PDF

Industrial Data
ISSN: 1560-9146
iifi@unmsm.edu.pe
Universidad Nacional Mayor de San
Marcos
Per
Delgado Montenegro, Linda; Cortez Vsquez, Augusto; Ibez Prentice, Esteban

Aplicacin de metodologa Buchanan para la construccin de un sistema experto con
redes bayesianas para apoyo al diagnstico de la Tetraloga de Fallot en el Per
Industrial Data, vol. 18, nm. 1, 2015, pp. 135-148
Universidad Nacional Mayor de San Marcos
Lima, Per
Disponible en: http://www.redalyc.org/articulo.oa?id=81642256016
Cmo citar el artculo

Nmero completo
Ms informacin del artculo
Pgina de la revista en redalyc.org
Sistema de Informacin Cientfica

Red de Revistas Cientficas de Amrica Latina, el Caribe, Espaa y Portugal
Proyecto acadmico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
SiStemaS e informtica
Revista de la Facultad de Ingeniera Industrial
18(1): 135-148 (2015) UNMSM
ISSN: 1560-9146 (Impreso) / ISSN: 1810-9993 (Electrnico)
Linda deLgado Montenegro / augusto Cortez Vsquez / esteban ibez PrentiCe
Aplicacin de metodologa Buchanan para la construccin

de un sistema experto con redes bayesianas para apoyo al
diagnstico de la Tetraloga de Fallot en el Per
liNdA delgAdo MoNteNegro*
Augusto Cortez Vsquez**
esteBAN iBez preNtiCe***
Recibido: 11/12/14 AceptAdo: 31/01/15
1. INTRODUCCIN
RESUMEN
La presente investigacin aborda el problema
relacionado a cardiopatas congnitas. El diagnstico
mdico oportuno en el caso de enfermedades
de riesgo, como son las cardiopatas congnitas,
se convierte en una pieza clave para su debido
tratamiento, en este contexto la ausencia de
infraestructura y personal debidamente entrenado
se convierte en un problema latente que puede tener
consecuencias fatales. Se utiliz la metodologa
Buchanan debido a que despus de la evaluacin
se determin que se adapt a las necesidades
del proyecto y los beneicios de su aplicacin. El
desarrollo del proyecto se justiic debido a que
brinda un instrumento lgico para la sistematizacin
del conocimiento en el rea de cardiopata que
servir como apoyo para la realizacin de un
debido diagnstico, beneiciando en gran medida a
los servicios de salud en el rea peditrica a nivel
nacional.
Palabras clave: Sistema Experto, Sistema Experto
Probabilstico, Redes Bayesianas, Metodologa
Buchanan, , Tetraloga de Fallot
appliCation of buChanan methodology for

the ConstruCtion of an expert system with
bayesian networks to support the diagnosis

of tetralogy of fallot in per
ABSTRACT
This research addresses the problem related to
congenital heart disease. Prompt medical diagnosis
in the case of disease risk, such as congenital heart
disease, becomes a key for appropriate treatment,
in this context the lack of infrastructure and trained
personnel becomes a latent problem that can have
consequences fatal. Buchanan methodology was
used because after the evaluation found that the
project needs and the beneits of its implementation
was adapted. The development project is justiied
because it provides a logical systematization of
knowledge in the area of heart disease that will serve
as support for the completion of due diagnostic tool,
beneiting greatly to health services in the pediatric
area at national.
Keywords: expert system, expert system probabilistic
bayesian network, congenital heart disease, tetralogy
of Fallot
El Servicio de Ciruga Cardiovascular y Torxica del hospital

Dos de Mayo seala que actualmente en el Per nacen al ao
seis mil nios y nias con algn tipo de cardiopata congnita,
de los cuales cuatro mil deben ser operados antes de cumplir
el ao de edad para sobrevivir, pero solo se logra intervenir a
400 y el resto fallece por causa de un inadecuado diagnstico;
ante esa situacin propuso la creacin de un programa nacional
de control de cardiopatas congnitas para reducir los ndices
de mortalidad infantil, para tal efecto se suscribi el convenio
entre el hospital Dos de Mayo y la Fundacin Hearts with
Hope que, a travs de la campaa Salvando corazones:
inclusin y equidad para los ms pobres, realizaron cirugas
cardiovasculares gratuitas a 35 pacientes inanciado por el Fissal
[Andina12]. En el Per se realiz un estudio para determinar
una estimacin de incidencias de cardiopatas congnitas en
nios menores de 1 ao [Olrtegui+07], mediante el uso de la
informacin demogrica del pas, complementariamente, se
describe la distribucin estimada de los tipos de cardiopatas
congnitas. Los trminos Sistemas expertos han sido objetos de
numerosas y detalladas investigaciones. En Inteligencia artiicial
se ha discutido las diferentes tcnicas de implementacin. La
presente investigacin tiene como propsito desarrollar modelo
para el desarrollo de una aplicacin informtica que sirva de
instrumento de apoyo a los especialistas en cardiopata.
2. PROBLEMA
Existe un diagnstico equivocado muy marcado en los diferentes
centros hospitalarios de salud, y el sector an carece de un
sistema de referencia de cardiopatas congnitas que permitan
que estas sean tratadas oportunamente.
Objetivos
Desarrollar un Sistema Experto de apoyo a los especialistas
en atencin primaria con el in de resolver el problema del
diagnstico no oportuno de la Tetraloga de Fallot, utilizando la
metodologa de Buchanan.
*
Ingeniera de Sistemas Universidad Nacional Mayor de San Marcos Facultad de Ingeniera de

