Técnicas matemáticas para datos médicos

Abstract

Los profesionales médicos se enfrentan habitualmente a problemas complejos y difíciles de tratar, como puede ser el diagnóstico de un paciente. En este trabajo se presentan varios recursos basados en la teoría matemática, que podrían ser útiles para identificar patrones y anticiparse a las necesidades de los pacientes. Los datos médicos suelen aparecer en forma de matrices numéricas o secuencias temporales. Desarrollamos herramientas matemáticas para el cribado automático de dichos datos en dos contextos médicos: el diagnóstico de pacientes con un cuadro clínico de pruebas de laboratorio y la identificación de anomalías cardíacas. La idea es primero implementar una normalización adecuada de los datos y, a continuación, utilizar las distancias adecuadas para identificar y clasificar los patrones relevantes. Mientras que las distancias de Hamming están bien adaptadas para el estudio de patrones en matrices numéricas normalizadas que representan datos de pruebas de laboratorio, las distancias de Time Warping proporcionan herramientas robustas para el estudio de las señales cardíacas. Las técnicas aquí desarrolladas pueden sentar las bases para el cribado automático de información médica basada en la comparación de patrones.

Medical professionals are often faced with complex and difficult problems to deal with, such as the diagnosis of a patient. This paper presents several resources based on mathematical theory, which could be useful to identify patterns and anticipate patients' needs. Medical data are usually in the form of numerical matrices or time sequences. time sequences. We develop mathematical tools for the automatic screening of such data in two medical contexts: the diagnosis of patients with a clinical laboratory data in two medical contexts: the diagnosis of patients with a clinical picture from laboratory tests and the identiffication of cardiac anomalies. The idea is to first implement a proper normalisation of the data and then use appropriate distances to identify and classify the relevant patterns. and classify relevant patterns. While Hamming distances are well suited for the study of patterns in normalised numerical arrays representing laboratory test data, Time Warping distances provide robust tools for the study of cardiac signals. The techniques developed here can lay the foundation for automatic screening of medical information based on pattern matching.