Árboles de decisión para la evaluación del riesgo biológico de procesos biofarmacéuticos.

  1. Novoa-Hernández, Pavel
  2. Cobos-Valdes, Dailín
  3. Samaniego-Mena, Eduardo
  4. Novoa-Pérez, Milvio
Revista:
Revista Ciencia UNEMI

ISSN: 2528-7737,  1390-4272

Año de publicación: 2018

Título del ejemplar: Septiembre-Diciembre

Volumen: 11

Número: 28

Páginas: 8-17

Tipo: Artículo

DOI: 10.29076/ISSN.2528-7737VOL11ISS28.2018PP8-17P DIALNET GOOGLE SCHOLAR lock_openDialnet editor

Otras publicaciones en: Revista Ciencia UNEMI

Resumen

En el presente trabajo se propone un nuevo modelo para la evaluación del riesgo biológico en procesos biofarmacéuticos. La propuesta extiende un modelo existente, aportando como principal novedad el tratamiento de las determinaciones de los niveles de consecuencia y probabilidad de riesgo, como problemas de clasificación supervisada. Específicamente, se obtuvieron modelos de clasificación basados en árboles de decisión que poseen como ventajas más importantes: 1) un número menor de indicadores para la determinación de consecuencias y probabilidades, 2) un orden de medición de los indicadores, basado en la importancia de los mismos. Con el objetivo de analizar las bondades del nuevo modelo, se consideraron tres casos de estudio relacionados con procesos farmacéuticos reales. En comparación con el modelo anterior, el nuevo ofrece resultados similares, pero facilitando notablemente el proceso de evaluación del riesgo biológico.

