opinión
sobre la tecnología estudiada en este proyecto, su aplicación en el campo
laboral para el tratamiento de la diabetes y su interés en el desarrollo de
esta. De esta misma manera se realizó una entrevista a 15 pacientes con
diabetes para conocer datos de su enfermedad y si implementan la
tecnología para el seguimiento y control de esta.
65
INSTRUMENTO DE LA INVESTIGACIÓN
Guión de la entrevista
Es una lista de preguntas que se utilizan para recolectar la
información necesaria de los entrevistados, estas preguntas deben ser
pertinentes al tema a investigar. Dependiendo del tipo de entrevista el guión
de la entrevista puede ser flexible dependiendo del alcance que le quiera dar
el entrevistador, puede añadir nuevas preguntas durante la entrevista si lo
cree conveniente.
Para este proyecto se realizaron dos guiones de entrevista: el primero
destinado a los expertos en el campo de la diabetes, consta de 10 preguntas
directas; y el segundo destinado a pacientes con diabetes, dicho guión
consta de 8 preguntas cerradas. Ambos guiones pueden ser hallados en los
anexos del presente documento.
PROCEDIMIENTO DE LA INVESTIGACIÓN
Decisión del enfoque que se pretende investigar.
Decisión de la metodología a utilizar.
Consultas bibliográficas
El problema
Ubicación del problema en el contexto.
Situación conflicto.
Causas y consecuencias del problema.
Delimitación del problema.
Evaluación del problema.
Justificación e importancia de la investigación.
66
Utilidad práctica de la investigación.
Beneficiarios de la investigación.
Marco teórico
Antecedentes del estudio.
Fundamentación teórica.
Fundamentación legal.
Metodología
Diseño de la investigación
Operacionalización de las variables
Instrumento de recolección de datos
Procedimiento de la investigación
Recolección de la investigación
Procesamiento y análisis
Resultados
Resultados obtenidos al finalizar la investigación
Conclusiones
Recomendaciones para estudios futuros.
RECOLECCIÓN DE LA INFORMACIÓN
Para recolectar la información bibliográfica se utilizó la metodología de
la revisión sistemática y se obtuvo un total de 61 artículos que se analizarán
para presentar los resultados del proyecto. También se realizaron entrevistas
semi estructuradas a tres profesionales médicos endocrinólogos y a quince
pacientes con diabetes de la ciudad de Guayaquil.
67
PROCESAMIENTO Y ANÁLISIS Entrevista a los expertos
Mediante la investigación bibliográfica se puede obtener la
información correspondiente a la tecnología desarrollada hasta el momento
sobre los sistemas de recomendaciones basados en reglas y lógica difusa
con el fin de ser herramienta de apoyo para la medicina específicamente en
el control y tratamiento de la diabetes, pero también es necesario conocer el
punto de vista de los expertos sobre su comprensión en cuanto a la
existencia de la tecnología dicha y la aplicación de ella para el desempeño
de su labor en el tratamiento de la diabetes, su opinión y su aprobación de
esta.
Se contó con la colaboración de 3 médicos endocrinólogos que
laboran en la ciudad de Guayaquil para la entrevista:
Dra. Leonor Torresano de Ronquillo, con 36 años de
experiencia ejerciendo la medicina y que actualmente trabaja
en su consultorio privado.
Dr. Pablo Segarra Vera, 35 años de experiencia en el
tratamiento de la diabetes, se encuentra trabajando en el
Dispensario Letamendi (IESS), también ejerce en su
consultorio particular. Actualmente es el presidente de la
Sociedad Ecuatoriana de Endocrinología núcleo Guayas.
Dr. Santiago Klaere Carriel, posee 6 años de experiencia,
labora en el Hospital Teodoro Maldonado Carbo y el Hospital
Alfredo Paulson, además brinda sus servicios los fines de
semana en un centro médico de la ciudad.
Pregunta 1. ¿Cómo toma la decisión para el tratamiento específico en
un paciente de diabetes, cuáles son los parámetros principales?
68
Los tres profesionales comentan que siguen las guías estandarizadas
expuestas por las diferentes Instituciones Internacionales como lo son la
Asociación Americana de Diabetes (ADA), Asociación Latinoamericana de
Diabetes (ALAD), entre otras. En estas guías se encuentran los
procedimientos y parámetros estándares para el diagnóstico de la diabetes,
“criterios de diagnósticos que tienen que ver con la glucosa en ayunas” como
lo expresa el Dr. Klaere. Los profesionales pueden diagnosticar la
enfermedad mediante varias pruebas, una de ellas es mandando al paciente
a realizar el examen de glucemia y según el resultado de glucosa en la
sangre pueden llegar al diagnóstico de diabetes, explican que este debe ser
mayor a 126 mg/dl obtenido más de una ocasión. También se basan en la
prueba de Hemoglobina glicosilada, que permite observar el promedio de
azúcar en la sangre durante los últimos tres meses, si el resultado es mayor
a 6.5 se diagnostica diabetes. El Dr. Segarra indica los laboratorios que
realizan dichos exámenes debe tener las normas de estandarización de los
Estados Unidos, “si no tiene normas de estandarización, no puede ser
utilizable para diagnóstico de diabetes”, comenta el doctor.
Pregunta 2. ¿Usted utiliza como base de referencia tratamientos de
éxito con nuevos pacientes de diabetes?
De nuevo los tres profesionales coinciden que cada paciente debe ser
tratado como un caso totalmente nuevo, y que se basan en los parámetros
mencionados anteriormente además de las respectivas guías estandarizadas
que las entidades internacionales como la ADA, AACE, entre otras publican.
Aunque también hacen mención de su experiencia en el tratamiento de la
enfermedad.
Dra. Torresano: En general para el tratamiento de la diabetes existen las guías
que son dadas por la ADA y la asociación mundial de endocrinología, cada año
se van actualizando esas guías y según eso es que uno tiene que seguir sus
prácticas, claro que uno también se guía de su experiencia porque no todo es
tan tajante, cada uno de acuerdo con el paciente que se trate le va aplicando el
tratamiento debido.
69
Dr. Segarra: El manejo del paciente es en diabetes es individualizado e integral
porque la diabetes no viene sola, la diabetes viene mal acompañada. el 80-90%
tiene sobrepeso u obesidad, el 60% puede ya venir con hipertensión arterial, el
60-80% tiene ya trastornos de la grasa, eso es alteración de los triglicéridos y
colesterol. Entonces a parte de manejar diabetes tienes que darle el tratamiento
para que baje de peso, para que controle la grasa y para que tenga buen control
de la presión arterial. Cada paciente es una individualidad, tu pides todos los
parámetros para valorar a ese paciente y dependiendo de las condiciones del
paciente das el tratamiento.
