Trabajo Final Completo

Inteligencia Artificial I
Modelo Predictor de Esquizofrenia
Modelo predictor de
Esquizofrenia
Juan Diego Avila Gómez
2019
1. Problema
En términos generales, la esquizofrenia está catalogada como patología mental y es en esencia un
trastorno neurológico crónico que afecta a 7-8 de cada 1 000 personas. Aquellos quienes sufren de
esquizofrenia suelen experimentar en los ámbitos mental y físico, diferentes clases de síntomas, tales
como déficit cognitivo, trastornos de pensamiento, entre otros.
2. Estado del Arte

Para la neurociencia, alcanzar nuevas perspectivas y un avanzado nivel de comprensión a través del
tratamiento y procesamiento de las variables y poder dar un enfoque multidisciplinar en conjunto con la
IA, pueden ayudar en gran medida al análisis, tratamiento y el manejo de dicho trastorno, lo que para los
psiquiatras se realimenta en una mejor evaluación y tratamiento en los pacientes.
El análisis del estado del arte que aquí se hace, se estructura en tres apartados principalmente, uno
dedicado a la predicción de la esquizofrenia, el otro se basa en la detección del trastorno –Manejados los
apartados anteriores con IA o diferentes sistemas de decisión- y el último dedicado a la clasificación de los
síntomas y a la significancia de las variables en el ámbito predictor.
-Predecir La Esquizofrenia-
Gheiratmand, M., Rish, I., Cecchi, G. A., Brown, M. R., Greiner, R., Polosecki, P. I., Bashivan, P.,
Greenshaw, A. J., Ramasubbu, R. y Dursun S. M. (2017). Learning stable and predictive network-based
patterns ofschizophrenia and its clinical symptoms. Schizophrenia 1 de Nature,1 (22), 1-12. doi:
10.1038/s41537-017-0022-8
-Detección de la Esquizofrenia-
Demirci, O. y Calhoun, V. D. (2009). Functional Magnetic Resonance Imaging –Implications for
Detection of Schizophrenia. European Neurological Review, 4(2), 103-106. doi:
10.17925/ENR.2009.04.02.103
-Alteración De La Funcionalidad Cerebral, Alucinaciones Auditivas-

Rish, I., Cecchi, G., Thyreau, B., Thirion, B., Plaze, M., Paillere-Martinot, M. L., Martelli, C.,
Martinot, J. L. y Poline, J. B. (2013). Schizophrenia as a Network Disease: Disruption of Emergent Brain
Function in Patients with Auditory Hallucinations. PLOS ONE, 8(1) 1-15. doi:
10.1371/journal.pone.0050625
-Variables Predictoras Significativas-

Lo, A., Chernoff, H., Zheng, T. y Lo, S. (2015). Why significant variables aren’t automatically good
predictors. PNAS, 112(45), 1-6. doi: 10.1073/pnas.1518285112
-Clasificación de la Esquizofrenia-
Arbabshirani, M. R., Kiehl, K. A., Pearlson, G. D. y Calhoun, V. D. (2013). Classification of
schizophrenia patients based on resting-state functional network connectivity. Frontiers in Neurocience,
7(133) 1-16. doi: 10.3389/fnins.2013.00133
3. Introducción
El estudio de la inteligencia y la solución de problemas podría decirse que data
desde que la humanidad empieza a desarrollar la capacidad cerebral que tiene para poder
discernir por si mismo y resolver desde problemas simples hasta problemas de una
complejidad creciente, mostrando una aparente mejora con el pasar de las civilizaciones y
los tiempos. Esto ha despertado por supuesto un gran interés desde científicos y filósofos
para observar lo que sucede.
Entre algunas de las conocidas definiciones dadas por estos científicos se

encuentra la de John McCarthy que dice que la inteligencia es “la capacidad que tiene el
ser humano de adaptarse eficazmente al cambio de circunstancias mediante el uso de
información sobre esos cambios”. También dice Marvin Minsky que cada mente
humana es el accionar de un comité de mentes de menor poder que conversan entre sí y
combinan sus respectivas habilidades con el fin de resolver problemas.
De esta inquietud de la que el ser humano había intentado dar respuesta, nace lo
que hoy conocemos como Inteligencia Artificial (I.A.), en la cual se ve plasmado el
deseo de la humanidad por intentar simular el comportamiento humano y ya durante los
años 50, se inicia la especulación de poder dar estas cualidades del comportamiento a las
máquinas para intentar resolver problemas que para el humano ya eran insostenibles.
Para este informe, se analizará e investigará la patología

mental conocida como esquizofrenia. Dicha patología fue
escogida para el estudio, dado que como se verá más adelante
en el problema, el diagnóstico para decir si un paciente sufre
de esta patología o no, demora alrededor de 6 meses, en los

cuales la enfermedad puede cambiar, dado que estaríamos
hablando de un problema complejo que depende del entorno;
dado que estamos hablando de distintas culturas que se verán
entrelazadas en el problema, las variables que pueden ir
desde las cosas más ínfimas, hasta lo más trascendental
(hipersensibilidad a condiciones iniciales) y de las
interacciones del sujeto en el cómo trata el procedimiento y
el diagnóstico.
Sumado a lo anterior, a diferencia de otras patologías

mentales, en esta no contamos con un patrón neuronal
aparente ya que la esquizofrenia se puede presentar de
distintas formas, como ya se verá más adelante, sumado a
eso, solo nos podríamos valer de una resonancia a través de
la reacción sanguínea que a pesar de ser fiable en algunos
casos, dada la variedad de sintomatologías que tiene la
esquizofrenia, puede llegar a ser transversal a otra patología o
a otro patrón de comportamiento que para el caso de estudio
no se podría trabajar, y por eso es importante diferenciar bien
y realizar un buen análisis, para estos, en los capítulos que se
verán a continuación, se muestran diferentes formas de tratar
el modelo predictor de esquizofrenia basados en I.A.
En el capítulo 4 se abordará el análisis basado en