Sistemas e Informtica. Lima, Per. E-mail: ledm1987@gmail.com
** Magster en Computacin e Informtica en Universidad Nacional Mayor de San Marcos Facultad
de Ingeniera de sistemas e Informtica. Lima, Per. E-mail: acortezv@unmsm.edu.pe
*** Ingeniero de Sistemas, Universidad Nacional Mayor de San Marcos Facultad de Ingeniera de
Sistemas e Informtica. Lima, Per. E-mail: moics30@gmail.com
Ind. data 18(1), 2015
135
AplicAcin de metodologA BuchAnAn pArA lA construccin de un sistemA experto con redes BAyesiAnAs pArA Apoyo Al diAgnstico de lA tetrAlogA de FAllot en el per
Propuesta
Base de Conocimiento
La propuesta del presente trabajo es la realizacin

de un Sistema Experto que sirva como instrumento
de apoyo al experto humano en el diagnstico de la
Tetraloga de Fallot. Se utilizara la tcnica de sistema
experto probabilstico mediante redes bayesianas y
el desarrollo de la aplicacin informtica se utilizara
la metodologa de Buchanan.
Motor de Inferencia:
3. MARCO TERICO
3.1. Cardiopata Congnita
La Cardiopata Congnita se deine como una
anormalidad en la estructura y/o funcin del
corazn en el recin nacido, establecida durante la
gestacin y resultante de un desarrollo embrionario
alterado. Las alteraciones ms graves pueden ser
incompatibles con la vida intrauterina, pero hay
muchas que se hacen evidentes solo despus del
nacimiento [Harris, 2003].
3.2. Tetraloga de Fallot
La tetraloga de Fallot se encuentra clasiicada dentro
de las cardiopatas congnitas de cortocircuitos
derecha izquierda, se reiere a un grupo de cuatro
defectos cardiacos congnitos, es decir, que estn
presentes al nacer. Se clasiica como un defecto
cardiaco ciantico, ya que la afeccin ocasiona
niveles bajos de oxgeno en la sangre que llevan
a presentar cianosis (una coloracin azulada y
prpura de la piel). [Lpez, 1995].
3.5. Redes Bayesianas

El teorema de Bayes se utiliza para calcular con
facilidad las probabilidades a posteriori cuando se
tienen unas pocas enfermedades y sntomas. Pero
cuando el nmero de variables (enfermedades
y/o sntomas) es alto, que es lo que sucede
normalmente en la prctica, se necesitan mtodos
de propagacin de evidencia o incertidumbre.
3.6. Modelos Gricos Probabilsticos
Los modelos gricos probabilsticos surgen como
resultado de la unin entre la Teora de Grafos
y la Teora de la Probabilidad, ya que cuando se
construye un modelo matemtico probabilstico,
es fundamental tener en cuenta dos componentes
importantes relativas a la informacin de la que se
dispone: la informacin cualitativa y la informacin
cuantitativa del problema.
Modelos gricos probabilsticos dirigidos. Redes
Bayesianas
Una Red Bayesiana es un par (D, P), donde D
es un DAG tal que los nodos representan las
variables del problema X = {X1, ..., Xj} y los arcos
representan las dependencias probabilsticos, y P
= {p(X1 pa(X1)), ..., p(Xn pa(Xn))} es un conjunto de
n distribuciones de probabilidad condicionada, una
para cada variable, siendo pa(Xj) el conjunto de
padres del nodo Xj en el grafo D.
3.3. Sistema Experto

Un sistema experto puede deinirse como un sistema
informtico (hardware y software) que simula a los
expertos humanos en un rea de especializacin
dada. Como tal, un sistema experto debera ser capaz
de procesar y memorizar informacin, aprender y
razonar en situaciones deterministas e inciertas,
comunicar con los hombres y/u otros sistemas
expertos, tomar decisiones apropiadas, y explicar por
qu se han tomado tales decisiones [Castillo, 1991].
3.4. Sistema Experto Probabilstico
Los sistemas expertos probabilsticos utilizan
la probabilidad como medida de incertidumbre
y su estrategia de razonamiento se conoce
como razonamiento probabilstico, o inferencia
probabilstica. [Lindley, 1987]. Los componentes de
un Sistema Experto Probabilstico tenemos:
136
Ind. data 18(1), 2015
3.7. Metodologas para desarrollar Sistemas

Expertos
Despus de evaluar las alternativas de metodologas
se eligi la metodologa de Buchanan.
Metodologa de Buchanan
Esta metodologa se basa en el tpico ciclo de vida
en cascada utilizado en los inicios de la ingeniera
del software, de la que se puede deducir que el
proceso de construccin de un sistema experto se
plantea como un proceso de revisin casi constante,
que puede implicar la redeinicin de los conceptos,
de las representaciones o el reinamiento del
sistema implementado. [Palma+00].
Figura 1. Modelo de Ciclo de vida propuesto por