Dr. Klaere: El trípode del tratamiento es la dieta, actividad física (los que
puedan) y los fármacos. La dieta es llevada de la mano de un nutricionista, la
actividad física dependiendo de la que pueda realizar un paciente. El tratamiento
farmacológico depende de distintos parámetros, de cómo está su glucosa, el
estado del hígado, para así poder recetarle una u otra pastilla que exista en el
mercado. También cuenta la experiencia, pero siempre basado en las guías que
no se siguen al pie de la letra, pero como su nombre lo indica dan posibles
opciones a la hora de aplicar el tratamiento.
Pregunta 3. ¿Qué medios utiliza usted para acceder a esta base de
referencia? (aplicación, agenda)
Los tres médicos utilizan páginas y repositorios enfocados en brindar las
ultimas noticias y estudios en cuanto a medicina o especializados en diabetes,
algunos ejemplos de estos son: MedScape, revistas enfocadas solo a diabetes
como lo es el Diabetes Care, entre otras. El doctor Segarra nos dice: “El
conocimiento hoy es universal entonces si el medico quiere actualizarse lo
puede hacer, el que no, se conforma con lo poco que sabe. Ahora la
información sobre todo en cuestiones de guías es de acceso gratuito”.
Pregunta 4. ¿Utiliza usted la tecnología en el desarrollo de su profesión?
El mayor uso de la tecnología que los médicos en cuestión aplican es
para acceder a información actual, mayormente la usan para mantenerse
70
informados de los avances y novedades que ocurren a nivel mundial dentro del
área de la ciencia médica. También hacen uso de aplicaciones móviles como
herramientas en su trabajo, por ejemplo, el Dr. Segarra hace uso de BMI-
Calculator para valorar el estado nutricional del paciente y conocer su índice de
masa corporal.
Dra. Torresano: Claro, uno está suscrita a diferentes revistas y foros médicos
ahí todos los días nos están mandando las actualizaciones, nuevos
descubrimientos nuevos tratamientos. Por ejemplo, Medscape, todos los días me
llegan muchos mails que mandan y uno va leyendo y se mantiene actualizada.
Dr. Segarra: Todo electrónico, gracias a Dios los smartphones te ofrecen estar
ahí lo que pasa es que eso también tiene un costo, pero igual hay unas páginas
que puedes acceder de forma “free” gratuita.
Dr. Klaere: Sí, la tecnología sirve para actualizarte, es más fácil mediante un
pdf tener el último estudio, antes había que esperar a que llegue el libro y
llegaba con dos años de atraso, ahora solo vas a una página y encuentras la
información ahí.
Pregunta 5. ¿Cree usted que la tecnología ayuda al desempeño de su
labor?
Los tres médicos concuerdan que la tecnología es una excelente
herramienta en su labor día a día, les permite mantenerse informados y resaltan
la facilidad de acceder a ella en cualquier momento. Pero también como todo
tiene sus “pro” y sus contras y los médicos expresan las desventajas de la
tecnología hoy en día como es acceder a cualquier tipo de información que no es
verídica o el costo que tiene el implementar cierta tecnología como lo son las
bombas de insulina, por ejemplo.
Dra. Torresano: Claro, la tecnología es muy buena para el desempeño y
mantenerse informado. Pero también a veces el paciente busca en internet
cuando quiere saber sobre las enfermedades en general, no solo de diabetes, es
un poco riesgoso porque el paciente se cree dice y encuentra en internet y no
siempre es lo adecuado.
71
Dr. Segarra: Facilita enormemente… Lamentablemente el medico que no está
actualizado, está atrasado.
Dr. Klaere: Mediante las paginas certificadas sobre diabetes como lo mencioné
antes para estar al día en cuanto a estudios y en aparatos tecnológicos la bomba
de insulina para pacientes con diabetes tipo 1.
Pregunta 6. ¿Conoce o ha oído hablar usted sobre los Sistemas de
Recomendaciones para la toma de decisiones clínicas?
Ninguno de los médicos entrevistados conocía esta tecnología.
Pregunta 7. Después de dialogar sobre los sistemas de
recomendaciones, ¿Cree usted que sería convenientes utilizarlos como
herramientas de trabajo?
Se les comunicó brevemente a los médicos sobre los sistemas de
recomendaciones, las aplicaciones actuales que se les dan a ellos de manera
general y la función que cumplen dentro del área de la medicina. Después de
ellos los tres médicos tuvieron diferentes respuestas a la pregunta.
Dra. Torresano: Claro sería interesante que lo apliquen.
Dr. Segarra: Dependiendo de para que lo quieres y por qué lo quieres, que es lo
que quieres para tu paciente.
Dr. Klaere: Si, si ayuda bastante. El médico que no está con la tecnología se
queda atrasado.
Pregunta 8. ¿Qué opina sobre la implementación de los sistemas de
recomendaciones para el control de la diabetes?
La respuesta a esta pregunta fue positiva para los tres médicos.
Dra. Torresano: Yo creo que sería conveniente como dice que es en base a
conocimiento y experiencias médicas y todo lo que dice la literatura mundial que
72
sea segura, eficiente y conveniente entonces yo estaría de acuerdo que se
utilicen.
Dr. Segarra: Si pudiera ser conveniente.
Dr. Klaere: Como complemento al tratamiento si me parece muy bueno,
ahorraría tiempo porque a veces el paciente pierde la consulta porque algo se le
presentó y ya no puede ir o porque se olvidó, sería bueno tener un dispositivo a
la mano en el que si no tuviste tiempo a las 4:00pm lo haces a las 9:00pm en tu
casa y te evalúa en la parte nutricional, la física el peso. Como complemento sí,
pero siempre con la supervisión del médico.
Pregunta 9. ¿Utilizaría usted un programa o aplicación móvil que
implemente un sistema de recomendaciones para el control de la diabetes
de sus pacientes?
Se obtuvo respuestas positivas por parte de los médicos, pero también
expresaron que necesitarían familiarizarse más con la tecnología para poder
implementarla primero.
Dra. Torresano: Claro, aunque tendría que primero ver como es el asunto, como
funciona antes de ponerlo en práctica y según eso lo recomendaría.
Dr. Segarra: Si, conociendo de que se trata y la utilidad que me brindaría.
Dr. Klaere: Sí claro. Eso ayudaría bastante.
Pregunta 10. ¿Estaría usted dispuesta a aportar con su experiencia a la
base de conocimientos en el tratamiento de la diabetes?
Dra. Torresano: ¡Claro! como no, que sirva de algo la experiencia de uno y
poder ayudar de esa forma a futuros médicos y pacientes.
Dr. Segarra: Podría ser, sí.
