Indira Agramonte Mayhua  
Universidad Nacional de San Agustín.  
Arequipa, Perú.  
Alex Chaco Huamani  
Universidad Nacional de San Agustín.  
Arequipa, Perú.  
iagramontem@unsa.edu.pe  
achacohu@unsa.edu.pe  
Alexander Valdiviezo Tovar  
Universidad Nacional de San Agustín.  
Arequipa, Perú.  
Melody Ramos Challa  
Universidad Nacional de San Agustín.  
Arequipa, Perú.  
avaldiviezot@unsa.edu.pe  
mramoschal@unsa.edu.pe  
ARK: ark:/42411/s9/a69  
PURL: 42411/s9/a69  
RECIBIDO 22/05/2022 ● ACEPTADO 14/06/2022 ● PUBLICADO 30/09/2022  
RESUMEN  
Uno de los problemas más comunes en los niños que no son correctamente alimentados es la  
anemia. La deficiencia de hierro es perjudicial para los menores, pues impide que realicen sus  
actividades diarias por el cansancio extremo y fatiga. Debido a esta situación, el Estado peruano  
ha intentado disminuir el nivel de prevalencia de anemia a nivel nacional con campañas médicas  
en diferentes regiones, pese a ello, localidades como Caylloma en Arequipa aún mantienen un  
alto porcentaje de infantes anémicos, para ello se desarrolló una implementación mediante  
Árboles de Decisión con el lenguaje Python para poder determinar si un niño tiene anemia en  
base a los datos proporcionados.  
Palabras claves: Árbol de decisión, anemia, inteligencia artificial.  
ABSTRACT  
Anemia is one of the most common problems in children who are not adequately fed. Iron  
deficiency harms minors as it prevents them from carrying out their daily activities due to extreme  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
tiredness and fatigue. Due to this situation, the Peruvian State has tried to reduce the level of  
prevalence of anemia at the national level with medical campaigns in different regions; despite  
this, localities such as Caylloma in Arequipa still maintain a high percentage of anemic infants,  
for which an implementation through Decision Trees with the python language to be able to  
determine if a child has anemia based on the data provided.  
Keywords: Decision tree, anemia, artificial intelligence.  
INTRODUCCIÓN  
Uno de los mayores problemas de salud pública en el mundo asociado al incremento de índices  
de morbilidad y mortalidad, es la anemia [1]; según la OMS (Organización Mundial de la Salud)  
en el año 2020 la anemia afectó en todo el mundo a 1620 millones de personas, lo que  
representaría al 24,8% de la población, mientras que, la máxima prevalencia se da en los niños  
en edad preescolar con 47,4% [2].  
En nuestro país muchas mujeres gestantes y niños hasta los 11 años de edad mueren debido a  
tardíos diagnósticos por parte de los médicos siendo familias del sector rural los más afectados,  
esto debido a deficiencias nutricionales, bajos ingresos familiares, bajo nivel educativo, políticas  
de salud centralistas y al bajo financiamiento destinado por parte del estado peruano [3].  
Realizar diagnósticos en niños no es una tarea fácil, no sólo basta con saber si un niño presenta  
anemia o no, sino también conocer el grado de afección; dato que podría ser determinante en la  
evaluación de futuras complicaciones en el paciente [4]. Por otro lado, existen diferentes  
indicadores para realizar tales diagnósticos los más comunes son talla, peso, niveles de  
hemoglobina, frecuencia cardíaca entre otros lo que permite evaluar la condición en la que se  
encuentra un individuo frente a esta enfermedad [5]. Otro factor importante a considerar también  
es la ubicación geográfica, en nuestro país la media de niveles de hemoglobina en regiones de la  
sierra es mayor que en las regiones de la costa.  