diferentes tipos de agentes y que se llevarán a la aplicación
del modelo predictor de esquizofrenia. Los modelos de
agentes que podemos encontrar se encuentran los siguientes:
Agentes Reactivos Simples, Agentes Reactivos basádos en
Modelos, Agentes basados en Objetivos, Agentes basados en
Utilidades y por último, se hará el análisis para los agentes
que aprenden.
En el capítulo 5, abordaremos los algoritmos de búsqueda

que se basarán en un árbol que se crea a partir de los
procedimientos que existen en estudios para diagnosticar un
posible caso de Esquizofrenia, y si la patología está o
prematura o ya muy avanzada. Los algoritmos que se
trabajarán para este algoritmo son los siguientes: Algoritmo
en amplitud, algoritmo en profundidad, algoritmo
MINIMAX, algoritmo primero el mejor y por último el
algoritmo A*.
Por último, en el capítulo 6, se abordarán diferentes

representaciones del conocimiento basadas en el modelo
predictor de esquizofrenia, esto con el fin de observar la
utilidad y el desempeño que tienen estos tipos de
respresentaciones en el modelo predictor de esquizofrenia.
Las formas de representación que se manejarán son las
siguientes: Representación por médio de lógica,
representación por medio de reglas, representación por medio
de frames y por último representación por medio de redes
semánticas.
Para el caso de estudio, se observarán las diferencias,

ventajas y desventajas de cada uno de los modelos,
algoritmos y tipos de representación analizados, se realizarán
conclusiones generales por cada tema y al final una
conclusión general sobre los capítulos, aplicados al modelo
predictor de esquizofrenia.
4. Análisis de Agentes Basado en el Modelo Predictor de Esquizofrenia
a) Espacios de estado en el modelo predictor de esquizofrenia

I. Espacio Inicial
El paciente presenta algún tipo de sintomatología a nivel de comportamiento

(generalmente hablando) el cual se puede disgregar en los siguientes:
 Comportamiento
 Estados de ánimo
 Cognitivo
 Psicológico
 Habla
Cabe agregar que puede presentar uno o varios dependiendo del paciente
b)Espacios Intermedios
II. Una vez pasado del paso inicial, se debe realizar un pre-diagnóstico a nivel de la persona, con el fin de
descartar a primera vista si se puede tratar de un problema claro de algún tipo de trastorno psicológico o
físico diferente a la esquizofrenia.
III. Se debe tener claro ya con el pre-diagnóstico cuál o cuáles de los tipos de sintomatología puede existir,
como los mostrados en el estado inicial, con lo cual se procede profundizar en los síntomas a partir de
dichos ítems.
IV. Se realiza un fRMI (Imagen por Resonancia Magnética funcional) la cual permite mostrar en
imágenes las regiones cerebrales activas.
V. De los estados 2 y 3 se realiza un análisis y diagnóstico general para descubrir así algún patrón
característico o algún tipo de anomalía de acuerdo al pre-diagnóstico con el fMRI.
VI. Del diagnóstico se espera sacar con el mayor asertividad posible qué tipo de esquizofrenia puede ser:
 Paranoide
 Desorganizada
 Catatónica
 Residual
 Indiferenciada
VII. Ahora se remite al paciente a una entrevista o encuesta de preguntas, donde se le cuestionará por su
estado emocional frente a un grupo, la relación familiar, social, qué círculo social maneja, si en años
pasados pudo sufrir de algún tipo de problema físico o psicológico, como era o es su situación escolar,
universitaria o laboral, sobre su árbol genealógico, etc.
VIII. Todo lo anterior se lleva a un análisis y se realiza una comparación por neuro-imagen y
comportamiento de acuerdo a este informe parcial para detectar patrones, anomalías o ninguna.
IX. Se realiza un diagnóstico de resultados en donde se verifica si el paciente padece del trastorno mental
o si por el contrario es más probable que sea de otro tipo y por lo tanto la esquizofrenia, o sea un trastorno
secundario a otro, pero leve, o no tenga que ver con el tipo de características halladas en el análisis
general.
X. Si el paciente no sufre esquizofrenia, se intenta describir cuál puede ser el otro tipo de trastorno o si por
el contrario no padece de algo parecido (Lo cual es poco probable dado que si se ha llegado a este paso es
porque tiene algún tipo de anomalía).
XI. Si el paciente sufre de esquizofrenia, se debe mostrar la neuro-imagen explicando qué tipo de patrón o
anomalía se presenta y el análisis de comportamiento realizado y de los cuales se mandará un tratamiento
especializado.
c) Estados Finales
El sistema de acuerdo a todo lo trabajado en los estados intermedios, genera un

diagnóstico, y un tratamiento –de ser necesario— con lo cual se espera una respuesta
satisfactoria y temprana del tipo de esquizofrenia que el paciente padece y con eso
tratarlo debidamente y tempranamente
4.2. Agentes Reactivo Simple en el Modelo Predictor de Esquizofrenia

Un agente, es un programa el cual implementa una función y es la de proyectar las percepciones
que pueda sentir del medio en acciones. Este tipo de programa por su parte tiene una arquitectura, donde
se llevará acabo la ejecución del programa, dicha arquitectura se representa a través de algún tipo de
dispositivo que cuente con sensores físicos y actuadores, es decir, que el agente tendrá la siguiente
presentación:
𝐴𝑔𝑒𝑛𝑡𝑒 = 𝐴𝑟𝑞𝑢𝑖𝑡𝑒𝑐𝑡𝑢𝑟𝑎 + 𝑝𝑟𝑜𝑔𝑟𝑎𝑚𝑎