Dr. Klaere: Sí claro, pero insisto, solo hasta la parte nutricional pero ya que la
maquina le diga que tiene que tomar tal pastilla o ponerse tanto de insulina no
73
creo, eso ya viene para el médico. Que mande alertas de acuerdo con los datos
del paciente para que consulte con el medico eso sí.
Entrevista a los pacientes
Se entrevistó a 15 pacientes que acuden al centro de salud Valdivia al sur
de la ciudad. Las entrevistas fueron informales y anónimas, recogiendo datos
generales de los pacientes y de su enfermedad y acerca del uso de la tecnología
para el control de ésta.
Pregunta 1. ¿Cuál es su edad actualmente?
Cuadro 10 Análisis de los resultados de la pregunta 1
Respuesta Cantidad Porcentaje
Menor a 15 años 0 0%
Entre 16 – 25 años 3 20%
Entre 26-40 años 5 33,33%
Más de 40 años 7 46,67%
TOTAL 15 100%
Elaborado por: Eliana Cuenca Mogro
Fuente: Entrevista realizadas a pacientes
74
Figura 10 Gráfico de los resultados de la pregunta 1
Elaborado por: Eliana Cuenca Mogro
Fuente: Entrevista realizadas a pacientes
Análisis: De un total de 15 pacientes (100%), ninguno de estos pacientes es
menor a 15 años (0%), 3 de los pacientes tienen edades entre los 15 y 25 años
lo que equivale a un 20%, 5 pacientes se encuentran entre las edades de 26 a
40 años equivalente a un 33,33%, por último 7 de estos pacientes tienen edades
mayores a 40 años lo que equivale al 46, 67%.
Pregunta 2. ¿A qué género pertenece?
Cuadro 11 Análisis de los resultados de la pregunta 2
Respuesta Cantidad Porcentaje
Masculino 6 40%
Femenino 9 60%
TOTAL 15 100%
Elaborado por: Eliana Cuenca Mogro
Fuente: Eliana Cuenca Mogro
20,00%
33,33%
46,67%
0,00%
10,00%
20,00%
30,00%
40,00%
50,00%
60,00%
70,00%
80,00%
90,00%
100,00%
Menor a 15 años 16-25 años 26-40 años mayor a 40 años
75
Figura 11 Gráfico de los resultados de la pregunta 2
Elaborado por: Eliana Cuenca Mogro
Fuente: Eliana Cuenca Mogro
Análisis: El 100% de los pacientes entrevistados fue 15, de los cuales 6 de ellos
son del género masculino lo que equivale a un 40%; y 9 de los pacientes son del
género femenino equivalente a un 60%.
Pregunta 3. ¿Cuál es su diagnóstico?
Cuadro 12 Análisis de los resultados de la pregunta 3
Respuesta Cantidad Porcentaje
Prediabetes 3 20%
Diabetes tipo 1 3 20%
Diabetes tipo 2 8 53,33%
Diabetes gestacional 1 6,67%
TOTAL 15 100%
Elaborado por: Eliana Cuenca Mogro
Fuente: Eliana Cuenca Mogro
40,00%
60,00%
0,00%
10,00%
20,00%
30,00%
40,00%
50,00%
60,00%
70,00%
80,00%
90,00%
100,00%
Masculino Femenino
76
Figura 12 Gráfico de los resultados de la pregunta 3
Elaborado por: Eliana Cuenca Mogro
Fuente: Eliana Cuenca Mogro
Análisis: El 20% de los pacientes entrevistados fueron diagnosticados con
prediabetes lo que equivale en número a 3 pacientes; de igual manera 3
pacientes fueron diagnosticados diabetes tipo 1, equivalente al 20%; 8 pacientes
tienen diabetes tipo 2 lo que es igual al 53.33%; por último, un paciente es
diagnosticado con diabetes gestacional, equivale al 6.67%
Pregunta 4: ¿Qué método utiliza usted para su tratamiento? (Puede elegir
más de una opción)
Cuadro 13 Análisis de los resultados de la pregunta 4
Respuesta Ejercicio Dieta Fármacos Insulina
Ca
ntid
ad
Po
rce
nta
je
Ca
ntid
ad
Po
rce
nta
je
Ca
ntid
ad
Po
rce
nta
je
Ca
ntid
ad
Po
rce
nta
je
Sí 13 86,67% 14 93,33% 12 80% 6 50%
No 2 13,33% 1 6.67% 3 20% 6 50%
20,00% 20,00%
53,33%
6,67%
0,00%
10,00%
20,00%
30,00%
40,00%
50,00%
60,00%
70,00%
80,00%
90,00%
100,00%
PreDiabetes DMT1 DMT2 GDM
77
TOTAL 15 100% 15 100% 15 100% 15 100%
Elaborado por: Eliana Cuenca Mogro
Fuente: Entrevista realizadas a pacientes
Figura 13 Gráfico de los resultados de la pregunta 4
Elaborado por: Eliana Cuenca Mogro
Fuente: Entrevista realizadas a pacientes
Análisis: Para esta pregunta se optó por el tipo de respuesta de opciones
múltiples ya que en los tratamientos para la diabetes se utilizan más de un
método, quedando las respuestas de la siguiente manera: trece de los quince
entrevistados utilizan el ejercicio como parte de su tratamiento lo que equivale al
86,67%; el 93,33% de los pacientes entrevistados, es decir 14 de ellos, incluyen
en su tratamiento el control de su dieta; doce de los pacientes incluyen fármacos
(pastillas) como parte de su tratamiento, lo que equivale al 80%; por último el
50% de los entrevistados es decir 6 de ellos también utilizan insulina para el
tratamiento de su enfermedad.
86,67% 93,33%
80%
50%
13,33% 6,67%
20%
50%
0,00%
10,00%
20,00%
30,00%
40,00%
50,00%
60,00%
70,00%
80,00%
90,00%
100,00%
Ejercicio Dieta Fármacos Insulina
Sí No
78
Pregunta 5: ¿Cada qué tiempo se realiza pruebas de diabetes(glucosa)?
Cuadro 14 Análisis de los resultados de la pregunta 5
Respuesta Cantidad Porcentaje
Diariamente 1 6.67%
Semanalmente 3 20%
Mensualmente 5 33.33%
Anualmente 6 40%
TOTAL 15 100%
Elaborado por: Eliana Cuenca Mogro
Fuente: Entrevista realizadas a pacientes
Figura 14 Gráfico de los resultados de la pregunta 5
Elaborado por: Eliana Cuenca Mogro
Fuente: Entrevista realizadas a pacientes
Análisis: Un solo paciente se realiza pruebas de diabetes (glucosa) diariamente,
es decir el 6,67%; tres de los pacientes se realizan las pruebas semanalmente
equivalente a un 20%; el 33.33% se realizan las pruebas mensualmente es decir
5 pacientes; por último 6 pacientes se realizan las pruebas anualmente.