Tomando en cuenta lo anteriormente descrito, en este artículo se pretende desarrollar un Árbol  
de decisión, basado en un sistema de información del estado nutricional de niños del Perú  
proporcionada por el Instituto Nacional de Salud con el fin de conocer el diagnóstico de anemia  
en niños pertenecientes a la región de Arequipa, de esta manera también anticipar el nivel de  
afección con una precisión aceptable [6]. En ese sentido nos basamos en el Sistema de  
Información del Estado Nutricional (SIEN) que fue implementado por el Instituto Nacional de  
Salud - Centro Nacional de Alimentación y Nutrición (INS/CENAN) [7] con el fin de obtener un  
diagnóstico de anemia en niños menores a 11 años en la ciudad de Arequipa ya que dicho sistema  
realiza un proceso continuo y sistemático que registra, procesa, reporta y analiza información del  
estado nutricional de niños menores de cinco años y mujeres gestantes que acuden a  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
establecimientos de salud del primer nivel de atención del Ministerio de Salud [8]. El Árbol de  
decisión presentado es una estructura que nos ayudará a tomar como entrada un objeto o  
situación descrita por un conjunto de propiedades en este caso indicadores de anemia y  
proporcionará como salida una decisión de sí o no. En términos de capacidad, el Árbol de decisión  
es un método rápido y eficaz que va a permitir clasificar las entradas del conjunto de datos y  
proporcionar una buena capacidad de apoyo a las decisiones [9].  
El sistema será de gran ayuda en el diagnóstico de anemia ya que tiene ciertos parámetros que  
pueden ser revisados utilizando una estructura de inteligencia artificial para conseguir datos más  
cercanos que nos permitan encontrar una relación entre el nivel de hemoglobina frente a un  
posible cuadro de anemia [10].  
Trabajos Relacionados  
Barrientos et al. [11] evalúan el desempeño de tres algoritmos basados en los árboles de decisión  
a partir de los resultados en su aplicación con el fin de determinar si la técnica puede llegar a ser  
una herramienta de soporte y ayuda eficaz en el tratamiento y diagnóstico médico  
correspondientes a la sintomatología que un médico especialista considera importante en el  
diagnóstico de cáncer de seno.  
Para realizar esto los autores utilizaron dos bases de datos las cuales contienen datos recopilados  
por expertos en patología con experiencia en la detección de cáncer de mama, estos datos  
permiten el diagnóstico para saber si el paciente tiene o no cáncer de mamá sin embargo es  
necesario una biopsia y una mamografía para indicar si el tumor es maligno. Esta investigación  
concluye que los árboles de decisión son posibles de construir a partir de datos médicos, sin  
embargo, los datos recopilados deben de pasar por un proceso de clasificación de esta manera  
se obtiene un margen de error mínimo. R. Yen et al.[12] examinaron los factores de riesgo  
principales relacionados con las conductas alimentarias inadaptadas y la regulación de las  
emociones, y cómo sus interacciones afectan a la detección de los trastornos alimentarios. Para  
ello construyeron un modelo de árbol de decisión utilizando el aprendizaje automático sobre un  
conjunto de datos de 830 mujeres jóvenes chinas sin antecedentes con una edad media de 18,91  
años.  
El conjunto de datos se dividió en datos de entrenamiento y de prueba con una proporción de  
7
0% y 30%. Los resultados señalan que la inflexibilidad de la imagen corporal se identificó como  
el principal clasificador de las mujeres con alto riesgo de TCA, seguidas por la angustia psicológica  
y la insatisfacción corporal. Pei et al.[13] establecieron un modelo predictivo basado en los  
factores de riesgo asociados a la diabetes mediante un árbol de decisión. En su investigación  
reclutaron a un total de 10.436 participantes que se sometieron a un examen de salud entre  
enero de 2017 y julio de 2017, de los cuales 3454 permanecieron en el conjunto final de datos.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
Para asignar el porcentaje de datos de entrenamiento y de prueba usaron el algoritmo J48, dando  
como resultado un 70% de datos para entrenamiento y 30% de datos de prueba. Su trabajo  
consta de 14 variables de entrada y 2 de salida, el modelo de árbol de decisión presentado  
identificó varios factores clave que están estrechamente relacionados con el desarrollo de la  
diabetes y que también son modificables. Además, el modelo alcanzó una exactitud de  
clasificación del 90,3% con una precisión del 89,7% y un recuerdo del 90,3%.  