Buchanan.
Identificacin
Reformulacin
Requisitos
Conceptualizacin
Reformulacin
Conceptos
Formalizacin
Rediseos
Estructura
Implementacin
Refinamientos
Reglas
4.2. Evaluacin y Seleccin del tipo de sistema

experto
Se evalu las dos alternativas: Redes de Markov
y Redes bayesianas, seleccionndose redes
bayesianas.
Seleccin del modelo grico probabilstico para el
modelamiento del Sistema Experto:
Los criterios que fueron escogidos para la seleccin
del modelo probabilstico fueron deinidos segn las
cualidades que presentan frente a las caractersticas
especicas del proyecto, estas se denominan con
la letra B y tienen asociado un puntaje segn su
nivel de impacto.
Validacin
B1: Intuitivo y fcil de entender.

Fuente: [Palma+00]
Tabla 2. Puntaje del impacto del primer criterio

B1
4. DESARROLLO DE LA SOLUCIN
Nivel de Impacto
Puntaje
4.1. Evaluacin y Seleccin de la tcnica usada
Difcil
Considerando las condiciones del proyecto, se

seleccion el tipo de Sistema Experto que ms se
adece a nuestro problema. Evaluaremos las dos
alternativas:
Coplicado
Fcil
Fuente: [Creacin personal]
1. Sistemas expertos basados en reglas

B2: Muestra explcitamente las
dependencias entre las variables.
2. Sistemas expertos probabilsticos

El tipo de sistema experto que obtenga ms puntaje
es el que se utilizar para el proyecto.
Tabla 1. Evaluacin de los tipos de Sistema

Experto
Tipo de Sistema
Experto
Criterios
relaciones
de
Tabla 3. Puntaje del impacto del segundo criterio

B2
Nivel de Impacto
Puntaje
No expresiva
Poco expresiva
Expresiva
Total
S1
S2
S3
S4
Sistema Experto
basado en reglas
B3: Practicidad en la factorizacin de la funcin de

probabilidad.
Sistema Experto
probabilstico
Tabla 4. Puntaje del impacto del tercer criterio B3
En base a la evaluacin anterior encontramos

que la implementacin de un sistema experto
probabilstico sera lo ms adecuado.
Nivel de Impacto
Puntaje
Compleja
Complicada
Sencilla
B4: Simplicidad en la cuantiicacin del modelo.
Ind. data 18(1), 2015
137
Tabla 1. Puntaje del impacto del cuarto criterio
B4
Nivel de Impacto
Puntaje
No aplicable
Poco aplicable
Aplicable
lograr un diagnstico oportuno de la enfermedad y

evitar posibles complicaciones o incluso la muerte.
Familiarizacin con el dominio
Para familiarizarse con el problema y el dominio
se realizaron entrevistas al experto para validar la
informacin encontrada y enriquecer la misma. Una
vez identiicados el problema y el dominio se pasa a
identiicar las tareas del Sistema Experto.
Tareas del Sistema Experto:
B5: Aplicable en diagnstico mdico.

Tabla 2. Puntaje del impacto del quinto criterio B5
Modelos
probabilsticos
Criterios
Total
Permitir ingresar los sntomas y factores

relacionados a la enfermedad para crear la Base
de Conocimiento.
Brindar un diagnstico de la enfermedad
expresado en porcentaje.
B1
B2
B3
B4
B5
Redes
Bayesianas
10
Permitir el ingreso de nuevo conocimiento a la

Base de Conocimientos inicial.
Redes de
Markov
Permitir editar el conocimiento almacenado en

la Base de Conocimientos.
Una vez identiicadas las tareas que realizar el
Sistema Experto, se pasa a delimitar el sistema.
B) Conceptualizacin
Tabla 3. Evaluacin de los modelos probabilsticos
Modelos
probabilsticos
Criterios
Total
B1
B2
B3
B4
B5
Redes
Bayesianas
10
Redes de
Markov
En esta fase se proceder a la adquisicin del

conocimiento del sistema experto; en este caso
se necesita obtener la informacin cualitativa
y cuantitativa del modelo probabilstico que
utilizaremos.
Informacin cualitativa del modelo (Variables)
Variables objetivo:
La Tetraloga de Fallot (TF)
Variables de observacin:
4.3. Evaluacin y Seleccin de la metodologa

para implementar el sistema
Se evaluaron cuatro metodologas: Buchanan,
Grover, Brul y CommonKADS, seleccionndose
metodologa de Buchanan.
Sntomas de presentacin:
Cianosis (CS)
Crisis Anxicas (CA)
Disnea Esfuerzo (DE)
Retardo en el desarrollo (RD)
4.3.1. Metodologa Buchanan
Enculclillamiento (EO)
A) Identiicacin
Cianosis (CS)
Problema: se cuenta con poco personal debidamente

entrenado en el diagnstico de las cardiopatas
congnitas en atencin primaria de recin nacidos,
lo que ocasiona la ausencia de un diagnstico
oportuno de este tipo de malformacin del corazn
en la mayora de centros de salud del Per.
Crisis Anxicas (CA)
Disnea Esfuerzo (DE)
Retardo en el desarrollo (RD)
Enculclillamiento (EO)
Cansancio (CO)
Infecciones Respiratorias (IR)
Solucin: se propone desarrollar un Sistema