6,67%
20,00%
33,33%
40,00%
0,00%
10,00%
20,00%
30,00%
40,00%
50,00%
60,00%
70,00%
80,00%
90,00%
100,00%
Diario Semanal Mensual Anual
79
Pregunta 6: ¿Ha escuchado alguna vez sobre aplicaciones móviles o de
escritorio para llevar el control de su enfermedad?
Cuadro 15 Análisis de los resultados de la pregunta 6
Respuesta Cantidad Porcentaje
Sí 9 60%
No 5 33.33%
No sé 1 6.67%
TOTAL 15 100%
Elaborado por: Eliana Cuenca Mogro
Fuente: Entrevista realizadas a pacientes
Figura 15 Gráfico de los resultados de la pregunta 6
Elaborado por: Eliana Cuenca Mogro
Fuente: Entrevista realizadas a pacientes
Análisis: El 60% de los pacientes entrevistados, es decir 9 de ellos, si
conocen sobre aplicaciones móviles o de escritorio para el control de la
diabetes; 5 pacientes respondieron no, lo que equivale al 33.33%; por último,
un paciente respondió no sé lo que equivale al 6.67%.
60,00%
33,33%
6,67%
0,00%
10,00%
20,00%
30,00%
40,00%
50,00%
60,00%
70,00%
80,00%
90,00%
100,00%
Sí No No sé
80
Pregunta 7. ¿Ve conveniente utilizar una aplicación móvil o de
escritorio para llevar el control de la diabetes?
Cuadro 16 Análisis de los resultados de la pregunta 7
Respuesta Cantidad Porcentaje
Sí 10 66,67%
No 1 6.67%
No sé 4 26.66%
TOTAL 15 100%
Elaborado por: Eliana Cuenca Mogro
Fuente: Entrevista realizadas a pacientes
Figura 16 Gráfico de los resultados de la pregunta 7
Elaborado por: Eliana Cuenca Mogro
Fuente: Entrevista realizadas a pacientes
Análisis: El 66,67% de los pacientes entrevistados, es decir diez de ellos
respondieron afirmativamente sobre la conveniencia de utilizar una
aplicación para el control de la diabetes; un paciente equivalente al 6.67%
66,67%
6,67%
26,66%
0,00%
10,00%
20,00%
30,00%
40,00%
50,00%
60,00%
70,00%
80,00%
90,00%
100,00%
Sí No No sé
81
respondió que no ve conveniente el uso de una aplicación; y cuatro de los
pacientes, lo que equivale al 26.66%, respondieron “no se” a la pregunta.
Pregunta 8: ¿Qué medios busca para informarse de su enfermedad?
Cuadro 17 Análisis de los resultados de la pregunta 8
Libros Redes
Sociales Médicos
Páginas de
Internet
Aplicaciones
móviles
Ca
ntid
ad
Po
rce
nta
je
Ca
ntid
ad
Po
rce
nta
je
Ca
ntid
ad
Po
rce
nta
je
Ca
ntid
ad
Po
rce
nta
je
Ca
ntid
ad
Po
rce
nta
je
Sí 3 20% 10 66,67% 15 100% 8 53,33% 1 6,67%
No 12 80% 5 33,33% 0 0% 7 46,67% 14 93,33%
TOTAL 15 100% 15 100% 15 100% 15 100% 15 100%
Elaborado por: Eliana Cuenca Mogro
Fuente: Entrevista realizadas a pacientes
82
Figura 17 Gráfico de los resultados de la pregunta 8
Elaborado por: Eliana Cuenca Mogro
Fuente: Entrevista realizadas a pacientes
Análisis: En esta pregunta se presentaron múltiples opciones y los entrevistados
podían escoger más de una de ellas siendo los resultados los siguientes: 20%
de los entrevistados, es decir 3 de ellos acceden a información sobre su
enfermedad mediante libros; diez de los entrevistados lo que equivale al 66.67%
utiliza las redes sociales para informarse sobre diabetes; todos los pacientes
entrevistados (el 100%) se informa de su enfermedad mediante el médico
tratante; ocho de ellos lo que equivale al 53.33% busca información en páginas
de internet; por último solo un paciente utiliza aplicaciones móviles para
informarse de su enfermedad.
20,00%
66,67%
100%
53,33%
6,67%
80,00%
33,33%
0%
46,67%
93,33%
0,00%
10,00%
20,00%
30,00%
40,00%
50,00%
60,00%
70,00%
80,00%
90,00%
100,00%
Libros Redes Sociales Médicos Internet Aplicacionesmóviles
Sí No
83
CAPITULO IV
RESULTADOS CONCLUSIONES Y RECOMENDACIONES
En el siguiente capítulo se describen los resultados obtenidos
después de realizada la investigación bibliográfica mediante la metodología
implementada de revisión sistemática, la cual fue descrita en el capítulo
anterior; también la información obtenida mediante las entrevistas realizadas
a los expertos en el área de la medicina y a los pacientes que padecen de
diabetes. Adicional a esto se analizan las principales aplicaciones móviles
disponibles para el control de la diabetes que hacen uso de sistemas de
recomendaciones, mediante un cuadro comparativo entre ellas. Siguiente en
el capítulo se presentan las conclusiones obtenidas después de realizado
todo el proceso de investigación y recolección de información acerca de los
sistemas de recomendaciones basados en reglas y fuzzy para el control de
la diabetes, y se culmina con las recomendaciones dadas por el investigador
para futuros estudios e interesados en el tema.
RESULTADOS
Luego de realizada la investigación bibliográfica y mediante el
desarrollo de la metodología de revisión sistemática se pudo obtener
información acerca del funcionamiento de los sistemas de recomendaciones
para filtrar la cantidad de información existente sobre un tema en específico y
brindar opciones que les sean conveniente al usuario activo para cada caso
en particular, existiendo dos principales enfoques de filtrado:
El primero basado en contenido donde utilizan el historial del usuario
en cuanto a valoraciones de ítems y características de estos para
proporcionar las recomendaciones más acertadas para dicho usuario.
El segundo enfoque es el filtrado colaborativo el cual pretende
predecir la valoración del ítem que el usuario activo no ha valorado
84
basándose en las valoraciones dadas por usuarios con características
similares al usuario activo.
Grande es la importancia y relevancia de estos sistemas de
recomendaciones que son estudiados e implementados para distintos
ámbitos de la vida cotidiana, desde elegir una película o una canción,
recomendar formas de ahorro y gasto de dinero, hasta proporcionar apoyo a
profesionales médicos a la hora de tomar decisiones clínicas para sus
pacientes. Es en esta última en que nos enfocamos, específicamente en el
tratamiento y control de la enfermedad crónica como es la diabetes.
