DIAGNOSTICO CLINICO DE ENFERMEDADES CARDIOVASCULARES BASADO EN REDES NEURONALES PARA EL HOSPITAL NACIONAL CAYETANO HEREDIA

Carla Abreg M .1Cesar Daz Q .1Milagros Carranza C.1Edgar Morales V.1Cinthia Purizaca P.1AracellyVelsquez S. Virgilio Fredy Tito Chura1
1

Universidad Cesar Vallejo

carla_fam14@hotmail.com, csr_leo782@hotmail.com,veronica24@hotmail.com,moralesv_1301@hotmail.com,cinthia_purizaca@hotmail.com,arac elly_19_93@hotmail.com, fredytito@gmail.com

Resumen En ste paper se presenta un sistema inteligente para el diagnstico clnico de las enfermedades cardiovasculares utilizando redes neuronales aplicando la funcin perceptron multicapa que proporciona el software de aprendizaje automtico en WEKA. Los datos con los que se trabaj fueron extrados del Hospital Nacional Cayetano Heredia. Este Hospital pone a su disposicin los ms avanzados tratamientos cardiovasculares, as como tambin lo ltimo en ciruga al corazn, ciruga de revascularizacin coronaria y prtesis valvulares. Las enfermedades cardiovasculares que se diagnostican son: arritmia, hipertensin, taquicardia y ataques al corazn. Se prob la clasificacin de la seal usando los algoritmos J48 para la deteccin y descarte de enfermedades cardiovasculares. Al final de la consulta este sistema inteligente mostrara la posible enfermedad y le recomendar un tratamiento diferente para cada tipo de enfermedad al corazn. Los resultados que se proporcionan muestran una clasificacin correcta del 100% del total de los casos obtenidos durante el mes de Marzo del presente ao. Palabras clave
Weka, Perceptrn multicapa, enfermedades cardiovasculares.

Abstract In this paper a smart system for clinical diagnosis of cardiovascular disease using neural networks using multilayer perceptron function provided by the software WEKA machine learning. The data with which we worked were taken from the Cayetano Heredia Hospital. This hospital offers the most advanced cardiovascular disease treatments, as well as the latest in heart surgery, coronary bypass surgery and prosthetic valves. Cardiovascular diseases are diagnosed are: arrhythmia, hypertension, tachycardia and heart attacks. We tested the signal classification using J48 algorithms for the detection and disposal of cardiovascular disease. At the end of the consultation this intelligent system can show the disease and recommend treatment for each type of heart disease. The results provided show the correct classification of 100% of cases collected during the month of March of this year.

Keywords Weka, MultiLayer Perceptron, cardiovascular disease

1. INTRODUCCIN Da a da las enfermedades se van incrementando por diversas causas, es por ello que se debe de tener un cuidado para contratacar estos males como realizarse chequeos mdicos constantes. Por ello se ha escogido 4 enfermedades que son arritmia, hipertensin, taquicardia y ataque al corazn, las cuales con unas preguntas diagnostica cual es la enfermedad que presenta, por ello es muy importante mantener un control para que as no se desarrolle este mal en el organismo, ya que estos males no tienen distincin de edades. Es por ello que se crea un programa en donde se detectan estas enfermedades por los sntomas, los cuales estn guardados en la Base de Datos y as detectar si se tiene este mal o no de una manera ms prctica, brindando un diagnostico efectivo y satisfaciendo las necesidades del paciente. En el presente trabajo est elaborado a base de las redes neuronales lo cual es un sistema de procesamiento de informacin compuesto de muchos elementos interconectados en una red para producir una salida, donde se muestra los resultados obtenidos del programa Weka con la implementacin del lenguaje de programacin Java NetBeans, teniendo as como objetivo lograr una manera ms fcil del reconocimiento de enfermedades, teniendo un margen mnimo de error en cuanto a las salidas que se tiene, para ello se emplea el perceptrn multicapa conocido como el algoritmo Function Multiplayer Perceptron el cual tiene como objetivo solucionar alguna dificultad corrigiendo los errores o minimizndolos. El resto de ste paper est organizado de la siguiente manera. En la seccin 2 se muestran los trabajos previos. La seccin 3 describe las Redes Neuronales. La forma de colocar los Experimentos y Resultados se encuentra en la seccin 4. La funcin del perceptrn multicapa (Multiplayer Perceptron) se muestra en la seccin 5 y finalmente la Experimentacin y los

Resultados en la seccin 6 y la discusin con las conclusiones.