Experto Probabilstico que sirva de apoyo a dichos
especialistas en atencin primaria con el in de
Convulciones (CV)
Parlisis (PS)
138
Ind. data 18(1), 2015
Exploracin fsica:
Hallazgos encontrados en Cineangiografa:
Tensin arterial aumentada (TAA)
Foramen Ovale (FO)
Tensin arterial normal (TAN)
Cono Coronario (CC)
Tensin arterial intederminada (TAI)
Insuiciencia Tricuspdea (IT)
Frecuencia cardiaca normal (FCN)
Comunicacin Interauricular (CIR)
Hipocratismo digital (HD)
Deformidad Toraxica (DT)
Agenesia Rama Izquierda Arteria Pulmonar

(ARIP)
Fremito (FO)
Ritmo cardiaco regular (RCR)
Tronco Arteria
(TAPH)
Primer ruido aumentado (PRA)
Dilatacin Postestentica (DP)
Primer ruido normal (PRN)
Tronco Arteria Pulmonar Dilatada (TAPD)
Segundo ruido en foco pulmonar nico (SRFU)
Arco Artico Derecho (AAD)
Segundo ruido en foco pulmonar desdoblado

isiolgico (SRFD)
Segundo ruido en foco pulmonar aumentado

(SRFA)
Segundo ruido en foco pulmonar disminuido

(SRFD)
Pulmonar
Hipodestrollada
Caractersticas especicas:
Dextroposicin artico (DXA)
Segundo ruido en foco pulmonar normal

(SRFN)
Comunicacin interventricular perimenbranosa

(CIP)
Comunicacin interventricular muscular (CIM)
Tercer ruido audible (TRA)
Comunicacin interventricular subarterial (CIS)
Galope audible (GA)
Hipertroia ventricular derecha (HVD)
Click protosistlico (CP)
Hipertroia ventricular izquierda (HVI)
Soplo sistlico en borde paraesternal izquierdo

(SBPI)
Vlvula tricspide anormal (VTA)
Ausencia de soplo (AS)
Informacin cuantitativa del modelo: Parmetros

Hallazgos radiogricos:
Los estudios tambin arrojan la cantidad de casos

en donde cada sntoma se encontr presente
y ausente, de ah se extrae las probabilidades
condicionadas asociadas a los sntomas (variables
anteriormente identiicadas), dichas probabilidades
vienen a ser nuestros parmetros del modelo.
Situs Solitus (SS)
Dextrocarda (DX)
Morfologa silueta cardiaca derecha (MSCD)
Hipertroia ventrculo derecho (HVD)
Hipertroia ventrculo izquierdo (HVI)
C) Formalizacin
Crecimiento Aurcula izquierda (CAI)
Crecimiento Aurcula derecha (CAD)
Cardiomegalia (CG)
Se construy el modelo grico probabilstico

seleccionado en la seccin anterior, La Red
Bayesiana.
Arco artico derecho (AAD)
Arco artico izquierdo (AAI)
Arco medio recto (AMR)
Arco medio convexo (AMX)
Arco medio cncavo (AMV)
Tamao aorta ligera (TAL)
Tamao aorta moderada (TAM)
Tamao aorta importante (TAI)
Tamao aorta no visible (TAV)
Flujo pulmonar disminuido (FPD)
Flujo pulmonar normal (FPN)
Flujo pulmonar aumentado (FPA)
Flujo pulmonar con circulacin colateral (FPCC)
Haciendo uso esta red bayesiana se har la

representacin de la base de conocimiento. La
inferencia se llevar a cabo haciendo uso del
algoritmo de propagacin de evidencia para redes
con forma de rbol.
Base de Conocimiento: Modelo
Probabilstico (Red Bayesiana)
Grico
Los nodos representan a las variables (Sntomas

y Factores) y los arcos las dependencias de las
mismas (Informacin Cualitativa). Cada variable
tendr asociado adems los parmetros deinidos
anteriormente (Informacin Cuantitativa).
Ind. data 18(1), 2015
139
Tabla 4. Parmetros de los sntomas de presentacin
Tabla 5. Parmetros de los sntomas encontrados en la exploracin fsica
Tabla 6. Parmetros de los hallazgos radiogricos
140
Ind. data 18(1), 2015
Tabla 7. Parmetros de los hallazgos encontrados en cineangeografa
Tabla 8. Parmetros de las caractersticas especicas
Figura 2. Red Bayesiana
Ind. data 18(1), 2015
141
Motor de Inferencia: Algoritmo de propagacin de
evidencia en redes con forma de rbol
Frmulas para el clculo de y -mensajes, y