Existen sistemas de recomendaciones basados en reglas que utilizan el
conocimiento de expertos (guías ofrecidas por instituciones internacionales
para el diagnóstico, control y tratamiento de la diabetes que son utilizadas
por médicos a nivel mundial) y mediante una serie de reglas del tipo “si –
entonces”, generan la base de conocimientos empleada por el sistema de
recomendación para generar la información que luego mediante su motor de
inferencia es manipulada con el fin de generar la recomendación, para
clasificar dicha información utiliza algoritmos propios de la minería de datos,
entre los más usados nos encontramos con los algoritmos de K-NN (k
vecinos más próximos), árbol de jerarquías o redes bayesianas. También
hace uso de estrategias de inferencia como son el Modus Ponens y Modus
Tollens, el primero que mediante la afirmación del antecedente afirma la
conclusión y el segundo que con la negación del antecedente niega la
conclusión. Por último, mediante una interfaz de usuario ya sea una página
web o una aplicación móvil presenta al usuario la recomendación elaborada
con los datos que previamente el usuario ingresa.
Otros sistemas de recomendaciones utilizados para el control de la
diabetes son los sistemas que hacen uso de la lógica difusa (fuzzy) para
realizar las recomendaciones. Estos sistemas emplean también el
conocimiento experto como el antes mencionado pero las reglas que
generan ahora son reglas difusas o borrosas que se diferencian de las reglas
de la lógica tradicional en que no tienen solo dos opciones extremas
(verdadero – falso) sino toda una gama de opciones intermedias cuyo valor
85
se encuentra en un conjunto de opciones difusas(un poco, mucho, etc.), el fin
de la lógica difusa es general conclusiones que se den mediante un
razonamiento flexible como lo hace normalmente una persona.
La tecnología está al alcance de las personas en diversas formas, una
de ellas es mediante aplicaciones móviles ya que hoy en día el uso de un
celular inteligente es común en la población. Existen diversas aplicaciones
que permiten a pacientes con diabetes llevar un control de su estado y
seguimiento de su enfermedad, algunos de ellos solo brindan la posibilidad
de llevar un registro de sus niveles de glucemia, cantidad de ejercicio, o
alimentos ingeridos en el día, otros ofrecen alarmas y recordatorios de
fármacos o insulina. Pero también existen gran cantidad de aplicaciones más
complejas que no solo ofrecen lo antes mencionado, sino que brindan
recomendaciones al usuario de acuerdo con el estado que este presenta
utilizando los datos que el mismo usuario ingresa o tomando información de
usuarios similares dentro del grupo de usuarios que utilizan la aplicación.
Se ha escogido entre las aplicaciones más destacadas para el control
de la diabetes nueve de ellas que implementan sistemas de
recomendaciones basados en reglas y fuzzy, se ha realizado un cuadro
comparativo resaltando características generales de la aplicación y sobre el
sistema de recomendación que utilizan. Dicho cuadro se puede encontrar en
el anexo 3 de este documento.
86
De manera general podemos apreciar que todas las aplicaciones
analizadas tratan más de un tipo de diabetes siendo la diabetes gestacional
la menos frecuente, la mayoría de ellas se limitan a ser aplicaciones móviles
excepto MyNetDiary la cual también dispone de una plataforma web. La
función de recomendación en gran parte de los aplicativos es disponible solo
en la versión premium de estos, limitando la versión gratuita a solo ser
registro del estado del paciente.
El tipo de recomendaciones varían de acuerdo a la aplicación, por
ejemplo: SocialDiabetes, DiabetesM y QuoHealth ofrecen recomendaciones
de la cantidad de insulina que el paciente debería administrarse en diferentes
momentos del día (QuoHealth también recomienda la cantidad de
carbohidratos que debe ingerir), Diabetes Pharma es la aplicación diferente
al resto ya que esta está enfocada para uso de los médicos, permite realizar
recomendaciones de los medicamentos que el medico puede diagnosticar. El
tipo de recomendación más común es los que ofrecen las aplicaciones como
Glucosio, “Diabetes, Blood Pressure, Health Tracker App”, myDiabeticAlert,
MyNetDiary y Health2Sync que proveen recomendaciones sobre comidas y
actividad física personalizada de acuerdo con el estado actual de la enfermedad
del paciente.
En su mayoría estas recomendaciones utilizan solo el conocimiento
expuesto por las guías médicas y los valores ingresados por el usuario
proporcionando una recomendación basada solo en el usuario en particular
por lo que utilizan el enfoque de filtrado de contenido, mientras que
SocialDiabetes, MyNetDiary y Glucosio utilizan información que aportan los
demás usuarios que utilizan la aplicación para realizar la recomendación
pertinente de acuerdo al perfil del usuario que consulta la aplicación móvil.
El algoritmo implementado para la clasificación de la información que
utiliza el sistema de recomendación para entregar los datos de salida varía
entre aplicación, dicha información en su mayoría es expresada por los
mismos desarrolladores de las aplicaciones en sus páginas web o se llegó a
la conclusión de esta mediante el análisis del sistema de recomendación en
la minoría de los casos.
87
CONCLUSIONES
Existen en la literatura actual múltiples estudios referentes a los
sistemas de recomendaciones enfocados al control y tratamiento de la
diabetes, estos artículos científicos en gran medida se encuentran a
disposición del investigador. Gracias a ello se pudo conocer el
funcionamiento y aplicación de los sistemas de recomendaciones aplicados a
esta enfermedad. Mediante la metodología de la revisión sistemática se
puede realizar una mejor búsqueda y elección de las fuentes útiles para la
realización de la investigación y, poder abarcar los diferentes enfoques que
un tema tan extenso como lo es los sistemas de recomendaciones abarca
realizando así un análisis imparcial y reduciendo los sesgos que podría
existir.
Para el control de la diabetes se han desarrollado sistemas de
recomendaciones basados en reglas y otros que utilizan la lógica difusa para
realizar las recomendaciones. Los sistemas basados en reglas utilizan para
su base de conocimiento información proporcionada por expertos mediante
el uso de guías médicas y reglas de lógica tradicional que permiten realizar
recomendaciones simples y pertinentes al usuario. Los sistemas de
recomendaciones que utilizan la lógica difusa aprovechan las características
de proveen las reglas difusas realizando un razonamiento más preciso y
parecido al que utilizaría una persona. Ambos tipos de sistemas de
recomendaciones proveen de beneficios a los pacientes que padecen de
diabetes aportándoles información confiable y adecuada a su perfil ya sea
esta información sobre su dieta, la actividad física que debería realizar o
incluso la dosis de insulina necesaria. A los médicos estos sistemas de
recomendaciones les ayuda como apoyo a la toma de decisiones clínicas en
cuanto al tratamiento que puede prescribir a sus pacientes aportándoles toda
la información necesaria en un solo lugar.