2. TRABAJOS PREVIOS : El trabajo que ms se aproxima al presente paper, es el informe titulado Sistema experto para diagnstico de enfermedades cardiovasculares, desarrollado por Mara Beln Novillo S. dentro de su portal web. Para la realizacin de este sistema, se ha hecho uso de las tcnicas de Ingeniera del Conocimiento, especficamente un sistema de produccin para aportar la fiabilidad del diagnstico. El cual trata de las enfermedades cardiovasculares que se deben a trastornos del corazn y los vasos sanguneos. En este mismo se presenta un sistema experto que a su vez te mostrara un listado de estas afecciones, para que conozcas su descripcin, sntomas, diagnstico, tratamiento. Otro trabajo relacionado al Tema es Diagnstico de Anomalas en Electrocardiogramas por medio de Redes Neuronales Artificiales, desarrollado por A. Padrn, J. L. Prez, R. Fuentes, V.G. Garduo publicada en la pgina web http://proton.ucting.udg.mx/posgrado/cursos/ idc/pdf/idc/55.pdf. Donde se presenta realizar la clasificacin y reconocimiento de anomalas en seales electrocardiogrficas utilizando la tcnica de las Redes Neuronales Artificiales. El proyecto consiste del desarrollo de un sistema de reconocimiento de seales electrocardiogrficas mediante la prueba e implantacin de un arreglo de redes neuronales artificiales que apoye los diagnsticos en los que se involucran dicho tipo de seales. Retropropagacin con Momentum se emplea para identificar al menos cinco anomalas. La interpretacin de seales electrocardiogrficas es una de las muchas ramas de la ciencia mdica que es estudiada por un mdico especializado en cardiologa para hacer diagnstico de enfermedades cardiacas o reconocer algunas cardiopatas.

En electrocardiografa clnica se estudian las seales ECG, estas tienen ciertas caractersticas y propiedades que permiten identificar patrones normales y anormales. Estas caractersticas son parmetros como el lmite de duracin de la onda representativa en los electrocardiogramas, los cambios en la frecuencia cardiaca, alteraciones de onda, la posicin del eje cardiaco, amplitudes positivas o negativas de la onda caracterstica. El estudio de todos los parmetros ayuda al cardilogo a diagnosticar anomalas, por ejemplo ataques al corazn, problemas de conduccin, embolias, arritmias, hipertrofias, taquicardias y bradicardias. De aqu que la iniciativa de desarrollar un sistema reconocedor de patrones en seales electrocardiogrficas que en este caso apoye la interpretacin para un diagnstico de anormalidades. Este sistema puede ser empleado en algunos lugares donde no es fcil encontrar en especialista en la interpretacin de seales electrocardiogrficas. Este trabajo fue realizado con colaboracin del Grupo Cardiolgico de Mxico, el cual proporcion las seales electrocardiogrficas, asesora y superviso los resultados de los diagnsticos del sistema. Los sistemas simblicos han tenido poco impacto en la prctica de la medicina. Quizs las redes neuronales ofrezcan una nueva esperanza que permita a las computadoras asistir en el cambiante y costoso proceso del diagnstico mdico. El nicho del mercado para las redes neuronales que realizan un diagnstico, toma consideraciones pragmticas y son muy discutidas para l diagnstico mdico. Especialmente en problemas inherentes en el desarrollo de un gran nmero de suposiciones generales, adems de que las redes para propsito general estn tambin siendo discutidas. Cada sistema presenta los ltimos cambios de los diseadores en redes neuronales para diagnstico. Las redes neuronales son altamente tolerantes a fallas, y cuando son entrenadas apropiadamente, estas son capaces de encontrarse cerca de la