Presentando como conclusión que su modelo de árbol de decisión estima el desarrollo de la  
diabetes en una población china adulta de alto riesgo con un gran potencial para la aplicación del  
control de la diabetes. Bouza y Santiago [14] califican a los árboles de decisión como una  
herramienta muy potente, que permite la segmentación, clasificación, predicción, reducción,  
identificación y recodificación de los datos. En el campo de la medicina la toma de decisiones es  
fundamental, es por esto que algunas instituciones utilizan sistemas conocidos como Decision  
support systems, sistemas eficientes y fiables que ayudan a los médicos a obtener sus  
diagnósticos. Tomando en cuenta las investigaciones anteriormente descritas, se plantea realizar  
un árbol de decisión que pueda obtener un diagnóstico de anemia en base a un conjunto de datos  
que pueden ser revisados utilizando una estructura de inteligencia artificial.  
Marco Teórico  
A. Árboles de Decisión  
Según Solarte y Soto [15] los árboles de decisión es una técnica de aprendizaje inductivo  
supervisado no paramétrico, se utiliza en la predicción y se emplea en el campo de la inteligencia  
artificial. Por otro lado, Landín y Romero [16] nos indican que los árboles de decisión posibilitan  
la uniformidad del diagnóstico y tratamiento en pacientes. Se basa en la aplicación de un conjunto  
de reglas y el uso de funciones lógicas, un aporte del uso de esta técnica es el plantear un  
problema de forma concisa y que a partir del mismo problema analizar todas las opciones posibles  
[
17].  
B. Data reduction (python)  
Data reduction es una técnica para reducir la cantidad de variables en un conjunto de  
datos[18][19]. En tareas de Machine Learning como la regresión o la clasificación, a menudo hay  
demasiadas variables, conocidas también como características, con las que trabajar. Cuanto  
mayor sea el número de características, más difícil será modelarlas. Además, algunas de estas,  
pueden ser bastante redundantes, añadiendo ruido al conjunto de datos y no tiene sentido  
tenerlas en los datos de entrenamiento. Es aquí donde se tiene que reducir la cantidad de  
variables[19].  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
El proceso de data reduction transforma los datos de un conjunto de características de alta  
dimensión a un conjunto de características de baja dimensión a través de dos componentes: la  
selección de características y la extracción de características. En la selección de características,  
se eligen subconjuntos más pequeños de características de un conjunto de datos de muchas  
dimensiones para representar el modelo mediante el filtrado, la envoltura o la incrustación. La  
extracción de características reduce el número de dimensiones de un conjunto de datos para  
modelar las variables y realizar el análisis de componentes. También es importante que las  
propiedades significativas presentes en los datos no se pierdan durante la transformación  
[
18][19].  
C. Análisis de datos  
Histogramas:  
En la presente sección se mostrará los histogramas pertenecientes a algunas variables a utilizar  
en el presente estudio. Estos diagramas ayudan a comprender la distribución de los datos y  
comprobar valores extremos o atípicos.  
Figura 1. Cantidad de niños/niñas divididos por peso.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
Figura 2. Cantidad de niños/niñas agrupados por la estatura.  
Metodología y Desarrollo  
A. Recursos  
Para realizar esta investigación fue necesaria la búsqueda de datos que nos permitieran tener  
acceso a información verídica. Por esta razón el dataset utilizado fue extraído del Repositorio de  
Datos del Instituto Nacional de Salud, la investigación que lo acompaña es Sistema de  
Información del Estado Nutricional de niños y gestantes Perú - INS/CENAN. Las herramientas que  
se utilizaron para realizar este proyecto fueron: Visual Studio Code, Google Colab que nos  
permiten crear código para data reducción y crear el árbol de decisión a partir de un data set.  
B. Limpieza de datos  
Data Reduction, es el proceso de reducir la cantidad de capacidad requerida para almacenar  
datos. La reducción de datos puede aumentar la eficiencia del almacenamiento y reducir los  
costos. Los proveedores de almacenamiento a menudo describirán la capacidad de  
almacenamiento en términos de capacidad bruta y capacidad efectiva, que se refiere a los datos  
después de la reducción. En esta ocasión lo que se busca es reducir la cantidad de  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
atributos(columnas) del dataset Niños Arequipa, esta reducción es debido a que mucha de esta  
información es irrelevante y en ocasiones inutil.  
if row['Peso'] == '#¡NULO!' or row['Talla'] == '#¡NULO!':  
continue  
Con la anterior sentencia se elimina o se evita aquellas filas con datos incompletos, es decir,  
aquellas filas que tengan como contenido !#NULO! . Esto se hace para que esta información no  
se tome en cuenta por que esta información se vería reflejada en el árbol de decisión que se  
realizará a posterior.  