Es importante que se esté informados en todo momento sobre la
enfermedad, pacientes sobre cómo llevarla sin complicaciones y médicos
manteniéndose actualizados en todo momento sobre nuevos estudios y
tratamientos. Mediante las entrevistas se pudo notar que todos los
88
participantes están de acuerdo con esta afirmación, pero desconocen los
beneficios y utilidad que la implementación de un sistema de recomendación
provee en cuanto al control de la diabetes, llegando incluso a desconfiar de
este. La existencia de muchas aplicaciones para el control de la diabetes es
relevante, sin embargo, no todas ellas implementan un sistema de
recomendación y las que lo utilizan mayormente implementan un sistema
basado en reglas con enfoque a filtrado colaborativo, ofreciendo
recomendaciones comúnmente sobre alimentos que pueden incluir en su
dieta diaria o la cantidad y tipo de ejercicio físico que el paciente debe
realizar. Pocas son las que también hacen uso del sistema de
recomendación para sugerir la cantidad de insulina que el paciente debe
administrarse en su día a día.
89
RECOMENDACIONES
En investigaciones donde existe gran cantidad de información
disponible en la web, es recomendable la realización de una revisión
sistemática ya que mediante una investigación tradicional o narrativa podría
tomar demasiado tiempo, no estar del todo actualizada o inducir al
investigador a tomar solo estudios que se ajusten a ideas concebidas
previamente a la investigación. La revisión sistemática es un proceso
sistemático y ordenado que ayuda abordando un tema desde todos sus
enfoques permitiendo evaluar el tema en su totalidad y de manera imparcial.
Para construir un sistema de recomendación que ayude al control de
la diabetes es recomendable utilizar el enfoque de filtrado colaborativo ya
que permite al sistema aprender no solo del usuario y sus gustos hacia
determinado objeto (comida, actividad física, información, etc.) sino que toma
para su aprendizaje adicionalmente el historial de otros usuarios con
características similares pudiendo realizar una mejor predicción al momento
de generar una recomendación al paciente. Así mismo es recomendable
realizar más estudios sobre sistemas de recomendaciones para el control de
la diabetes que implementen la lógica difusa ya que esta es flexible al
realizar de analizar la información, de esta manera las recomendaciones
serían más precisas ya que estarían siendo aplicadas con un razonamiento
parecido al del ser humano. El presente estudio sirve como una base de
referencia para futuros investigadores en el campo de los sistemas de
recomendaciones para el control de la diabetes. Se recomendaría desarrollar
estudios sobre la implementación de aplicaciones móviles que estén a
disposición de los usuarios y médicos en nuestro país, e implementen un
sistema de recomendación no solo para generar recomendaciones sobre el
tratamiento de la enfermedad mediante dieta, actividad física, fármacos o
insulina, sino que brinden también información acerca de la enfermedad,
prevención y control de la misma para que así los pacientes tengan una
fuente confiable y completa sobre la diabetes.
90
No solo se debe tener en cuenta los estudios que se están realizando
sobre las tecnologías existentes sino la difusión de dichos estudios, veo
recomendable que médicos y pacientes sean mejor informados sobre los
avances y beneficios que implican el uso de los sistemas de
recomendaciones para el control y tratamiento de la diabetes ya que muchos
desconocen completamente del tema o no lo conocen en su totalidad y esto
puede crear cierto grado de aprensión al mismo. Dentro de nuestro contexto
social, resultaría beneficioso utilizar como herramienta de apoyo una
aplicación móvil para el tratamiento de la diabetes, como Diabetes:M, la cual
permite a sus usuarios llevar un control sobre varios aspectos de su
enfermedad presentando reportes y estadísticas del estado del paciente
mediante el ingreso de valores diarios como niveles de glucosa en sangre,
dosis de insulina, alimentación, actividad física que realiza, entre otros.
Además, tomando los valores mencionados anteriormente, ofrece
recomendaciones alimenticias y deportivas acordes al estado del paciente.
Así mismo la información recopilada por la aplicación sería de utilidad para
su médico tratante ya que le permitiría obtener la información de su paciente
de manera rápida y ordenada.
91
BIBLIOGRAFÍA
Adomavicius, G., & Tuzhilin, A. (2005). Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions. IEEE Transactions on Knowledge and Data Engineering, 17(6), 734–749. https://doi.org/10.1109/TKDE.2005.99
Aggarwal, C. C. (2016a). Content-Based Recommender Systems. In Recommender Systems (pp. 139–166). Cham: Springer International Publishing. https://doi.org/10.1007/978-3-319-29659-3_4
Aggarwal, C. C. (2016b). Recommender Systems. Cham: Springer International Publishing. https://doi.org/10.1007/978-3-319-29659-3
Al-Shamri, M. Y. H., & Bharadwaj, K. K. (2008). Fuzzy-genetic approach to recommender systems based on a novel hybrid user model. Expert Systems with Applications, 35(3), 1386–1399. https://doi.org/10.1016/j.eswa.2007.08.016
Ali, F., Islam, S. M. R., Kwak, D., Khan, P., Ullah, N., Yoo, S., & Kwak, K. S. (2018). Type-2 fuzzy ontology–aided recommendation systems for IoT–based healthcare. Computer Communications, 119, 138–155. https://doi.org/10.1016/J.COMCOM.2017.10.005
Alian, S., Li, J., & Pandey, V. (2018). A Personalized Recommendation System to Support Diabetes Self-Management for American Indians. IEEE Access, 6, 73041–73051. https://doi.org/10.1109/ACCESS.2018.2882138
Archenaa, J., & Anita, E. A. M. (2017). Health Recommender System using Big data analytics. Journal of Management Science and Business Intelligence, 17–24. https://doi.org/10.5281/zenodo