solucin ptima, con informacin limitada. Si las RNA pueden permitir cualidades alusivas del razonamiento humano estas pueden ser combinadas con compulsivo xito, con lgica precisa, y con una memoria computacional perfecta, entonces las redes neuronales pueden hacer una contribucin significante para diagnstico mdico. Generalmente los datos mdicos tienen varias propiedades que los hacen resistentes a tcnicas convencionales del anlisis computacional: Imprecisin. Medicin de la presin sangunea, por ejemplo, es imprecisa debido a la variabilidad en el tamao del brazo del paciente, de la postura, y del estado emocional; el tipo de instrumentacin empleada, y de la tcnica de la persona que est midiendo la presin. Subjetividad. El paciente se encuentra plido? El dolor es constante o hay calambres? Incompletas. Una base de datos mdicos nunca est completa debido a las limitaciones del tiempo, del instrumental, dinero, y otras fuentes. Contenido de alto ruido. Existe una gran cantidad de variantes normales y se han encontrado muchos sntomas, o descubrimientos incidentales que no contienen ninguna relacin con el problema primario del paciente. Otro trabajo relacionado al Tema es Aplicabilidad de redes neuronales artificiales para la prediccin de los resultados individuales de la ciruga cardiaca. Estudio preliminar, desarrollado por Ral A. Borracci y Miguel Rubio publicada en la pgina web www.sac.org.ar/ en el ao del 2003. Donde se presenta estudiar la aplicabilidad de redes neuronales artificiales (RNA) para pronosticar los resultados quirrgicos individuales y por grupos de riesgo de la ciruga cardiaca, la cual dio como resultado que las redes mostraron alta sensibilidad para poder predecir sobrevida postoperatoria inmediata

y la especificidad creci a medida que se incorporaron los puntajes de riesgo (red N 2 y N2E) y la presencia o no de complicaciones (red N 3 y N3E), con lo cual quedo demostrado que la utilizacin de las Redes Neuronales Artificiales es de suma importancia en la medicina y no solo en ese campo sino en cualquier otra rea en la cual se pueda predecir resultados. 3. REDES NEURONALES Las redes neuronales artificiales (ANN) son modelos a escala de redes neuronales naturalmente presentes en los cerebros de muchos organismos vivos. Aunque los bloques o unidades mnimas que conforman estas redes (biolgicas o artificiales) se denominan neuronas, una neurona artificial es tpicamente una simplificacin extrema de la complejidad bio-qumica detrs de una neurona natural (para ms detalles, ver Galkin(2003) y Gonzales(2000)). El Grfico A1 ilustra las partes de una tpica neurona artificial con n inputs y un output dicotmico 23.

El tamao y la forma de las neuronas es variable, pero con las mismas subdivisiones. Subdividindose as en tres partes: El cuerpo de la neurona o Soma contiene el ncleo. Se encarga de todas las actividades metablicas de la neurona y recibe la informacin de otras neuronas vecinas a travs de las conexiones sinpticas (algunas neuronas se comunican solo con las cercanas, mientras que otras se conectan con miles). Las dendritas, parten del soma y tienen ramificaciones. Se encargan de la recepcin de seales de las otras clulas a travs de conexiones llamadas sinpticas. Si pensamos, desde ahora, en trminos electrnicos podemos decir que las dendritas son las conexiones de entrada de la neurona. Por su parte el axn es la "salida" de la neurona y se utiliza para enviar impulsos o seales a otras clulas nerviosas. Cuando el axn est cerca de sus clulas destino se divide en muchas ramificaciones que forman sinapsis con el soma o axones de otras clulas. Esta unin puede ser "inhibidora" o "excitadora" segn el transmisor que las libere. Cada neurona recibe de 10.000 a 100.000 sinapsis y el axn realiza una cantidad de conexiones similar. La transmisin de una seal de una clula a otra por medio de la sinapsis, es un proceso qumico. En el se liberan substancias transmisoras en el lado del emisor de la unin. El efecto es elevar o disminuir el potencial elctrico dentro del cuerpo de la clula receptora.