Nota: Es muy importante que la arquitectura del agente vaya acorde con las especificaciones del
programa del mismo.
Los programas basados en agentes –Para este caso- tienen dos tipos de entradas en este caso, los
que reciben la percepción actual como entrada, para ellos no existe nada más en el entorno que aquella
percepción. El otro tipo de agente son los que reciben la percepción histórica completa, en donde dichos
agentes dependen de la secuencia completa de percepciones y el agente debería recordar dichas

percepciones.
Ilustración 1. Agente Reactivo Simple - Predictor de Esquizofrenia.( Tomado de Inteligencia Artificial

un Enfoque Moderno, Rusell y Norving) [4]
El caso problema para el modelamiento del agente simple, es un agente predictor de esquizofrenia,
el cual su función se basará en realizar un diagnóstico de un paciente con características que se verán en el
apartado de Medio y junto con ciertos sensores y condicionales, sacar como actuador o como resultado
imágenes y diagnósticos clínicos que evidencien o refuten que el paciente padezca de esta patología
mental.
a) Medio
En el medio donde se desenvuelve el agente es un paciente, el cual por X o Y razón se le remite o
va a hacerse un chequeo clínico para descartar este tipo de trastorno. Para esto, el medio tiene las
siguientes características:
 Edad del paciente: Entre los 14 y los 43 años
 Anomalías
 Comportamiento: Aislamiento social, comportamiento desorganizado, agitación, agresión,

automutilación, comportamiento compulsivo, excitabilidad, falta de autocontrol, hostilidad o
movimientos repetitivos.
◦ Cognitivos: Trastorno cognitivo, delirio, lentitud para realizar actividades, amnesia,

confusión, creencia de que los pensamientos no son propios, creencia de que un evento común
tiene un significado especial y personal, desorientación, falsa creencia de superioridad o
pérdida de la memoria.
◦ Estado de ánimo: Pérdida <de interés o placer en hacer actividades, ansiedad, apatía,
descontento general, enfado, estado de ánimo eufórico, respuesta emocional inadecuada o
sensación de desconexión con uno mismo.
◦ Psicológicos: Alucinación, escuchar voces, paranoia, delirio persecutorio, delirio religioso,

depresión o miedo.
◦ Habla: Habla circunstancial, habla incoherente, habla rápida y frenética o trastorno del habla.
b) Sensores
Los dos principales sensores que van a analizar para llegar al item de ¿Cómo se encuentra el
mundo ahora? Son los siguientes:
 Encefalogramas: Gráfico del funcionamiento del cerebro que se obtiene por procedimientos
electrónicos mediante el electroencefalógrafo (RAE © 2016 Larousse Editorial, S.L.), y el cuál se
utilizará para dar un primer chequeo de las ondas cerebrales y descartar cualquier anomalía como
tal del cerebro visible con este método.
 Test Diagnóstico: Ya en la parte del performance de la persona, un test diagnóstico es útil en el

sentido de que permite diferenciar varias condiciones que de otra forma podrían ser confundidas.
En otras palabras, para diferenciar entre distintas enfermedades o condiciones clínicas, así como
entre la condición de sano y la de enfermo. (Salech F., Mery, V., Larrondo, F., Randa, G. 2008).
c) Reglas de Condicción-Acción
Ilustración 2. Reglas condición-acción Agente Reactivo Simple Predictor de Esquizofrenia [4]
Como tal en las reglas de condición acción se realiza en primera medida con las siguientes
características:
 Nombre Función: AGENTE-PREDICTOR_ESQUIZOFRENIA-REACTIVO.
 Variables: anomalía, estado.
 Resultados: Positivo, Negativo.
 Acciones: Diagnóstico, Partes médicos (noComún, pacienteEsquizofrénico,

pacienteNoEsquizofrénico), neuroimagen, tratamiento.
Como primera medida se mandan las variables de estado -estado del paciente- a través del
encefalograma y del test de diagnóstico, con el fin de dar un primer vistazo del paciente, en caso de que al
paciente se le presente el diagnóstico de noComún, se remitirá al paciente a un diagnóstico más profundo
en el cual se miren los diferentes tipos de anomalías y descartar así otro tipo de trastornos o enfermedades,
y principalmente detectar la esquizofrenia.
Si el resultado del paciente es pacienteNoEsquizofrénico, Este quedará descartado como tal de la