-valores y probabilidades P*:
1. Si B es un hijo de A, B tiene k valores posibles y
A m valores posibles, entonces para j=1,...,m el
-mensaje de B a A viene dado por:
Cuando una variable se instancia o una variable

recibe un o -mensaje, se usa uno de los
siguientes procedimientos de actualizacin;
2. Actualizacin
Si una variable B se instancia a un valor bj, entonces
BEGIN
Inicializar P*(bj) = 1 y P*(bi) = 0, para todo ij.
Calcular (B) usando la frmula 3.
2. Si B es hijo de A y A tiene m valores posibles,

entonces para j=1,...,m, el -mensaje de A a B
viene dado por:
Enviar un nuevo -mensaje al padre de B usando

la frmula 1.
Enviar nuevos -mensajes a los hijos de B
usando la frmula 2.
END
Si una variable B recibe un nuevo -mensaje

de uno de sus hijos y la variable B no ha sido
instanciada todava, entonces,
BEGIN
3. Si B tiene k valores posibles entonces para
i=1,...,k el -valor de B viene dado por:
Calcular el nuevo valor de (B) usando la

frmula 3.
Calcular el nuevo valor de P*(B) usando la
frmula 5.
4. Si A es padre de B, B tiene k valores posibles

y A tiene m valores posibles, entonces, para
i=1,...,k, el -valor de B viene dado por;
Enviar un nuevo -mensaje al padre de B usando

la frmula 1.
Enviar nuevos -mensajes a los otros hijos de B
usando frmula 2.
END.
5. Si B es una variable con k posibles valores,

entonces, para i = 1,...,k, la probabilidad a
posteriori basada en las variables instanciadas
se calcula como:
Si una variable B recibe un nuevo -mensaje de

su padre y la variable B no ha sido instanciada
todava, entonces,
BEGIN
Calcular el nuevo valor de (B) usando la

frmula 4.
Calcular el nuevo valor de P*(B) usando la
frmula 5.
1. Inicializacin
Inicializar todos los -mensajes y -valores a 1.
Enviar nuevos -mensajes a los hijos de B

usando frmula 2.
Si la raz A tiene m posibles valores, entonces para

j = 1,...,m, sea (aj) = P(aj)
END
Para todos los hijos B de la raz A, hacer
D) Implementacin
Enviar un nuevo -mensaje a B usando la frmula 2.

(En ese momento comenzar un lujo de propagacin
debido al procedimiento de actualizacin C).
142
Ind. data 18(1), 2015
Especiicacin de los Casos de Uso del Sistema

Experto
1. Registrar Sntoma
Tabla 9. Caso de Uso Registrar Sntoma

Caso de uso
Cdigo
Registrar Sntoma
CU01
Objetivo
Precondiciones
Post condiciones
Actores
Permite al usuario registrar nuevos sntomas (conocimiento) al sistema para mejorar la

probabilidad de presencia de la Tetraloga de Fallot.
El usuario debe de estar logueado.
El usuario accede a las opciones del Sistema de acuerdo al peril del usuario.
Los datos del sntoma quedan registrados en el sistema.
Usuario
Pasos
1.
El usuario hace click en el men Registrar Sntoma.
2.
El sistema muestra el formulario de registro.
3.
El usuario ingresa la descripcin, abreviacin, probabilidades y elije antecesor del

sntoma, luego hace click en botn Guardar.
4.
El sistema guarda el sntoma y muestra el mensaje: El Sntoma ha sido creado con

xito.
Flujo principal
Accin
Extensiones
Sntoma ya existe: El sistema valida si el sntoma (mediante la abreviacin) ya fue

registrado anteriormente.
4.
Frecuencia
Poco Frecuente
Performance
Alta
Prioridad
Alta
Fuente: [Creacin Personal]
2. Consultar Sntoma
Tabla 10. Caso de Uso Consultar Sntoma
Caso de uso
Cdigo
Objetivo
Precondiciones
Consultar Sntoma
CU02
Permite al usuario conocer los sntomas que han sido agregados en el sistema con sus
respectivos atributos.
Post condiciones
No aplica
Actores
Usuario
Pasos
Flujo principal
1.
El usuario hace click en el men Consultar Sntoma
2.
El sistema muestra una grilla con todos los sntomas ingresados hasta ahora.
Extensiones
Accin
Frecuencia
Frecuente
Performance
Alta
Prioridad
Alta
No aplica
3. Editar Sntoma
Ind. data 18(1), 2015
143
Tabla 11. Caso de Uso Editar Sntoma
Caso de uso
Editar Sntoma
Cdigo
CU03
Objetivo
Permite al usuario editar las probabilidades de los sntomas (conocimiento), con el in de mejorar
el resultado del diagnstico.
Precondiciones
Realizado el CU04
Post condiciones
Los datos del sntoma quedan actualizados en el sistema
Actores
Usuario
Pasos
Flujo principal
Extensiones
1.
El usuario hace click en el botn Editar.
2.
El sistema muestra el formulario para editar.
3.
El usuario Edita los campos deseados y da click en el botn actualizar
4.
El sistema guarda el sntoma y muestra el mensaje: El Sntoma ha sido actualizado