Badaró, S., Ibañez, L. J., & Agüero, M. J. (2013). Sistemas Expertos. Fundamentos, metodologías y aplicaciones. Ciencia y tecnología, ISSN 1850-0870, ISSN-e 2344-9217, No. 13, 2013, págs. 349-364. Universidad de Palermo. Retrieved from https://dialnet.unirioja.es/servlet/articulo?codigo=4843871
Berkovsky, S., Kuflik, T., & Ricci, F. (2008). Mediation of user models for enhanced personalization in recommender systems. User Modeling and User-Adapted Interaction, 18(3), 245–286. https://doi.org/10.1007/s11257-007-9042-9
Burke, R. (2002). Hybrid Recommender Systems: Survey and Experiments. User Modeling and User-Adapted Interaction, 12(4), 331–370. https://doi.org/10.1023/A:1021240730564
Caballero-Ruiz, E., García-Sáez, G., Rigla, M., Villaplana, M., Pons, B., & Hernando, M. E. (2017). A web-based clinical decision
92
support system for gestational diabetes: Automatic diet prescription and detection of insulin needs. International Journal of Medical Informatics, 102, 35–49. https://doi.org/10.1016/J.IJMEDINF.2017.02.014
Castillo, E., Gutiérrez, M., & Hadi, A. S. (2016). Sistemas Expertos y Modelos de Redes Probabilísticas. Retrieved from http://personales.unican.es/gutierjm/papers/BookCGH.pdf
Chen, L., Chen, G., & Wang, F. (2015). Recommender systems based on user reviews: the state of the art. User Modeling and User-Adapted Interaction, 25(2), 99–154. https://doi.org/10.1007/s11257-015-9155-5
Dabroom, E. E. E. A. M., & kholy, A. E. E.-. (2004). Adaptive Fuzzy Logic ontrollers for D Drives : A Survey of the State of the art JES. Retrieved from https://www.semanticscholar.org/paper/Adaptive-Fuzzy-Logic-Controllers-for-DC-Drives-%3A-A-Dabroom-kholy/6140733ce6b0edc4292a2f486e3d0f75b19a9a6d
Delgado Castillo, D., Martín Pérez, R., Hernández Pérez, L., Orozco Morález, R., & Lorenzo Ginori, J. (2001). Algoritmos de aprendizaje automático para la clasificación de neuronas piramidales afectadas por el envejecimiento. Revista Cubana de Informática Médica (Vol. ). entro de ibernética Aplicada a la Medicina. Retrieved from http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1684-18592016000300008
Eckhardt, A. (2009). Various aspects of user preference learning and recommender systems ⋆ . Retrieved from http://ceur-ws.org/Vol-471/paper6.pdf
El-kholy, E. (2015). Adaptive Fuzzy Logic Controllers for DC Drives: A Survey of the State of the art, (September 2006).
F.O. Isinkaye, Y.O. Folajimi, & B.A. Ojokoh. (2015). Recommendation systems: Principles, methods and evaluation. Egyptian Informatics Journal, 16(3), 261–273.
Fernández Espinosa, L. (2018). What is a recommendation in the era of artificial intelligence? Retrieved from https://www.bbva.com/en/what-is-recommendation-in-the-of-artificial-intelligence/
Folgueiras Bertomeu, P. (2016). La entrevista. Retrieved from http://diposit.ub.edu/dspace/bitstream/2445/99003/1/entrevista pf.pdf
Gershman, A., Meisels, A., Lüke, K.-H., Rokach, L., Schclar, A., & Sturm, A. (2010). A Decision Tree Based Recommender System. Undefined. Retrieved from https://www.semanticscholar.org/paper/A-Decision-Tree-Based-Recommender-System-Gershman-Meisels/adb6e8f0fc75985d63e2bb34a31e49b1545d81b4
93
Haruna, K., Akmar Ismail, M., Damiasih, D., Sutopo, J., & Herawan, T. (2017). A collaborative approach for research paper recommender system. PLOS ONE, 12(10), e0184516. https://doi.org/10.1371/journal.pone.0184516
Herlocker, J. L., Konstan, J. A., Terveen, L. G., & Riedl, J. T. (2004). Evaluating collaborative filtering recommender systems. ACM Transactions on Information Systems, 22(1), 5–53. https://doi.org/10.1145/963770.963772
ernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, P. (2014). . McGraw-Hill Education. Retrieved from https://www.casadellibro.com/libro-metodologia-de-la-investigacion-6-edicion/9781456223960/2388718
Hernando, M. ., Gómez, E. ., Corcoy, R., & del Pozo, F. (2000). Evaluation of DIABNET, a decision support system for therapy planning in gestational diabetes. Computer Methods and Programs in Biomedicine, 62(3), 235–248. https://doi.org/10.1016/S0169-2607(00)00070-5
INEC. (2017). Diabetes, segunda causa de muerte después de las enfermedades isquémicas del corazón |. Retrieved November 12, 2018, from http://www.ecuadorencifras.gob.ec/diabetes-segunda-causa-de-muerte-despues-de-las-enfermedades-isquemicas-del-corazon/
Kulev, I., Vlahu-Gjorgievska, E., Trajkovik, V., & Koceski, S. (n.d.). The 10 th Conference for Informatics and Information Technology (CIIT 2013) RECOMMENDATION ALGORITHM BASED ON COLLABORATIVE FILTERING AND ITS APPLICATION IN HEALTH CARE. Retrieved from http://ciit.finki.ukim.mk/data/papers/10CiiT/10CiiT-08.pdf
Lee, M., Gatton, T. M., & Lee, K.-K. (2010). A monitoring and advisory system for diabetes patient management using a rule-based method and KNN. Sensors (Basel, Switzerland), 10(4), 3934–3953. https://doi.org/10.3390/s100403934
López, M. B., Montes, A. J. H., Ramírez, R. V., Hernández, G. A., Cabada, R. Z., & Estrada, M. L. B. (2016). EmoRemSys: Sistema de recomendación de recursos educativos basado en detección de emociones. RISTI - Revista Iberica de Sistemas e Tecnologias de Informacao. https://doi.org/10.17013/risti.17.80-95
Maguiña, A. R. (2010). Sistemas de inferencia basados en Lógica Borrosa: Fundamentos y caso de estudio. Retrieved from http://200.62.146.19/Bibvirtual/Publicaciones/risi/2010_n1/v7n1/a09v7n1.pdf
Mathers, C. D., & Loncar, D. (2006). Projections of Global Mortality and Burden of Disease from 2002 to 2030. PLoS Medicine, 3(11), e442. https://doi.org/10.1371/journal.pmed.0030442
Medina-Moreira, J., Apolinario, O., Luna-Aveiga, H., Lagos-Ortiz, K., Paredes-Valverde, M. A., & Valencia-García, R. (2017). A
94
Collaborative Filtering Based Recommender System for Disease Self-management (pp. 60–71). https://doi.org/10.1007/978-3-319-67283-0_5