enfermedad (No obstante, puede tener otro tipo de trastorno del cual el agente no está al tanto por
solamente manejar la esquizofrenia). En caso de que el resultado sea pacienteEsquizofrénico, se remitirá
al tratamiento correspondiente.
d) Actuadores
Para las acciones a realizar, en caso de que sea o no esquizofrénico, al paciente se le devolverá un
diagnóstico y un parte médico que lo certifique, tanto como un tratamiento, el cuál será descartado de
pasar el primer filtro del test diagnóstico y el encefalograma y por último una neuroimagen que muestre la
actividad cerebral después del tratamiento y si por alguna razón llegase a presentar dado el tipo de
anomalía que represente en el cerebro cierto tipo de patrón.
e) Ventajas
La ventaja más destacable sobre este agente, es que al tener reglas condición-acción, es factible recrear
un diagnóstico aceptable dado que el agente permitiría comparar cualquier tipo de estado comportamental
con una base de una persona saludable.
f) Desventajas
Al ser un sistema reactivo, a la menor duda sobre si el sistema sufre o no de esquizofrenia el sistema lo
remitiría como persona esquizofrénica, cosa que no es 100% verídica, dado que primero, existen otras
patologías mentales con sintomatologías similares, no todos los síntomas dan la certeza total de que el
sistema tenga dicho síntoma, además hay que tener en cuenta que el agente no guarda estados previos los
cuales podrían ser muy útiles.
g) Utilidad
A pesar de que las reglas condición-acción dan pie para realizar un agente aceptable, se queda bastante
corto en el análisis pre-diagnóstico ya que como se comentó en las desventajas, no todo problema se
puede presentar como un positivo para que el paciente tenga esquizofrenia, además del número de
variables que hay que analizar y que el porcentaje de asertividad según los estudios aún no supera el 75%
para catalogar al agente en cuestión como uno realmente eficaz para resolver dicho problema.
4.3. Agente Reactivo Basado en Modelos Aplicado al Modelo Predictor de
Esquizofrenia
Ilustración 3. Agente Basado en Modelos - Agente predictor de Esquizofrenia .( Tomado de

Inteligencia Artificial un Enfoque Moderno, Rusell y Norving) [7]
NOTA: Dado que en el modelo anterior se explicaron algunas cosas que son comunes entre los
dos agentes, tanto de estructura como de aplicación en el problema de predicción de esquizofrenia, se
profundizará en los temas o ítems que no se hayan visto.
a) Estado
La historia persivida que se guarda en el Estado para este tipo de problemas, básicamente son las
sintomatologías que el paciente presente a nivel de comportamiento y también las anomalías vistas por un
fMRI lo cual también puede ser catalogado como anomalía. Dichas anomalías que se pueden presentar
están almacenadas en los ítems presentados en el Medio (Comportamiento, cognitivo, psicológico, habla,
estados de ánimo.
b) Cómo Evoluciona el Mundo

En esta parte, se evalua cómo el paciente sigue desarrollando o va mitigando las anomalías presentadas
en el medio y en el Estado las cuales pueden desencadenar una nueva patología dependiendo el grado de
severidad con el cuál el paciente llegue a diagnóstico, dado que a pesar de que la idea de este problema es
la predicción temprana, puede que dicho paciente llegue cuando el estado del paciente sea severo.
c) Qué efectos Causan mis Acciones

Dado el punto anterior, el paciente puede (dependiendo su grado de severidad con el cual entre a
consulta) desarrollar deterioro de la salud física y mental, así como el desarrollo de nuevas patologías o
enfermedades dado que se habla de una patología mental la cual puede causar indiferencia al cuidado
personal de la persona.
d) Ventajas
Las ventajas de usar este agente sobre el anterior, es que ya tiene en cuenta una base histórica de los
estados previos o de los diferentes síntomas del paciente, lo cual puede ayudar bastante en la elección de
un tratamiento adecuado, además se tiene en cuenta el desarrollo del paciente a través del tiempo y los
efectos que causan las acciones de dicho paciente, dado que dependiendo el tipo de esquizofrenia puede
adoptar comportamientos que tengan efectos negativos a nivel general, además que puede llegar como ya
se mencionó, a desarrollar otro tipo de enfermedad física o mental.
e) Desventajas
A pesar de que dicho agente guarda una referencia histórica sobre el paciente, es verdad que a la hora
de diagnosticar puede que sea a nivel de otro tipo de trastorno dado que no es estrictamente seguro que si
el paciente solo sufre de esquizofrenia y a pesar de que los agentes no están modelados para desarrollar
detectar otro tipo de anomalía, si es cierto que debería mostrar el desarrollo de otra anomalía.
f) Utilidad
Como tal tiene una mayor utilidad, dado que se tienen los acontecimientos históricos del paciente sobre
la sintomatología, aún tiene que desarrollarse en materia de aplicabilidad.
g) Comparación
Una de las ventajas que tiene el agente basado en modelos con respecto al anterior, es la capacidad de
ver cómo se encuentra el paciente de acuerdo a unos parámetros dados y que ya no estamos hablando de
un Sistema netamente reactive que ese es el problema del primer al Segundo agente, si no que se basa ya
en reminicencias históricas.
4.4. Agente Basado en Objetivos en el Modelo Predictor de Esquizofrenia
Ilustración 4. Agente predicrot de Esquizofrenia basado en objetivos .( Tomado de Inteligencia

Artificial un Enfoque Moderno, Rusell y Norving) [7].
En la parte de los objetivos la idea es dar en cierto modo una flexibilidad a la hora de que el modelo
razone un poco en el qué es lo que va a seguir haciendo el agente, así por ejemplo el agente va a
diagnosticar y tiene un material me podría decir cuáles son en general pero no como tal si el objeto está o
no clasificado
a) Ventajas
Se vuelve más flexible a la hora de que el agente razone sobre la mejor forma de llevar a cabo un
conjunto de acciones que nos llevan a una meta, pero que a su vez se puede interpretar de acuerdo al
contexto y, dado que pueden ser variados, el sistema sería más cauteloso.
b) Desventajas
Al ser algo flexible el modelo, tenderá a que se produzcan malinterpretaciones o ambigüedades que
habría que ser corregidas de alguna manera.
Aunque no se podría considerar parcialmente como una desventaja, el agente planteado básico llega a
ser algo general y presto a ser ambiguo por el hecho de que manejar algo específico en un sistema
dinámico claramente no lineal conlleva a acotar mucho el sistema para poder plasmarlo en el agente, o
colocar las n acciones en cada elemento del agente que este puede llegar a tener
c) Utilidad
Como tal es un agente bastante aceptable para el problema, ya que en este caso la flexibilidad de los
objetivos me permite ser más sensible con el agente y captar cualquier anomalía que el paciente presente
comparándoloa con el estado pasado.
d) Comparación
Para este punto, dado los dos anteriores, vemos que el agente es capaz de preguntar por la consecuencia
de realizar x o y acción partiendo de un componente tal que es el de preguntarse por una acción y su
possible resultado, lo cual para el problema resulta muy útil, en el sentido de que no solo basta con revisar
el historial o dar un parte apresurado, sino que también el agente debe ser capaz de evaluar ciertas
posibilidades antes de dar un dictamen de la situación del Sistema, en este caso del paciente en cuestión.
4.5. Agente Basado en Utilidades en el Modelo Predictor de Esquizofrenia