Diresa = row['Diresa']  
DxAnemia = row['Dx_Anemia']  
Sexo = row['Sexo']  
EdadMeses = row['EdadMeses']  
Peso = row['Peso']  
Talla = row['Talla'] Hemoglobina =  
row['Hemoglobina']  
HBC = row['HBC']  
ProvinciaREN = row['ProvinciaREN']  
DistritoREN = row['DistritoREN']  
Para la siguiente parte, el código nos muestra un filtro donde solo se escogen los atributos que  
son importantes. En otras palabras las atributos con una mayor relevancia son las elegidas para  
que continúen en un nuevo archivo csv, además DxAnemia es nuestro dato de salida por lo que  
también se le toma en cuenta.  
with open('Niños_AREQUIPA_V2.csv', 'w', newline='') as csvfile:  
fieldnames = ['Diresa', 'DxAnemia','Sexo', 'EdadMeses',  
'
Peso','Talla','Hemoglobina','HBC','ProvinciaREN','DistritoREN']  
writer = csv.DictWriter(csvfile, fieldnames=fieldnames)  
writer.writeheader() writer.writerows(new_data)  
Finalmente se crea un nuevo archivo csv con la información separada. Este nuevo archivo csv  
llamado “Niños_AREQUIPA_V2.csv” contiene una cabezera con los siguientes datos: 'Diresa',  
'
'
DxAnemia', 'Sexo', 'EdadMeses', 'Peso', 'Talla', 'Hemoglobina', 'HBC', 'ProvinciaREN',  
DistritoREN'. y es acompañado por la información que está separado en un array new_data.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
Figura 3. Limpieza de datos  
C. Librerías a utilizar  
Para elaborar Árbol de Decisión en python se utilizaron las siguientes librerías:  
Pandas: Pandas es una librería de Python especializada en el manejo y análisis de estructuras de  
datos. Las principales características de esta librería son: Define nuevas estructuras de datos  
basadas en los arrays de la librería NumPy pero con nuevas funcionalidades. Permite leer y  
escribir fácilmente ficheros en formato CSV, Excel y bases de datos SQL. Permite acceder a los  
datos mediante índices o nombres para filas y columnas. Ofrece métodos para ordenar, dividir y  
combinar conjuntos de datos. Permite trabajar con series temporales.  
DecisicionTreeClassifier  
:
La biblioteca Scikit Learn tiene una función de módulo  
DecisionTreeClassifier() para implementar el clasificador de árboles de decisión con bastante  
facilidad.  
Confusion_matrix : La matriz de confusión sirve para evaluar la precisión de una clasificación. Por  
definición, una matriz de confusiones tal que es igual al número de observaciones que se sabe  
que están en el grupo y se predijo que estén en el grupo.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
StringIO : Proporciona un medio conveniente para trabajar con texto en memoria utilizando la  
interfaz de programación de archivo ( read() , write() , etc.). Utilizamos StringIO para construir  
cadenas grandes puede ofrecer ahorros en el rendimiento sobre algunas otras técnicas de  
concatenación de cuerdas en algunos casos.  
Pydotplus : Se pueden utilizar tanto para resolver problemas de clasificación como de regresión.  
Una de sus principales ventajas es la facilidad con la que se puede interpretar los resultados en  
base a reglas. Permitiendo no solo obtener un resultado, sino inspeccionar los motivos por los  
que se llega a una predicción dada.  
Numpy : El principal beneficio de NumPy es que permite una generación y manejo de datos  
extremadamente rápido. NumPy tiene su propia estructura de datos incorporada llamado arreglo  
que es similar a la lista normal de Python, pero puede almacenar y operar con datos de manera  
mucho más eficiente.  
G. Seaborn : Es una librería de visualización de datos para Python desarrollada sobre matplotlib .  
Ofrece una interfaz de alto nivel para la creación de atractivas gráficas.  