con xito
Accin
Sntoma ya existe: El sistema valida si el sntoma (mediante la abreviacin) ya fue
registrado anteriormente.
4.
Frecuencia
Poco Frecuente
Performance
Alta
Prioridad
Alta
4. Obtener Diagnstico
Tabla 12. Caso de Uso Obtener Diagnstico
Caso de uso
Obtener Diagnstico
Cdigo
CU04
Objetivo
Permite al usuario realizar el diagnostico al paciente, mediante la eleccin de los sntomas que
presente el paciente.
Precondiciones
Post condiciones
Debe existir por lo menos un sntoma registrado.
No aplica
Actores
Usuario
Pasos
Flujo principal
Extensiones
1.
El usuario hace click en el botn Editar.
2.
El sistema muestra el formulario de diagnstico, con la lista de sntomas.
3.
El usuario elije el/los sntomas
4.
El sistema muestra el resultado del diagnstico, mediante un mensaje mostrando la

probabilidad.
Accin
2.
Frecuencia
Frecuente
Performance
Alta
Prioridad
Alta
144
Ind. data 18(1), 2015
No existen Sntomas: El sistema no retorna nada, ya que no existe ningn sntoma

registrado.
Seleccin de la Herramienta de Desarrollo

Para el desarrollo de este sistema se ha decidido
utilizar Java Web como lenguaje de programacin,
facilitando la construccin del mismo mediante el
entorno de desarrollo NetBeans en su versin 7.4.
Para lograr una buena performance del sistema se
decide trabajar con Jquery, que agrega interaccin
con la tcnica AJAX a pginas web permitiendo
que las aplicaciones se ejecuten en el cliente, es
decir, en el navegador de los usuarios mientras se
mantiene la comunicacin asncrona con el servidor
en segundo plano, adems se elige trabajar solo

dos Frameworks de Java: Spring en su versin
3.2.3 y el Ibatis en su versin 2.3.4. Para la creacin
de la Red Bayesiana y el motor de inferencia se
utiliz la librera Smile.jar, esta librera proporciona
los algoritmos y mtodos necesarios para realizar
la propagacin de la evidencia y as obtener el
resultado del diagnstico. Asimismo se utiliz el
Apache Tomcat en su versin 7.0.42. Adems, se
utiliza como Sistema Gestor de Base de Datos el
PostgreSQL en su versin 9.0.16,
Arquitectura del Sistema

Figura 3. Arquitectura del Sistema.
Soporte Tecnolgico
1. La computadora de los usuarios (Cliente), debe
cumplir con los siguientes requerimientos:
resultado que se muestra es la probabilidad de que

el paciente presente Tetraloga de Fallot.
Mdulo Sntoma:
Tener instalado un navegador Web (Internet

Explorer, Mozilla Firefoz, Google Chrome, etc),
un procesador Pentium IV o superior y Memoria
Ram 512 MB o superior.
Este mdulo cuenta con dos opciones: Agregar

Sntoma y Consultar Sntoma.
2. El servidor debe cumplir con los siguientes

requerimientos:
Esta opcin permite al usuario ingresar nuevos

sntomas a la base de conocimiento del sistema
experto para optimizar as su razonamiento
probabilstico, logrando que el diagnstico sea ms
exacto.
Memoria RAM 8 GB o superior, procesador de

4 ncleos o superior, asi como tener instalado
todo el software sealado anteriormente.
Mdulos e Interfaz de Usuarios
El sistema experto desarrollado presenta dos
mdulos los cuales aparecen en el men de la
pantalla principal:
Sntoma: su funcin es administrar la base de
conocimiento del sistema experto.
Diagnstico: su funcin es obtener el diagnstico
del paciente en base al registro de sus sntomas; el
Agregar Sntoma
Consultar Sntoma
Esta opcin permite al usuario conocer los sntomas
que han sido agregados en el sistema experto con
sus respectivos atributos.
Al lado de cada registro se muestra el botn
, con el cual se puede editar las probabilidades de
los sntomas (parmetros), con el in de mejorar el
resultado del diagnstico (inferencia).
Ind. data 18(1), 2015
145
Figura 4. Pantalla principal del Sistema.
Figura 5. Opciones del Mdulo Sntoma.
Figura 6. Pantalla Registrar Sntoma.
Mdulo Diagnstico:
5. CONCLUSIONES
Para acceder a este mdulo se da click en el men