Referencias bibliográficas

  • Abraham, A. (2005). Adaptation of Fuzzy Inference System Using Neural Learning BT - Fuzzy Systems Engineering: Theory and Practice. In N. Nedjah & L. de Macedo Mourelle (Eds.) (pp. 53–83). Berlin, Heidelberg: Springer Berlin Heidelberg. https://doi.org/10.1007/11339366_3
  • Alanazi, H. O., Abdullah, A. H., & Qureshi, K. N. (2017). A Critical Review for Developing Accurate and Dynamic Predictive Models Using Machine Learning Methods in Medicine and Health Care. Journal of Medical Systems, 41(4), 69. https://doi.org/10.1007/s10916-017-0715-6
  • Benavent, N., LLorca, J. L., Laborda, R., & Soto, P. (2004). Manual práctico para la evaluación del riesgo biológico en actividades laborales diversas (BIOGAVAL) - VALENCIA. Valencia.
  • Campbell, C., & Ying, Y. (2011). Learning with Support Vector Machines. Synthesis Lectures on Artificial Intelligence and Machine Learning, 5(1), 1–95. https://doi.org/10.2200/S00324ED1V01Y201102AIM010
  • Cedeño, M. (2010). Evaluación del riesgo biológico en el diagnóstico bacteriológico de la tuberculosis humana mediante la aplicación del método Bioriesgo Intrínseco Mínimo (BioRIM). Instituto Superior de Tecnología y Ciencias Aplicadas, Ciudad de La Habana.
  • Chazard, E., Preda, C., Merlin, B., Ficheur, G., & Beuscart, R. (2009). Data-Mining-based Detection of Adverse Drug Events. In A. H-P., B. B., J. Mantas, & I. Masic (Eds.), Proceedings of MIE 2009. Medical Informatics in a United and Healthy Europe. Studies in Health Technology and Informatics (pp. 552–556). Amsterdam: IOS Press.
  • Cobos, D., Vázquez, J., Cedeño, M., & Rodríguez, A. (2009). Methodology to evaluate biological risks. Revista Electrónica Ciencias Holguín, XV(4).
  • Guazzelli, A., Lin, W.-C., & Jena, T. (2012). PMML in Action: Unleashing the Power of Open Standards for Data Mining and Predictive Analytics (2nd ed.). Paramount, CA: CreateSpace.
  • Hathout, R. M., & Metwally, A. A. (2016). Towards better modelling of drug-loading in solid lipid nanoparticles: Molecular dynamics, docking experiments and Gaussian Processes machine learning. European Journal of Pharmaceutics and Biopharmaceutics, 108, 262–268. https://doi.org/https://doi.org/10.1016/j.ejpb.2016.07.019
  • Hofmann, M., & Klinkenberg, R. (2013). RapidMiner: Data Mining Use Cases and Business Analytics Applications. Chapman and Hall/CRC.
  • Ian H. Witten, Eibe Frank, Mark A. Hall, & Christopher J. Pal. (2017). Data mining: Practical machine learning tools and techniques (fourth edition) (2nd Editio). San Francisco: Morgan Kaufmann.
  • Jarne, A. R., & Ferrarotti, N. F. (2003). Bioriesgo intrínseco mínimo: un método para la evaluación del riesgo causado por agentes biológicos. Acta Bioquím. Clín. Latinoam., 37(1), 29–37.
  • Krämer, J., Schreyögg, J., & Busse, R. (2017). Classification of hospital admissions into emergency and elective care: a machine learning approach. Health Care Management Science. https://doi.org/10.1007/s10729-017-9423-5
  • Lötsch, J., Sipilä, R., Tasmuth, T., Kringel, D., Estlander, A.-M., Meretoja, T., … Ultsch, A. (2018). Machine-learning-derived classifier predicts absence of persistent pain after breast cancer surgery with high accuracy. Breast Cancer Research and Treatment. https://doi.org/10.1007/s10549-018-4841-8
  • Novoa-Hernández, P., Bayas, B. O., Oviedo, J. M., Puris, A., Menace, M., & Corona, C. C. (2016). Impacto de la auto-adaptación en ambientes dinámicos con frecuencia de cambio variable. Investigacion Operacional, 37(3).
  • Novoa-Hernández, P., Corona, C. C., & Pelta, D. A. (2015). A software tool for assisting experimentation in dynamic environments. Applied Computational Intelligence and Soft Computing, 2015, 5.
  • Quinlan, J. R. (1993). C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers.
  • Ranginkaman, A. E., Kazemi Kordestani, J., Rezvanian, A., & Meybodi, M. R. (2014). A note on the paper “A multi-population harmony search algorithm with external archive for dynamic optimization problems” by Turky and Abdullah. Information Sciences, 288, 12–14. https://doi.org/10.1016/j.ins.2014.07.049
  • Revuelta-Zamorano, P., Sánchez, A., Rojo-Álvarez, J. L., Álvarez-Rodríguez, J., Ramos-López, J., & Soguero-Ruiz, C. (2016). Prediction of Healthcare Associated Infections in an Intensive Care Unit Using Machine Learning and Big Data Tools BT - XIV Mediterranean Conference on Medical and Biological Engineering and Computing 2016. In E. Kyriacou, S. Christofides, & C. S. Pattichis (Eds.) (pp. 840–845). Cham: Springer International Publishing.
  • Shalev-Shwartz, S., & Ben-David, S. (2014). Understanding Machine Learning: From Theory to Algorithms. Cambridge University Press.
  • Sikora, M., Krzystanek, Z., Bojko, B., & Śpiechowicz, K. (2011). Application of a hybrid method of machine learning for description and on-line estimation of methane hazard in mine workings. Journal of Mining Science, 47(4), 493–505. https://doi.org/10.1134/S1062739147040125
  • Vázquez, J. (2011). Aplicación del Método BIOGAVAL para la evaluación del Riesgo biológico en el laboratorio Clínico y Microbiológico del Hospital Docente Clínico Quirúrgico “Dr. Gustavo Aldereguía Lima.” Instituto Superior de Tecnología y Ciencias Aplicadas, Ciudad de La Habana.
  • Zio, E. (2018). The future of risk assessment. Reliability Engineering & System Safety, 177, 176–190.
Fuente de los datos: Dialnet