Figura N1

A pesar de estas diferencias de escala o de complejidad, el objetivo comn de ambas redes neuronales es el aprendizaje de los patrones presentes en los datos, los cuales eventualmente ingresan a estas redes neuronales como inputs.

3.1. Principales tipos de redes neuronales

Perceptron Adaline

Backpropagation Aprendizaje asociativo Redes competitivas Investigacin lineal para la salida Sigmoidal para las capas

4. ENFERMEDADES 4.1. Arritmia Descripcin.-La arritmia es la variacin del ritmo regular de los latidos cardacos. Puede sentirse como una pausa temporal y ser tan breve que no cambia el ritmo cardiaco general. O puede hacer que el ritmo cardiaco sea demasiado lento o demasiado rpido. Sntomas.-Los sntomas habituales son: palpitaciones (sensacin de percibir el propio latido del corazn, mareos, sncope, dolor torcico, prdida de conocimiento, vrtigos y desmayos). Tratamiento.-Existen diversos antiarrtmicos, que se recetan segn el tipo de arritmia y en dosis exactas. Para los casos de frecuencia cardaca lenta puede recetarse la colocacin de un marcapasos. Se trata de un dispositivo electrnico que se coloca bajo la piel por medio de ciruga e imita la frecuencia del marcapasos natural. 4.2.Ataque al corazn Descripcin.- Los ataques al corazn o en ataque cardaco (que tambin se llama infarto de miocardio y sndrome coronario agudo) se producen cuando parte del msculo cardaco se daa o muere debido a que no est recibiendo suficiente cantidad de oxgeno. Sntomas Presin, pesadez, tensin o dolor en el pecho que dura 5 minutos o ms. Dolor en el pecho, vahdo, mareo, desmayo, sudoracin o nuseas, Ansiedad, debilidad o cansancio de origen desconocido. Palpitaciones, sudor fro o palidez. Tratamiento.- Hay dos tratamientos una es por los medicamentos los cuales se recetan para prevenir la formacin de cogulos de sangre controlando las plaquetas. Se administran inmediatamente para evitar que el dao al corazn sea irreparable. Si es

3.1.1 Perceptrn La primera red neuronal consiste en una suma de las seales de entrada, multiplicadas por unos valores de pesos escogidos aleatoriamente. La entrada es comparada con un patrn preestablecido para determinar la salida de la red. Si en la comparacin, la suma de las entradas multiplicadas por los pesos es mayor o igual que el patrn preestablecido la salida de la red es uno (1), en caso contrario la salida es cero (0). Al inicio del desarrollo de los sistemas de inteligencia artificial, se encontr gran similitud entre su comportamiento y el de los sistemas biolgicos y en principio se crey que este modelo poda computar cualquier funcin aritmtica o lgica.

Figura N2 El Perceptrn en su configuracin inicial no estaba en capacidad de distinguir patrones de entrada muy complejos, sin embargo mediante un proceso de aprendizaje era capaz de adquirir esta capacidad.