Ilustración 5. Agente predictor de Esquizofrenia basado en utilidades .( Tomado de Inteligencia

A través de la utilidad nosotros como analistas o médicos podemos verificar el grado de felicidad que
al cliente le vaya a causar cualquier tipo n de estados.
a) Ventajas
Entre las ventajas más destacables se encuentra que dado el modelo basado en objetivos, donde la
respuesta a metas era algo superficial, en este el aval de utilidad o importancia se ve reflejado en cómo
voy a analizar todos mis estados y como doctor, médico, analista, etc. Interpretar de una mejor manera el
resultado.
b) Desventajas
Por desgracia aún pueden existir ambigüedades en cuanto a la interpretación de los objetivos y metas
de acuerdo a cuan específico sea mi objetivo.
c) Utilidad
En la aplicación es funcional aplicar dicho modelo, porque a diferencia del anterior y como ya se
menciona en las ventajas, la respuesta superficial de los objetivos se ve alterada por la importancia que
presentan cada uno de ellos, cosa que en conjunto con la capacidad de almacenamiento y demás
comentado en anteriores agentes, convierten a este agente en un mecanismo útil, aunque no totalmente
satisfactorio para resolver el problema.
4.6. Agentes que Aprenden en el Modelo Predictor de Esquizofrenia
Ilustración 6. Agente que aprende para el modelo predictor de Esquizofrenia.( Tomado de Inteligencia
En la mayoría del sistema, la idea es que después de cada iteración el sistema se pregunte y aprenda de
experiencias pasadas para mejorar a nivel de funcionamiento y posiblemente en un futuro a nivel de
hardware y software (con ayuda humana).
a) Crítica
En la Critica del sistema, la idea es que el agente sea capaz de discernir cada vez con mayor facilidad,
qué tipo de patrones no encajan o situaciones especiales no encajan, como las que si y cómo después con
otro paciente llegan casi que a encajar y en el cómo analizar este tipo de situaciones para llegar a una
respuesta satisfactoria en el nivel de actuación y aprendizaje.
b) Elementos de Aprendizaje
A partir de las críticas dadas el agente sea capaz de escoger por ejemplo el por qué en tal iteración el
fMRI funcionó de manera satisfactoria y en otro no, teniendo en cuenta variables impensables como, el
nivel de flujo sanguíneo, o si el paciente sufre de algún problema relacionado con la sangre y de esa
manera irse modificando.
c) Elementos de Actuación
A partir de ciertos estímulos el agente toma decisiones como, el cómo debo tomar ahora los niveles de
comportamiento o los tipos de comportamiento de la persona de acuerdo a un análisis cualitativo y el
cómo debo ver las muestras cerebrales que me arrojen los estudios y además de eso comparar los resultado
para ver un mega patrón, o si por el contrario es un comportamiento caótico que como el corazón, si se
llegase a detectar un problema puede ser porque el sistema no se está comportando caóticamente.
d) Generador de Problemas
A partir de lo anterior el agente puede preguntarse, si es necesario generar más opciones a analizar, si
hay que escoger más variables, qué acción modificar a nivel interno para aplicar al paciente.
e) Ventajas
Sería capaz de hacerle frente a la emergencia del sistema (el paciente) a través de mecanismos
autoorganizativos máquina-usuario, en donde el agente podría preguntarse qué necesita mejorar y dar una
respuesta a nivel de hardware, software o finalidad y cambiar algunos de estos parámetros ayudados por
un humano. También que a través de las iteraciones el sistema sea capaz de escoger casos especiales y
catalogar dependiendo el tipo de esquizofrenia que se sufre, incluso dar pequeños indicios de si sufre
algún otro tipo de patología.
f) Desventajas
Tendrán que pasar muchas iteraciones y modificaciones de aprendizaje en el sistema para que sea lo
suficientemente óptimo como para subir el nivel de porcentaje significativamente de predicción de la
patología mental.
Se necesita una base de datos inmensa y un nivel de procesamiento alto para llegar a coger todas las
variables por pequeñas que sean, por lo cual el acotamiento del problema dinámico con variables y
actuaciones llega a ser una solución poco óptima pero recomendable para un manejo de datos controlado.
g) Comparación
El agente es de los demás, el que mejor se ajusta al modelo del problema, ya que a través de las
dinámicas emergentes del sistema a trabajar como es el paciente, se podría llegar a pensar en un nivel
autoorganizativo en el agente el cual mejore a partir de las nuevas variables, situaciones y casos problema
especiales encuentre para generar un “patrón” casi que aceptable, o una ecuación diferencial que de
acuerdo a cierto tipo de variable cambiante en el tiempo, sea capaz de llegar a un nivel de porcentaje de
asertividad mucho mayor al ya visto en algunos estudios.
4.7. Conclusiones
Los agentes como tal, son modelos que aunque muy generals hacia lo que es el problema en si,
grafícan de manera muy efectiva y fácil de entender el problema que se está manejando, además que son
una herramienta importante en el desarrollo de la I.A. en materia de autómatas y máquinas que utilicen el
deep learning o machine learning para su desarrollo.
A pesar, de que como se menciona anteriormente son útiles, carecen del detalle y algunos de ciertas
herramientas que para ciertos sistemas –Hablando del caso problema en cuestión- Son ineficientes y no
explican a totalidad el problema o no resuelven ciertos factores que deberían ser tratables en una
esquematización y estructuración para la solución del problema.
Para el modelo predictor de esquizofrenia los agentes que dan una mejor respuesta al tratamiento de los
pacientes son el modelo basado en objetivos y el agente que aprende, el primero, porque da un panorama
de posibilidades entre las posibles consecuencias que acarrea activar una u otra acción, que funciona
parcialmente bien hablando de una lógica temporal pero que a la hora de avanzar en el tiempo, puede que
este software quede obsoleto, ya que carece de la retroalimentación de una base de datos o de los
diferentes tipos de pacientes en si para dar dictámenes cada vez más correctos en lo que se llama la
automatización del Sistema, cosa que el agente que aprende tiene en si desarrollado y que lo ayudará en
gran medida a dar cada vez soluciones más certeras. Aclarando que no se va a obtener un porcentaje del
100% de acertividad dado que hablamos como ya se ha mencionado de sistemas dinámicos y de un
trastorno que carece aparentemente de un patron o un atractor en si.
4.8. Referencias – Modelos Basados en Agentes