Diagnstico (Ver ilustracin 4.16). Este mdulo
permite al usuario visualizar el diagnstico del
paciente, despus de haber ingresado los sntomas
que presente.
a) Se pone de relieva que la utilizacin de sistemas

expertos son de mucha ayuda y traen grandes
beneicios ya que permiten simular la presencia
de expertos humanos que no siempre estn
en todo lugar ni en todo momento, adems de
contribuir a la exteriorizacin del conocimiento
146
Ind. data 18(1), 2015
tcito del ser humano y a permitir la preservacin

y distribucin del mismo.
b) Se utiliz la tcnica probabilstica frente a la
alternativa basado en reglas debido a que
se adecuaba ms a la solucin del problema.
Asimismo se opt por redes bayesianas frente a
redes de Markov..
c) Se utiliz la metodologa Buchanan debido a que
despus de la evaluacin se determin que se
adapt a las necesidades del proyecto y los
beneicios de su aplicacin.
d) La falta de cardilogos pediatras es
contrarrestada con el uso de Sistemas Expertos
como el desarrollado en esta tesina, ya que
podrn obtenerse de manera rpida diagnsticos
acertados en lugares donde se les necesite y en
donde no haya especialistas en el campo, que
puedan dar un diagnstico a tiempo.
e) El uso de las redes bayesianas para la
representacin del conocimiento result de gran
utilidad ya que permite manejar la incertidumbre
bajo un razonamiento probabilstico y considerar
de esta manera el impacto de cada parmetro
o evidencia sobre el diagnstico respectivo,
adems de enriquecerse conforme se presenten
ms casos a lo largo del ejercicio de la medicina.
6. REFERENCIAS BIBLIOGRFICAS
Tesis:
[1] [Escobar07] Ubner Escobar Merma (2007).
Sistema Experto para el diagnstico de
desnutricin en nios menores a 5 aos, Tesis
para optar el ttulo de Ingeniera de Sistemas
Informticos, La Paz: Universidad Major
Pacensis Divi Andre. 88 p.
[4] [Henao01] Henao Clad Mnica (2001).
CommonKADS-RT: Una Metodologa para
el Desarrollo de Sistemas Basados en el
Conocimiento de Tiempo Real, Tesis Doctoral,
Valencia, Espaa.
[3] [Gouveia+07] Gouveia Gracinda y Jimnez
JoseRafael (2007). Sistema de apoyo a
ejecutivos combinado con un sistema experto,
dirigido a la coordinacin de las actividades
relacionadas con los proyectos de grado en
la escuela de Ingeniera de Sistemas de la
Universidad Santa Maria, Tesis para optar el
ttulo de Ingeniera de Sistemas, Caracas:
Universidad Santa Maria
[4] [Lopez05] Lopez Amaya Nelson (2005). Sistema

Experto Probabilistico para la identiicacin
de arritmias cardiacas, Tesis para optar el
ttulo de Ingeniera de Sistemas Informticos,
Universidad Don Bosco. El Salvador, Centro
Amrica.
Libros y papers:
[5] [Anguelov+05] D. Anguelov, B. Taskar, V.
Chatalbashev, D. Koller, D. Gupta, G. Heitz, A.
Ng. (2005). Discriminative Learning of Markov
Random Fields for Segmentation of 3D Range
Data. Proceedings of the Conference on
Computer Vision and Pattern Recognition.
[6] [Castillo+91] Castillo, E. and Alvarez, E. (1991),
Expert Systems: Uncertainty and Learning.
Computational Mechanics Publications and
Elsevier Applied Science, London, U.K.
[7] [Cortez 2012] Augusto Cortez Vsquez (2012),
Algoritmia, Tcnicas Algortmicas CEPREDIM
Lima Per.
[8] [De Miguel94] De Miguel Gonzlez Luis Javier
(1994). Tcnicas de Mantenimiento Predictivo
Industrial basadas en Sistemas Expertos.
[9] [Durkin94] Durkin, J. (1994), Expert Systems:
Design and Development. Maxwell Macmillan,
New York.
[10] [GarcaND] Garcia Martinez, Ramon (ND),
Construccin de Sistemas Expertos. Tcnicas
de Educcion del Conocimiento. Universidad
Nacional de Lans, Argentina.
[11] [J.Diez98] F. J. Dez (1998).Aplicaciones de los
modelos gricos probabilistas en medicina.
Universidad de Castilla-La Mancha,Cuenca.
[12] [Lpez+95] Lpez Abel, Bernardo Y Marcos
Alonso, Sonia (1995), Cardiologa Peditrica.
[13] [Moya04] Moya Castellano, Fausto S. (ND),
Sistema Experto de Anlisis de Seguridad y
Salud en el Trabajo de las Pymes. Universidad
Tecnologica Equinoccial, Ecuador.
[14] [Palma+08] Palma M. Jos T., y Marn M.
Roque (2008). Inteligencia Artiicial. Tcnicas,
Mtodos y Aplicaciones. Primera Edicin,
McGraw-Hill Interamericana de Espaa S.L.
[15] [Palma+00] J. T. Palma, E. Paniagua, F.
Martn y R. Marn (2000). Ingeniera del
Conocimiento. De la Extraccin al Modelado
de Conocimiento. Dpto. Ingeniera de la
Informacin y las Comunicaciones.Universidad
de Murcia, Facultad de Informtica. Campus
de Espinardo. Espaa.
Ind. data 18(1), 2015
147
[16] [Pearl82] Pearl Judea (1982), Causes and
Explanations: A Structural-Model Approach.
Part I: Causes. Cornell University Dept. of
Computer Science Ithaca, NY.
Revistas:
[17] Besag74] Besag, J. (1974) Spatial Interaction
and the Statistical Analysis of Lattice Systems,
Journal of the Royal Statistical Society, Series
B, 36 (2), 192236
[18] [Harris+03 Harris JA. Francannet C. Pradat
P. Robert E. (2003). The Epidemiology of
cardiovascular defects, part 2: a study based
in data from three large registries of congenital
malformations. Pediatr Cardiol. 24(3):222-235.
[19] [Lauritzen+88] Lauritzen, S. L. and D. J.
Spiegelhalter (1988), Local computations with
probabilities on graphical structures and their
application to expert systems (with discussion),
Journal of Royal Statistical Society, Series B,
50(2), 157-224
[20] [Lindley87] Lindley, D. V. (1987), The Probability
Approach to the Treatment of Uncertainty in
Artiicial Intelligence. Statistical Science, 2:17-24.
148
Ind. data 18(1), 2015
[21] [Martinez+05] Martinez OP. Romero IC,