necesario, se har un procedimiento llamado angioplastia. 4.3. Taquicardia Descripcin.- La taquicardia es la aceleracin de los latidos cardacos a ms de 100 latidos por minuto. La misma puede ser fisiolgica, como por ejemplo, cuando se realiza una actividad fsica intensa, como la anemia, las hemorragias, el shock, etc. Sntomas Son las palpitaciones: se perciben una aceleracin del corazn acompaada por una sensacin de ansiedad Dificultad respiratoria, mareos, desmayos y un dolor agudo en el pecho. Son la debilidad, los ahogos y el desvanecimiento. Tratamiento.-Se suele tratar las patologas de base, de existir alguna. En los infartos agudos de miocardio, la taquicardia disminuye con el tiempo. 4.4. Hipertensin Descripcin.-La presin arterial es el resultado de la combinacin de las fuerzas del corazn y las arterias durante cada contraccin del msculo cardiaco. Sntomas Como dolor en el pecho, disnea, cefalea, nauseas y vmito, estado mental alterado, hemorragias nasales, trastornos visuales, enrojecimiento facial, somnolencia, confusin, mareos, entumecimiento y hormigueo de manos y pies, cansancio y disminucin de la excrecin urinaria. Tratamiento.-La hipertensin no puede curarse en la mayora de los casos, pero puede controlarse. Las pastillas son slo parte del tratamiento de la hipertensin, ya que el mdico tambin suele recomendar una dieta para perder peso y medidas como no

abusar del consumo de sal, hacer ejercicio con regularidad. 5. FUNCION: MULTICAPA PERCEPTRON) PERCEPTRN (MULTILAYER

El Perceptrn multicapa, que consta de varias capas de unidades computacionales interconectadas entre s; cada neurona en una capa se encuentra directamente conectada a las neuronas de la capa anterior. El modelo se encuentra basado en funciones ya que cada unidad de las redes mencionadas aplica una funcin de activacin (habitualmente una sigmoide). Modelo de perceptrn de 2 capas capaz de calcular la funcin XOR El mecanismo de aprendizaje habitual es la retropropagacin. De esta forma los valores de salida son comparados con la decisin correcta para computar el valor de una cierta funcin de error, y este error es retroalimentado hacia atrs mediante varias tcnicas. El algoritmo hace uso de esta informacin para recalcular los pesos a aplicar en cada conexin de forma que en iteraciones sucesivas se reduzca el valor de la funcin de error. El ajuste de pesos se realiza derivando la funcin de error con respecto a los pesos de la red, modificndose stos para que el error disminuya (gradient descent); esta es la razn por la que la retropropagacin slo puede ser aplicada en redes con funciones de activacin diferenciables. Algunas posibles desventajas a la hora de aplicar este modelo seran la posibilidad de una excesiva adaptacin al conjunto de datos de entrenamiento si el aprendizaje se prolonga en exceso, o el estancamiento en un mnimo local de la funcin de error. Por otro lado, el perceptrn multicapa es capaz de aproximar cualquier funcin de clasificacin si consta del suficiente nmero de capas, por lo que bien diseado puede ofrecer resultados muy satisfactorios.

Entre los parmetros configurables, se encuentran: Nmero de capas ocultas (hidden layers): se ofrecen varias posibilidades para aproximar correctamente el modelo buscado. Tasa de aprendizaje: factor de actualizacin de pesos cuando han de ser modificados, un valor mayor converge ms rpido pero puede provocar oscilaciones. Umbral de validacin: para determinar cundo dar por acabado el test de validacin, cuntas veces en una fila el error puede empeorar antes de terminar el entrenamiento. 5.1 Representacin de una Red Neuronal Este es uno de los tipos de redes ms comunes. Se basa en otra red ms simple llamada Perceptrn simple solo que el nmero de capas ocultas puede ser mayor o igual que una. Es una red unidireccional (feedforward). La arquitectura tpica de esta red es la siguiente:

5.2 Problemas apropiados para este tipo de aprendizaje Las caractersticas de los problemas apropiados para resolver mediante este aprendizaje dependen del sistema de aprendizaje especfico utilizado, pero hay una serie de ellas generales y comunes a la mayora y que se describen a continuacin:

El Perceptrn Multicapa no extrapola bien, es decir, si la red se entrena mal o de manera insuficiente, las salidas pueden ser imprecisas. La existencia de mnimos locales en la funcin de error dificulta considerablemente el entrenamiento, pues una vez alcanzado un mnimo el entrenamiento se detiene aunque no se haya alcanzado la tasa de convergencia fijada.