[1]. Gheiratmand, M., Rish, I., Cecchi, G. A., Brown, M. R., Greiner, R., Polosecki, P. I., Bashivan, P.,
Greenshaw, A. J., Ramasubbu, R. y Dursun S. M. (2017). Learning stable and predictive network-based
patterns ofschizophrenia and its clinical symptoms. Schizophrenia 1 de Nature,1 (22), 1-12. doi:
10.1038/s41537-017-0022-8
[2]. Salech, F., Mery, V., Larrondo, F. y Rada, G. (2008). Studies about diagnostic tests: interpreting
the results. SciELO, 136(9), doi: 10.4067/S0034-98872008000900018
[3]. Real Academia Española. (2018). Retrieved from http://www.rae.es/
[4]. Russell, S. & Norvig, P. (2008). Inteligencia artificial (2nd ed.). Madrid: Pearson Educación.
5. Análisis de los Tipos de Búsqueda Basados en el Modelo Predictor de
Esquizofrenia
5.1. Búsqueda en amplitud aplicado al modelo predictor de
esquizofrenia
Ilustración 7. Arbol de búsqueda para el modelo predictor de esquizofrenia [1]
a) Explicación del modelo aplicado al problema

En la búsqueda en anchura, para que el algoritmo se encuentra que este debe recorrer primero los casos
principales, es decir; dicho algoritmo deberá pasar por un análisis sobre el comportamiento común y
anómalo para luego seguir con un reporte de si alguno es negativo o padece de algún síntoma.
Dicho árbol está diseñado para un recorrido de prioridad arriba-abajo, izquierda-derecha, es decir que
el algoritmo está para que de menor a mayor agravación del problema de izquierda a derecha, se realice el
análisis descartando así personas que sufran de la esquizofrenia en menor grado realizando un filtro a su
vez y dando ya luego prioridad a las personas que desde un inicio se presentan con un comportamiento
anómalo.
Dicho algoritmo resulta dispendioso de analizar por las siguientes razones:
 Como primer obstáculo se encuentra que al este ser un árbol de anchura considerable; el algoritmo
tenderá a extenderse de manera exponencial, cosa que ni para el algoritmo ni al analista son
funcionales.
 Al ser un árbol pensado para que se recorra de manera arriba-abajo, izquierda-derecha; el

algoritmo en anchura queda de por si ineficiente para resolver el problema de una manera óptima
ya que los diagnósticos finales están en las hojas de cada uno de los sub arboles que podemos
encontrar.
 A su vez los datos que arroja el algoritmo en tiempo real son ininteligibles para la persona que
quiera tomar un paso a paso del proceso de diagnóstico.
b) Recorrido del algoritmo de búsqueda por amplitud

Crear Lista: ABIERTA
ABIERTA = [Paciente Estado Desconocido]
m = Paciente Estado Desconocido
ABIERTA = [Comportamiento Común, Comportamiento Anómalo]
m = Comportamiento Común
ABIERTA = [Comportamiento Anómalo, Negativo, Presencia de Síntomas]
m = Comportamiento Anómalo
ABIERTA = [Negativo, Presencia de Síntomas, No Esquizofrenia, Presencia de Síntomas, ]
m = Negativo
ABIERTA = [Presencia de Síntomas, No Esquizofrenia, Presencia de Síntomas, fRMI Negativo,

