El encuentro entre la medicina y la matemática

Autores/as

  • Jorge Andrés Mejía Rubio MAIA Healthcare y MedzAIo
  • Luis Eduardo Pino V. Instituto de Oncología, Fundación Santa Fe de Bogotá

DOI:

https://doi.org/10.56050/01205498.1640

Palabras clave:

Matemáticas, Medicina, Minería de datos, Modelos de Optimización, Redes Bayesianas, Redes Neuronales, K-means, Análisis Multicriterio, Ecosistemas Digitales en Salud, Reasoner

Resumen

El encuentro entre la medicina y las matemáticas va mucho más allá de la modelación estadística o la biofísica. La matemática aplicada en medicina es la fuente principal de los modelos avanzados de analítica, pero a la vez permite optimizar la minería de datos, los métodos de visualización, la algoritmización y posteriormente los razonadores alojados en plataformas de salud. Presentamos en este capítulo un breve resumen de las técnicas matemáticas de mayor uso para la evolución de la medicina computacional y su posterior migración a modelos mecanicistas.

Biografía del autor/a

Jorge Andrés Mejía Rubio, MAIA Healthcare y MedzAIo

MBA, MSc Finance. MAIA Healthcare y MedzAIo, Bogotá, Colombia

Luis Eduardo Pino V., Instituto de Oncología, Fundación Santa Fe de Bogotá

MBA, MSc Finance. MAIA Healthcare y MedzAIo, Bogotá, Colombia.
MD, MSc, MBA. Miembro Fundador de AIpocrates. Departamento de Oncología Clínica, Instituto de Oncología, Fundación Santa Fe de Bogotá, Colombia.

Referencias bibliográficas

1. Hewitt P. Bernoulli´s Principle.Sci Teach. 2014;7(1):51- 55.
2. Dunham M. Data Mining: Introductory and Advanced Topics. Pearson Education; 2006.
3. Fayyad M, Smyth P, Piatesky-Shapiro G. From Data Mining to Knowledge Discovery. En Fayyad M, Smyth P, Piatesky-Shapiro G. From Data Mining to Knowledge Discovery.: Springer; 1996. p. 34.
4. Rossenblatt F. The perceptron: a probabilistic model for information storage and organization in the brain. Psychol Review. 1958;65(6):386-408.
5. Han JK, Pei J. Data mining, concepts and techniques. En Han JK, Pei J. Data mining, concepts and techniques; 2000.
6. Espinosa O., Rodríguez J., Robayo A, Arias L., Moreno S., Ospina M, et al. Vulnerability interactive geographic viewer against COVID-19 at the block level in Colombia. Reg Sci Policy. 2021;1.
7. Pino L. MAIA como plataforma integradora de salud usando arquitectura biodigital. [MBA].: EAN; 2019.
8. Broniatowski M. Minimum Divergence Indicators, Maximum Likelihood and Generalized Bootstrap. Entropy. 2021; 23(2):185.
9. Pelaccia T., Forestier G., Wemmert C. Deconstructing the diagnostic reasoning of human vrsus artificiL Intelligence. CMAJ. 2019;191(48):E1332-E1335.
10. Mokeddem S., Atmani B., Mokaddem M. A new approach for CAD diagnosis based on a genetic algorithm. Int J Decis Support Syst Techn. 2014;6(4):1-15.
11. Prather J., Lobach D., Goodwin L., Hales JW., Hage M., Hammond WE.. Medical data mining : Knowledge discovery in a clinical data warehouse. Proc AMIA Annu Fall Symp. 1997;101-105.
12. Pogdorelec V, Hericko M, Rozman I. Improving mining of medical data by outliers prediction. 18 ed. IEEE Symposium on Computer-Based Medical Systems(CBMS); 2005.
13. Ramírez J., Cook D., Peterson D. An event set approach to sequence discovery in medical data. Intell Data Anal. 2000;4(6):513-530.
14. Pino L., Triana I., Mejía J., Camelo M., Galvez-Nino M., Ruiz R, et al. Predictive Analytics in Real-World Data from Peru: The New Models for Personalized Oncology. JThorac Oncol. 2021;16(3):S294.
15. Logette E., Lorin C., Favreu C., Oshurko E., Coggan J., Casalegno F., Francois M, et al. A Machine-Generated View of the Role of Blood Glucose Levels in the Severity of COVID-19. Front Public Health. 2021;9:695139.
16. Luo X., Gandhi P., Zhang Z., Shao W., Han Z., Chandrasekaran V., Turzhitsky V, et al. Applying interpretable deep learning models to identify chronic cough patients using EHR data. Comput Methods Programs Biomed. 2021;210:106395.
17. Benmena S. Introduction aux methods multicriteries dáide a la decision. Biotechnol Agron Environ. 2000;4(2):83- 93.
18. Keeney R, Raiffa H. Decisions with multiple objectives: preferences and value trade-offs. Cambridge University Press. 1993;.
19. Scharlig A. Décider sur plusieurs critères, panorama de l’aide à la décision multicritère. Collection Diriger l’entreprise. Presses Polytechniques et Universitaires Romandes; 1985.
20. Bana e Costa C. Readings in Multiple Criteria Decision Aid. En: Vansnick JC. Ed.Measurement theory and and decision aid.1ra ed. Berlín: Springer; 1990. p. 81-100.
21. Roy B. Méthodologie Multicritères d’Aide à la Décision. París: Economica. 1985.
22. Chakhar S. Cartographie décisionnelle multicritères: formalisation et implémentation informatique. Paris: Université Paris Dauphine; 2006.
23. Vodovotz Y. Integrating mindsets and toolsets at the frontiers of sistems biology. Front Syst Biol. 2021;1.

Cómo citar

[1]
Mejía Rubio, J.A. y Pino V., L.E. 2022. El encuentro entre la medicina y la matemática. Medicina. 43, 4 (ene. 2022), 497–513. DOI:https://doi.org/10.56050/01205498.1640.

Descargas

Los datos de descargas todavía no están disponibles.

Descargas

Publicado

2022-01-18
Crossref Cited-by logo