Cuando caemos en un mnimo local sin satisfacer el porcentaje de error permitido se puede considerar: cambiar la topologa de la red (nmero de capas y nmero de neuronas), comenzar el entrenamiento con unos pesos iniciales diferentes, modificar los parmetros de aprendizaje, modificar el conjunto de entrenamiento o presentar los patrones en otro orden. Se debe tener en cuenta que no siempre el algoritmo de entrenamiento del Perceptrn podr converger hacia un error nulo. De hecho el Perceptron es incapaz de converger en aquellas funciones que no son linealmente separables, es decir, aquellas cuyos elementos pueden ser separados por una lnea recta. Esto se debe a las propiedades inherentes de las unidades bsicas del Perceptrn que son las neuronas artificiales, cuya limitacin reside principalmente en la funcin de

Figura N 3: Representacin de una Red Neuronal Las neuronas de la capa oculta usan como regla de propagacin la suma ponderada de las entradas con los pesos sinpticos wij y sobre esa suma ponderada se aplica una funcin de transferencia de tipo sigmoide, que es acotada en respuesta.

activacin que como se puede observar separa las entradas en dos salidas de manera que con todas las entradas posibles se forma un hiperplano cuyos elementos de salida son separados en dos partes dentro del hiperplano [BEA03]. Visto de otra forma, podramos decir que el Perceptrn divide en dos grupos las entradas por medio de una lnea divisoria de manera que no es posible separar elementos que no se encuentren claramente separados de otros elementos. Es decir que no se puede caracterizar elementos no lineales.

desmayo, dolor en el pecho, insuficiencia respiratoria, sudoraciones, mareo, sudor frio, falta de aliento, dolor de cabeza, zumbidos en el odo, alteraciones de la vista, hemorragias por la nariz, opresin en el pecho, dolor en la parte inferior de los brazos, palpitaciones, manos fras, latidos cardiacos anormales, fiebre, orina de color anormal, escalofri, sudoracin excesiva, dolores en las articulaciones, sudores fros, palidez manchas cutneas rojas, perdida de peso, pesadez en el pecho, hinchazn en las piernas, dolor torxico, presin, tartamudeo, dolores en el cuello, enfermedades. La base de datos es extrada a la Weka y arrojar el resultado del nmero de pacientes y los atributos como se muestra en la Figura N5.

Figura N4: Margen de Caracterizacin del Perceptrn

Esto se puede observar claramente en la Figura N 4 donde se muestra el caso en el que el Perceptron es un buen clasificador, y otro caso donde el Perceptron no puede separar los elementos en dos categoras. En la figura, los puntos (X1, X2) corresponden a la interseccin de dos entradas X! y X2. 6. EXPERIMENTOS Y RESULTADOS La base de datos utilizada es la obtenida en el mes de marzo del Hospital Cayetano Heredia, el nmero de casos es de 1024, donde cada caso contiene los siguientes atributos: paciente, sexo, edad, latidos lentos, latidos irregulares, ansiedad, debilidad,

Figura N5: Atributos de las enfermedades cardiovasculares

En la Figura N6 se visualizan los pesos obtenido en Weka cada, uno de ellos pertenecientes a los 19 nodos en la primera capa y 4 nodos en la segunda capa.

La matriz de confusin de redes neuronales.

Figura 8: Matriz de confusin La estructura de la red neuronal. Ver Figura N9.

Primera capa: 19 nodos Primera capa: 4 nodos

Figura N6: Atributos de las enfermedades cardiovasculares Tambin se puede observar en la Figura N7 la clasificacin correcta del 100%.

Figura N7: Resultados obtenidos con la funcin Perceptron multicapa

Figura 9: rbol de decisin para el diagnstico de enfermedades cardiovasculares

Algoritmo de redes neuronales realizado en Netbeans, se trabajo en la red con los primeros 19 nodos en la primera capa y luego los 4 nodos en la segunda capa. En la Figura N10, se muestra la primera capa de la red neuronal.