Alzina de Aguilar V (2005). Incidencia de las
Cardiopatas Congnitas en Navarra (19891998). Rev. Esp Cardiol;58(12):1428-1434
[22] [Olrtegui+07] Adriel Olrtegui y Manuel
Adrianzn (2007), Incidencia Estimada de
las Cardiopatas Congnitas en nios menos
de 1 ao en el Per, Anales de la Facultad
de Medicina vol. 68, nmero 002, Universidad
Nacional Mayor de San Marcos, Lima Per,
pginas 113 124
[23] [Vials+02] Vials LF, Giulliano BA (2002).
Cardiopatas congnitas. Incidencia postnatal.
Rev Chil Obstet Ginecol; 67:203-206.
Sitios web:
[24] [Andina12] Andina, agencia peruana de
noticias (2012). Cada ao mueren 3 mil nios
con cardiopatas congnitas antes de cumplir
un ao. [Internet], [16 febrero 2014]. Disponible
en:
[25] h t t p : / / w w w. a n d i n a . p e / E s p a n o l / N o t i c i a .
aspx?id=B6goAaoL3+o=#.UwGKMGKSxwG

PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

PDF

Transféré par

Droits d'auteur :

Formats disponibles

Industrial Data

Delgado Montenegro, Linda; Cortez Vsquez, Augusto; Ibez Prentice, Esteban

Disponible en: http://www.redalyc.org/articulo.oa?id=81642256016

Cmo citar el artculo

Sistema de Informacin Cientfica

Linda deLgado Montenegro / augusto Cortez Vsquez / esteban ibez PrentiCe

Aplicacin de metodologa Buchanan para la construccin

Recibido: 11/12/14 AceptAdo: 31/01/15

appliCation of buChanan methodology for

bayesian networks to support the diagnosis

El Servicio de Ciruga Cardiovascular y Torxica del hospital

Ingeniera de Sistemas Universidad Nacional Mayor de San Marcos Facultad de Ingeniera de

Ind. data 18(1), 2015

La propuesta del presente trabajo es la realizacin

3.5. Redes Bayesianas

3.3. Sistema Experto

Ind. data 18(1), 2015

3.7. Metodologas para desarrollar Sistemas

Figura 1. Modelo de Ciclo de vida propuesto por

4.2. Evaluacin y Seleccin del tipo de sistema

B1: Intuitivo y fcil de entender.

Tabla 2. Puntaje del impacto del primer criterio

4.1. Evaluacin y Seleccin de la tcnica usada

Considerando las condiciones del proyecto, se

Fuente: [Creacin personal]

1. Sistemas expertos basados en reglas

2. Sistemas expertos probabilsticos

Tabla 1. Evaluacin de los tipos de Sistema

Tabla 3. Puntaje del impacto del segundo criterio

Fuente: [Creacin personal]

B3: Practicidad en la factorizacin de la funcin de

Tabla 4. Puntaje del impacto del tercer criterio B3

Fuente: [Creacin personal]

En base a la evaluacin anterior encontramos

Fuente: [Creacin personal]

B4: Simplicidad en la cuantiicacin del modelo.

Ind. data 18(1), 2015

lograr un diagnstico oportuno de la enfermedad y

Fuente: [Creacin personal]

Tareas del Sistema Experto:

B5: Aplicable en diagnstico mdico.

Permitir ingresar los sntomas y factores

Permitir el ingreso de nuevo conocimiento a la

Permitir editar el conocimiento almacenado en

Fuente: [Creacin personal]

Fuente: [Creacin personal]

En esta fase se proceder a la adquisicin del

4.3. Evaluacin y Seleccin de la metodologa

Crisis Anxicas (CA)

Disnea Esfuerzo (DE)

Retardo en el desarrollo (RD)

4.3.1. Metodologa Buchanan

Problema: se cuenta con poco personal debidamente

Crisis Anxicas (CA)

Disnea Esfuerzo (DE)

Retardo en el desarrollo (RD)

Infecciones Respiratorias (IR)

Solucin: se propone desarrollar un Sistema

Ind. data 18(1), 2015

Hallazgos encontrados en Cineangiografa:

Tensin arterial aumentada (TAA)

Foramen Ovale (FO)

Tensin arterial normal (TAN)