Obenshain, M. K. (2004). Application of Data Mining Techniques to Healthcare Data. Infection Control & Hospital Epidemiology, 25(08), 690–695. https://doi.org/10.1086/502460
Patel, V. L., Shortliffe, E. H., Stefanelli, M., Szolovits, P., Berthold, M. R., & Abu-Hanna, A. (2009). The coming of age of artificial intelligence in medicine. Artificial Intelligence in Medicine, 46(1), 5–17. https://doi.org/10.1016/J.ARTMED.2008.07.017
Phanich, M., Pholkul, P., & Phimoltares, S. (2010). Food Recommendation System Using Clustering Analysis for Diabetic Patients. In 2010 International Conference on Information Science and Applications (pp. 1–8). IEEE. https://doi.org/10.1109/ICISA.2010.5480416
Rashid, A. M., Albert, I., Cosley, D., Lam, S. K., McNee, S. M., Konstan, J. A., & Riedl, J. (2002). Getting to know you. In Proceedings of the 7th international conference on Intelligent user interfaces - IUI ’02 (p. 127). New York, New York, USA: ACM Press. https://doi.org/10.1145/502716.502737
Resnick, P., & Varian, H. R. (1997). Recommender systems. Communications of the ACM, 40(3), 56–58. https://doi.org/10.1145/245108.245121
Ricci, F., Rokach, L., & Shapira, B. (2011). Introduction to Recommender Systems Handbook. In Recommender Systems Handbook (pp. 1–35). Boston, MA: Springer US. https://doi.org/10.1007/978-0-387-85820-3_1
Ricci, F., Rokach, L., & Shapira, B. (2015). Recommender Systems: Introduction and Challenges. In Recommender Systems Handbook (pp. 1–34). Boston, MA: Springer US. https://doi.org/10.1007/978-1-4899-7637-6_1
Van Meteren, R., & Van Someren, M. (2000). Using Content-Based Filtering for Recommendation 1. Retrieved from http://users.ics.forth.gr/~potamias/mlnia/paper_6.pdf
Wang, D., Liang, Y., Xu, D., Feng, X., & Guan, R. (2018). A content-based recommender system for computer science publications. Knowledge-Based Systems, 157, 1–9. https://doi.org/10.1016/J.KNOSYS.2018.05.001
Zhou, Y., Lü, L., Liu, W., & Zhang, J. (2013). The Power of Ground User in Recommender Systems. PLoS ONE, 8(8), e70094. https://doi.org/10.1371/journal.pone.0070094
95
ANEXOS ANEXO 1: ENTREVISTA A LOS EXPERTOS
UNIVERSIDAD DE GUAYAQUIL FACULTAD DE MATEMÁTICAS Y FÍSICAS
CARRERA INGENIERÍA EN NETWORKING Y TELECOMUNICACIONES PROYECTO DE TÍTULACIÓN
Investigación y análisis de sistemas de recomendaciones basados en reglas y fuzzy para el control de la diabetes sobre artículos científicos y sistemas existentes
Nombre: Especialidad: Lugar de trabajo: Años de experiencia:
1. ¿Cómo toma la decisión para el tratamiento específico en un paciente de diabetes, cuáles son los indicadores principales? [que valores toma de los exámenes]
2. ¿Usted utiliza como base de referencia tratamientos de éxito con nuevos pacientes de diabetes?
3. ¿Qué medios utiliza usted para acceder a esta base de referencia? (aplicación,
agenda)
4. ¿Utiliza usted la tecnología en el desarrollo de su profesión?
5. ¿Cree usted que la tecnología ayuda al desempeño de su labor?
6. ¿Conoce/ha oído hablar usted sobre los Sistemas de Recomendaciones para la toma de decisiones clínicas?
7. Después de dialogar sobre los sistemas de recomendaciones, ¿Cree usted que
sería convenientes utilizarlos como herramientas de trabajo?
8. ¿Qué opina sobre la implementación de los sistemas de recomendaciones para el control de la diabetes?
9. ¿Utilizaría usted un programa o aplicación móvil que implemente un sistema de
recomendaciones para el control de la diabetes de sus pacientes?
10. ¿Estaría usted dispuesta a aportar con su experiencia a la base de conocimientos en el tratamiento de la diabetes?
96
ANEXO 2: ENTREVISTA A LOS PACIENTES
UNIVERSIDAD DE GUAYAQUIL FACULTAD DE MATEMÁTICAS Y FÍSICAS
CARRERA INGENIERÍA EN NETWORKING Y TELECOMUNICACIONES PROYECTO DE TÍTULACIÓN
Investigación y análisis de sistemas de recomendaciones basados en reglas y fuzzy para el control de la diabetes sobre artículos científicos y sistemas existentes
El cuestionario es totalmente anónimo, conteste a las siguientes preguntas de manera honesta ¿Cuál es su edad actualmente? Menos de 15 años ______ Entre 15 y 25 años ______ Entre 26 y 40 años ______ Más de 40 años ________ ¿A qué género pertenece? ____ Masculino ____ Femenino ¿Cuál es su diagnóstico? ____ Prediabetes ____ Diabetes Tipo 1 ____ Diabetes Tipo2 ____ Diabetes Gestacional ¿Qué método utiliza usted para su tratamiento? (puede elegir más de una opción) ____ Ejercicio ____ Alimentación ____ Fármacos(pastillas) ____ Insulina ¿Cada qué tiempo se realiza exámenes de diabetes? ____ Diariamente ____ Semanalmente ____ Mensualmente ____ Anualmente ¿Ha escuchado alguna vez sobre aplicaciones móviles o de escritorio para llevar el
control de su enfermedad? ____ Sí ____ No ____ No sé ¿Ve conveniente utilizar una aplicación móvil o de escritorio para llevar el control la
diabetes? ___ Sí ___ No ___ No sé ¿Qué medios busca para informarse de su enfermedad? ____ Libros ____ redes sociales ____ médicos ____ páginas de internet ____aplicaciones móviles
97
¿Estaría dispuesto a utilizar una aplicación para el control de la diabetes? ___ Sí ___ No ___ No sé En caso de no haber respondido afirmativamente a la pregunta anterior. ¿Por qué
motivo no estaría dispuesto a utilizar una aplicación para el control de su enfermedad? ____ Falta de conocimiento sobre la aplicación ____ Desconfianza ____ Otros. ________________________________
98
ANEXO 3: Comparación entre las principales aplicaciones móviles para el control de la diabetes
APLICACIÓN Tipo de Diabetes Dispositivo Enfoque de
filtrado
Algoritmo de
filtrado
T1
DM
T2
DM
GD
M
Mó
vil
We
b
Gra
tuito
Co
sto
Co
lab
ora
tivo
F.
Co
nte
nid
o
K-N
N
Ba
ye
sia
no
Árb
ol d
e
jera
rqu
ía
Diabetes, Blood Pressure, Health Tracker
App
x x x x x x x
myDiabeticAlert x x x x x x
SocialDiabetes x x x x x x x
QuoHealth x x x x x x x
Diabetes:M x x x x x x x
MyNetDiary x x x x x x x x x
Health2Sync x x x x x x x x
Glucosio x x x x x x
Diabetes Pharma x x x x x