H. matplotlib : Con esta librería es posible crear trazados, histogramas, diagramas de barra y  
cualquier tipo de gráfica con ayuda de algunas líneas de código. Se trata de una herramienta muy  
completa, que permite generar visualizaciones de datos muy detalladas.  
Tree : Los árboles de decisión son representaciones gráficas de posibles soluciones a una decisión  
basadas en ciertas condiciones, es uno de los algoritmos de aprendizaje supervisado más  
utilizados en machine learning y pueden realizar tareas de clasificación o regresión.  
D. Importación de datos  
Una de las dificultades que se presenta al realizar el desarrollo de un árbol de decisión es escoger  
el atributo apropiado, ya que este atributo debe ubicarse como raíz del árbol de decisión para  
que los demás atributos se generen como descendientes. Este proceso se realiza de forma  
recursiva en cada nodo. Antes es necesario realizar data reduction y limpieza de datos. Se  
obtuvieron 10553 datos divididos en 9 columnas. Los datos a importar deben de haber pasado  
por un proceso de reducción y limpieza, con el fin de detectar registros corruptos, registros  
imprecisos, datos duplicados o mal formateados.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
Figura 4. Importación de datos  
Posteriormente se verifica la información del dataset.  
Figura 5. Verificación del Dataset Preparación de los datos.  
Figura 6. Preparación de datos  
Creación del modelo, se crearon las variables “X” y “Y” para el entrenamiento; las variables “x”  
y “y” para realizar la prueba.  
Figura 7. Creación del modelo Validación del entrenamiento.  
Figura 8. Algoritmo para el entrenamiento  
Análisis de Resultados  
La matriz de confusión nos permite tener un resumen del rendimiento del algoritmo.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
Figura 9. Matriz de confusión  
Figura 10. Precisión global del modelo  
Figura 11. Precisión - Anemia Leve  
Figura 12. Precisión - Anemia Moderada  
Figura 13. Precisión - Anemia Severa  
Figura 14. Precisión - Sin Anemia  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
Figura 15. Árbol generado  
Conclusiones y Trabajos Futuros  
Los resultados obtenidos con el modelo de clasificación por árboles de decisión indican que es  
capaz de generar modelos con los datos que se encuentran en el dataset. Durante este trabajo,  
existen diversas áreas que quedan abiertas y en las que es posible trabajar. Algunas de estas  
investigaciones están relacionadas directamente al tema de este trabajo y son resultado de la  
investigación durante el desarrollo. Otras investigaciones no están relacionadas directamente sin  
embargo pueden ser retomadas posteriormente o como una opción de exploración a otros  
investigadores.  
A continuación, se presentan algunos trabajos futuros que pueden desarrollarse. Además, se  
sugieren algunos temas específicos para apoyar y mejorar el trabajo de inteligencia artificial  
propuesto. Entre los posibles trabajos futuros se destacan:  
•
•
Aplicación de Árboles de Decisión en el diagnóstico de Anemia en niños en el Perú.  
Árboles de Decisión en el diagnóstico de Cáncer.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
•
•
Calidad de predicción del diagnóstico de anemia.  
Tratamiento de la matriz de confusión para disminuir la tasa de falsos positivos y generar un  
mejor diagnóstico de la anemia.  
Referencias  
[
[
[
[
[
[
[
[
1] Jara, Hambre, desnutrición y anemia: una grave situación de salud pública. Revista Gerencia  
Políticas de Salud, 7(15), 7–10. [Online] Available at:  
http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S1657-70272008000200001.  
Y
2] Al-kassab-Córdova, A., Méndez-Guerra, C., & Robles-Valcarcel, P. Factores sociodemográficos  
y nutricionales asociados a anemia en niños de 1 a 5 años en Perú. Revista Chilena de  
Nutrición, 47(6), 925–932. https://doi.org/10.4067/s0717-75182020000600925.  
3] O. Munares “Niveles de hemoglobina en gestantes atendidas en establecimientos del  
Ministerio de Salud del Perú” [online document], 2011. Available: Oxford Reference Online,  
https://www.scielosp.org/article/rpmesp/2012.v29n3/329-336/es/ [Accessed: Jun 21, 2022].  