En la Figura N11, se muestra el algoritmo de la multiplicacin de matrices.

Figura N11: algoritmo de la multiplicacin de matrices Tambin se diseo e implemento un software en NetBeans para determinar el diagnstico (taquicardia, hipertensin.ataque al corazn, arritmia) dependiendo de los sintomas que se van a registrar.

Ventana de bienvenida

Figura N10: primera capa de la red neuronal

N12: Ventana de bienvenida

Luego aparecer una ventana para aceptar el proceso de diagnstico, como se muestra en la Figura N13

En la ventana de diagnstico tambin se puede visualizar los pesos de las salidas por cada enfermedad, como se muestra en la Figura N15

Figura N13: Confirmar comienzo de diagnstico

Finalmente se mostrar una ventana donde contendr los sntomas a seleccionar y arrojara el diagnstico. Ver Figura N14

Figura N15: Pesos de las salidas de las cuatro enfermedades (arritmia, taquicardia, hipertensin y ataque al corazn)

7. DISCUSIN EXPERIMENTOS

DE

LOS

Los resultados obtenidos de nuestro proyecto corroboran los resultados de Mara Beln Novillo a travs de sistema experto para el diagnstico de enfermedades donde mostro un listado de afecciones para conocer el diagnstico. Otro trabajo relacionado con nuestro proyecto es el Diagnstico de Anomalas en Electrocardiogramas por medio de Redes Neuronales Artificiales, desarrollado por A. Padrn, J. L. Prez, R. Fuentes. Donde se presenta realizar la clasificacin y reconocimiento de anomalas en seales electrocardiogrficas utilizando la tcnica de las Redes Neuronales Artificiales. El proyecto consiste del desarrollo de un sistema de reconocimiento de seales electrocardiogrficas mediante la prueba e implantacin de un arreglo de redes neuronales artificiales que apoye los diagnsticos en los que se involucran dicho tipo de seales.

F i gura N14: Ventana de diagnstico

Se concluye que la utilizacin de las redes neuronales tiene un alto grado de confiabilidad de sus respuestas.

8. CONCLUSIONES En el presente trabajo se han utilizado La funcin Perceptrn multicapa de WEKA para el diagnostico de enfermedades, esto a partir de los datos proporcionados por el Hospital Nacional Cayetano Heredia durante el mes de Marzo. Para este tipo de datos la funcin Perceptrn multicapa, fue el que logr una clasificacin correcta del 100%. 9.-APORTE: Una mejora al presente trabajo es recolectar mayor cantidad de informacin y mayor cantidad de enfermedades. Lo que se quiso comprobar con este trabajo es que esta funcin puede utilizar para el proceso de diagnstico de enfermedades.

[Issa, 2006] Issa O. (2006). Desarrollo de sistemas inteligentes para clasificacin y diagnstico en Medicina. Departamento de arquitectura y tecnologa de computadoras. Universidad de Granada [Cruz-Rojo, 2012] Cruz Rojo. (2012). Epidemiologa de las enfermedades cardiovasculares. http://cruzrojoepidemiologia.wordpress.com/ 2008/10/09/sobre-las-causas-de-lasenfermedades-cardiovasculares-2/

10. REFERENCIAS [Castillo, 2011] Castillo R. (2011). Arritmia Cardiaca. http://www.entornomedico.org/enfermedade sdelaalaz/index.php?option=com_content&v iew=article&id=111:arritmiacardiaca&catid=35:enfermedades&Itemid=5 6 [FamilyDoctor, 2010] FamilyDoctor.org (2010). Ataque Cardiaco. http://familydoctor.org/familydoctor/es/disea ses-conditions/heart-attack.html [FamilyDoctor, 2010] Fernando T. (2010). Funcin del Corazn http://www.fundaciondelcorazon.com/infor macion-para-pacientes/enfermedadescardiovasculares.html