fMRI Positivo]
m = Presencia de Síntomas
ABIERTA = [No Esquizofrenia, Presencia de Síntomas, fRMI Negativo, fMRI Positivo, fRMI
Negativo, fMRI Positivo]
m = No Esquizofrenia
ABIERTA = [Presencia de Síntomas, fRMI Negativo, fMRI Positivo, fRMI Negativo, fMRI
Positivo, fRMI Negativo, fMRI Positivo]
m = Presencia de Síntomas
ABIERTA = [fRMI Negativo, fMRI Positivo, fRMI Negativo, fMRI Positivo, fRMI Negativo,
fMRI Positivo, fRMI Negativo, fMRI Positivo]
m = fRMI Negativo
ABIERTA = [fMRI Positivo, fRMI Negativo, fMRI Positivo, fRMI Negativo, fMRI Positivo,
fRMI Negativo, fMRI Positivo, Sin Trastorno]
m = fMRI Positivo
ABIERTA = [fRMI Negativo, fMRI Positivo, fRMI Negativo, fMRI Positivo, fRMI Negativo,
fMRI Positivo, Sin Trastorno, Otro Trastorno]
m = fRMI Negativo
ABIERTA = [fMRI Positivo, fRMI Negativo, fMRI Positivo, fRMI Negativo, fMRI Positivo, Sin
Trastorno, Otro Trastorno, AMN, AMP]
m = fMRI Positivo
ABIERTA = [fRMI Negativo, fMRI Positivo, fRMI Negativo, fMRI Positivo, Sin Trastorno, Otro
Trastorno, AMN, AMP, AMN, AMP]
m = fRMI Negativo
ABIERTA = [fMRI Positivo, fRMI Negativo, fMRI Positivo, Sin Trastorno, Otro Trastorno,
AMN, AMP, AMN, AMP, Sin Trastorno]
m = fMRI Positivo
ABIERTA = [fRMI Negativo, fMRI Positivo, Sin Trastorno, Otro Trastorno, AMN, AMP, AMN,
AMP, Sin Trastorno, Otro Trastorno]
m = fRMI Negativo
ABIERTA = [fMRI Positivo, Sin Trastorno, Otro Trastorno, AMN, AMP, AMN, AMP, Sin
Trastorno, Otro Trastorno, AMN, AMP]
m = fMRI Positivo
ABIERTA = [Sin Trastorno, Otro Trastorno, AMN, AMP, AMN, AMP, Sin Trastorno, Otro
Trastorno, AMN, AMP, AMN, AMP]
m = Sin Trastorno
ABIERTA = [Otro Trastorno, AMN, AMP, AMN, AMP, Sin Trastorno, Otro Trastorno, AMN,
AMP, AMN, AMP]
m = Otro Trastorno
ABIERTA = [AMN, AMP, AMN, AMP, Sin Trastorno, Otro Trastorno, AMN, AMP, AMN,
AMP]
m = AMN
ABIERTA = [AMP, AMN, AMP, Sin Trastorno, Otro Trastorno, AMN, AMP, AMN, AMP, Otro
Trastorno]
m = AMP
ABIERTA = [AMN, AMP, Sin Trastorno, Otro Trastorno, AMN, AMP, AMN, AMP, Otro
Trastorno, CFC, CFD, CFCR]
m = AMN
ABIERTA = [AMP, Sin Trastorno, Otro Trastorno, AMN, AMP, AMN, AMP, Otro Trastorno,
CFC, CFD, CFCR, Comparación PvsC]
m = AMP
ABIERTA = [Sin Trastorno, Otro Trastorno, AMN, AMP, AMN, AMP, Otro Trastorno, CFC,
CFD, CFCR, Comparación PvsC, CFC, CFD, CFCR]
m = Sin Trastorno
ABIERTA = [Otro Trastorno, AMN, AMP, AMN, AMP, Otro Trastorno, CFC, CFD, CFCR,
Comparación PvsC, CFC, CFD, CFCR]
m = Otro Trastorno
ABIERTA = [AMN, AMP, AMN, AMP, Otro Trastorno, CFC, CFD, CFCR, Comparación PvsC,
CFC, CFD, CFCR]
m = AMN
ABIERTA = [AMP, AMN, AMP, Otro Trastorno, CFC, CFD, CFCR, Comparación PvsC, CFC,
CFD, CFCR, Otro Trastorno]
m = AMP
ABIERTA = [AMN, AMP, Otro Trastorno, CFC, CFD, CFCR, Comparación PvsC, CFC, CFD,
CFCR, Otro Trastorno, CFC, CFD, CFCR]
m = AMN
ABIERTA = [AMP, Otro Trastorno, CFC, CFD, CFCR, Comparación PvsC, CFC, CFD, CFCR,
Otro Trastorno, CFC, CFD, CFCR, Comparación PvsC]
m = AMP
ABIERTA = [Otro Trastorno, CFC, CFD, CFCR, Comparación PvsC, CFC, CFD, CFCR, Otro
Trastorno, CFC, CFD, CFCR, Comparación PvsC, CFC, CFD, CFCR]
m = Otro Trastorno
ABIERTA = [CFC, CFD, CFCR, Comparación PvsC, CFC, CFD, CFCR, Otro Trastorno, CFC,
CFD, CFCR, Comparación PvsC, CFC, CFD, CFCR]
m = CFC
ABIERTA = [CFD, CFCR, Comparación PvsC, CFC, CFD, CFCR, Otro Trastorno, CFC, CFD,
CFCR, Comparación PvsC, CFC, CFD, CFCR, EC1]
m =CFD
ABIERTA = [CFCR, Comparación PvsC, CFC, CFD, CFCR, Otro Trastorno, CFC, CFD, CFCR,
Comparación PvsC, CFC, CFD, CFCR, EC1, ED1]
m = CFCR
ABIERTA = [Comparación PvsC, CFC, CFD, CFCR, Otro Trastorno, CFC, CFD, CFCR,
Comparación PvsC, CFC, CFD, CFCR, EC1, ED1, ER1]
m = Comparación PvsC
ABIERTA = [CFC, CFD, CFCR, Otro Trastorno, CFC, CFD, CFCR, Comparación PvsC, CFC,
CFD, CFCR, EC1, ED1, ER1, CFC, CFD, CFCR, OT]