4] J. Mendoza, “Sistema experto para alertar y brindar alternativa de tratamiento para la anemia  
en niños de la provincia de Jaén,” M.S. tesis, Facultad de Ingeniería, Universidad Católica  
Santo Toribio de Mogrovejo, Chiclayo, Perú, 2021.  
5] F. Andrade, “Modelo de regresión Dirichlet bayesiano: aplicación para estimar la prevalencia  
del nivel de anemia infantil en centros poblados del Perú,” M.S. tesis, Escuela de Postgrado,  
Pontificia Universidad Católica del Perú, Lima, Perú, 2020.  
6] G. Canaza, “Modelo predictivo de riesgo asociado a la anemia en niños menores de 5 años en  
la Microred Yauri provincia de espinar – Cusco, 2019,” M.S. tesis, Facultad de Ingenieria,  
Estadistica e Informatica, Universidad Nacional del Altiplano, Puno, Perú, 2021.  
7] Sistema de información del Estado Nutricional de niños y gestantes Perú - INS/CENAN  
(Instituto Nacional de Salud Centro Nacional de Alimentación y Nutrición). Instituto Nacional  
de Salud - Centro Nacional de Alimentación y Nutrición. Nov, 2021.  
8] Sistema de información del Estado Nutricional de niños y gestantes Perú - INS/CENAN  
(Instituto Nacional de Salud Centro Nacional de Alimentación y Nutrición) - Repositorio de  
Datos - Instituto Nacional de Salud. Ins.gob.pe  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935  
[
[
9] Russel, S., & Norvig, P. (2012). Artificial intelligence—a modern approach 3rd Edition. In The  
Knowledge Engineering Review. https://doi.org/10.1017/S0269888900007724  
10]Dogan, S., & Turkoglu, I. (2008). Iron-deficiency anemia detection from hematology  
parameters by using decision trees. International Journal of Science & Technology, 3(1), 85-  
9
2.  
[
11]Martínez, R. E. B., Ramírez, N. C., Mesa, H. G. A., Suárez, I. R., Trejo, M. D. C. G., León, P.  
P., & Morales, S. L. B. (2009). Árboles de decisión como herramienta en el diagnóstico médico.  
Revista médica de la Universidad Veracruzana, 9(2), 19-24.  
[
12]Ren, Y., Lu, C., Yang, H., Ma, Q., Barnhart, W. R., Zhou, J., & He, J. (2022). Using machine  
learning to explore core risk factors associated with the risk of eating disorders among non-  
clinical young women in China: A decision-tree classification analysis. Journal of Eating  
Disorders, 10(1). https://doi.org/10.1186/s40337-022-00545-6  
[
13]Pei, D., Yang, T., & Zhang, C. Estimation of diabetes in a high-risk adult chinese population  
using j48 decision tree model. Diabetes, Metabolic Syndrome and Obesity: Targets and  
Therapy 13 ,2020.  
[14]Bouza, C., & Santiago, A. La minería de datos: árboles de decisión y su aplicación en estudios  
médicos. Modelación Matemática de Fenómenos del Medio Ambiente y la Salud, 2, 64-78.  
2
012.  
[15]Martínez, G. R. S., & Mejía, J. A. S. Árboles de decisiones en el diagnóstico de enfermedades  
cardiovasculares. Scientia et technica, 16(49), 104-109, 2011.  
[16]Landín Sorí, M., & Romero Sánchez, R. E. Árboles de decisiones para el diagnóstico y  
tratamiento de pacientes con glaucoma neovascular. Revista Archivo Médico de Camagüey,  
1
6(4), 514-527, 2012.  
[17]Zuniga, C., & Abgar, N. Breve aproximación a la técnica de árbol de decisiones. Recuperado  
de https://niefcz. files.  
wordpress. com/2011/07/breve-aproximacion-a-la-tecnica-de-arbol-de-decisiones. pd, 2011.  
[
18]Tech  
https://www.techtarget.com/whatis/definition/dimensionality-reduction  
19]Barla, N. Dimensionality Reduction for Machine Learning.  
https://neptune.ai/blog/dimensionality-reduction, 2022  
Target  
“Dimensionality  
reduction”.  
Recuperado  
de  
[
Recuperado  
de  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 2 Septiembre - Febrero 2022 ISSN Nº 2708-0935