Application of Decision Trees in the diagnosis of Anemia in children in the city of Arequipa

Keywords: Decision tree, anemia, artificial intelligence

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 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.

Downloads

Download data is not yet available.

References

Jara, Hambre, desnutrición y anemia: una grave situación de salud pública. Revista Gerencia Y Políticas de Salud, 7(15), 7–10. [Online] Available at: http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S1657-70272008000200001.

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.

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].

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. [Online]. Available: https://tesis.usat.edu.pe/handle/20.500.12423/3689

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,

[Online]. Available: https://tesis.pucp.edu.pe/repositorio/handle/20.500.12404/18683

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. [Online]. Available: http://repositorio.unap.edu.pe/handle/UNAP/15335

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. Available: https://datos.ins.gob.pe/sv/dataset/sistema-de-informacion-del-estado-nutricional-de-ninos-y-gestantes-peru-ins-cenan-2 019-2020

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. [Online] Available at:

https://datos.ins.gob.pe/sv/dataset/sistema-de-informacion-del-estado-nutricional-de-ninos-y-gestantes-peru-ins-cenan-2 019-2020.

Russel, S., & Norvig, P. (2012). Artificial intelligence—a modern approach 3rd Edition. In The Knowledge Engineering Review. https://doi.org/10.1017/S0269888900007724

Dogan, S., & Turkoglu, I. (2008). Iron-deficiency anemia detection from hematology parameters by using decision trees. International Journal of Science & Technology, 3(1), 85-92.

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.

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

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.

https://doi.org/10.2147/DMSO.S279329

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. 2012.

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.

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, 16(4), 514-527, 2012.

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.

Tech Target “Dimensionality reduction”. Recuperado de https://www.techtarget.com/whatis/definition/dimensionality-reduction

Barla, N. Dimensionality Reduction for Machine Learning. Recuperado de https://neptune.ai/blog/dimensionality-reduction, 2022

Received: 2022-05-22
Accepted: 2022-06-14
Published: 2022-09-30
How to Cite
[1]
I. Agramonte Mayhua, A. Chaco Huamani, A. Valdiviezo Tovar, and M. Ramos Challa, “Application of Decision Trees in the diagnosis of Anemia in children in the city of Arequipa”, Innov. softw., vol. 3, no. 2, pp. 26-39, Sep. 2022.
Section
Journal papers