m = CFC
ABIERTA = [CFD, CFCR, Otro Trastorno, CFC, CFD, CFCR, Comparación PvsC, CFC, CFD,
CFCR, EC1, ED1, ER1, CFC, CFD, CFCR, OT, EC2]
m = CFD
ABIERTA = [CFCR, Otro Trastorno, CFC, CFD, CFCR, Comparación PvsC, CFC, CFD, CFCR,
EC1, ED1, ER1, CFC, CFD, CFCR, OT, EC2, ED2]
m = CFCR
ABIERTA = [Otro Trastorno, CFC, CFD, CFCR, Comparación PvsC, CFC, CFD, CFCR, EC1,
ED1, ER1, CFC, CFD, CFCR, OT, EC2, ED2, ER2]
m = Otro Trastorno
ABIERTA = [CFC, CFD, CFCR, Comparación PvsC, CFC, CFD, CFCR, EC1, ED1, ER1, CFC,
CFD, CFCR, OT, EC2, ED2, ER2]
m = CFC
ABIERTA = [CFD, CFCR, Comparación PvsC, CFC, CFD, CFCR, EC1, ED1, ER1, CFC, CFD,
CFCR, OT, EC2, ED2, ER2, EC3]
m = CFD
ABIERTA = [CFCR, Comparación PvsC, CFC, CFD, CFCR, EC1, ED1, ER1, CFC, CFD, CFCR,
OT, EC2, ED2, ER2, EC3, ED3]
m = CFCR
ABIERTA = [Comparación PvsC, CFC, CFD, CFCR, EC1, ED1, ER1, CFC, CFD, CFCR, OT,
EC2, ED2, ER2, EC3, ED3, ER3]
ABIERTA = [CFC, CFD, CFCR, EC1, ED1, ER1, CFC, CFD, CFCR, OT, EC2, ED2, ER2, EC3,
ED3, ER3, CFC, CFD, CFCR]
m = CFC
ABIERTA = [CFD, CFCR, EC1, ED1, ER1, CFC, CFD, CFCR, OT, EC2, ED2, ER2, EC3, ED3,
ER3, CFC, CFD, CFCR, EC5]
m = CFD
ABIERTA = [CFCR, EC1, ED1, ER1, CFC, CFD, CFCR, OT, EC2, ED2, ER2, EC3, ED3, ER3,
CFC, CFD, CFCR, EC5, ED5]
m = CFCR
ABIERTA = [EC1, ED1, ER1, CFC, CFD, CFCR, OT, EC2, ED2, ER2, EC3, ED3, ER3, CFC,
CFD, CFCR, EC5, ED5, ER5]
m = EC1, ED1, ER1
ABIERTA = [CFC, CFD, CFCR, OT, EC2, ED2, ER2, EC3, ED3, ER3, CFC, CFD, CFCR, EC5,
ED5, ER5]
m = CFC
ABIERTA = [CFD, CFCR, OT, EC2, ED2, ER2, EC3, ED3, ER3, CFC, CFD, CFCR, EC5, ED5,
ER5, EC1]
m = CFD
ABIERTA = [CFCR, OT, EC2, ED2, ER2, EC3, ED3, ER3, CFC, CFD, CFCR, EC5, ED5, ER5,
EC1, ED1]
m = CFRC
ABIERTA = [OT, EC2, ED2, ER2, EC3, ED3, ER3, CFC, CFD, CFCR, EC5, ED5, ER5, EC1,
ED1, ER1]
m = OT, EC2, ED2, ER2, EC3, ED3, ER3
ABIERTA = [CFC, CFD, CFCR, EC5, ED5, ER5, EC1, ED1, ER1]
m = CFC
ABIERTA = [CFD, CFCR, EC5, ED5, ER5, EC1, ED1, ER1, EC4]
m = CFD
ABIERTA = [CFCR, EC5, ED5, ER5, EC1, ED1, ER1, EC4, ED4]
m = CFCR
BIERTA = [EC5, ED5, ER5, EC1, ED1, ER1, EC4, ED4, ER4]
m = EC5, ED5, ER5, EC1, ED1, ER1, EC4, ED4, ER4
c) Ventajas
Una ventaja que se podría mencionar en este algoritmo, es que dado que no tiene un orden de
importancia, recorre todo el árbol, lo cual permite una búsqueda exhaustiva por todo el árbol para
encontrar la situación en la que está el paciente, sopesando todas las posibilidades presentes (presentes en
el modelo de árbol que se acaba de presentar).
d) Desventajas
Al ser un modelo que recorre todo el árbol, se pierde tiempo averiguando por ramas en donde puede
que no sea necesario inmiscuirse, esto por lo tanto representa una pérdida en tiempos y memoria.
5.2. Búsqueda profundidad aplicado al modelo predictor de
esquizofrenia
Ilustración 8. Arbol de búsqueda para el modelo predictor de esquizofrenia [2]
a) Explicación del algoritmo aplicado al problema

Dicho árbol está diseñado para un recorrido de prioridad arriba-abajo, izquierda-derecha, es decir que
el algoritmo está para que, de menor a mayor agravación del problema de izquierda a derecha, se realice el
análisis descartando así personas que sufran de la esquizofrenia en menor grado realizando un filtro a su
vez y dando ya luego prioridad a las personas que desde un inicio se presentan con un comportamiento
anómalo.
En el caso del recorrido o búsqueda en profundidad resulta que para el árbol en cuestión es bastante útil
ya que como se menciona anteriormente el recorrido está pensado para que se realice primero en el nodo
principal, y que de ahí realice una búsqueda en inorden, cosa que para el algoritmo resulta con un patrón
similar.
El resultado de dicha similaridad y de la manera en la que está pensada es que el procedimiento resulta
en una codificación o en una resolución del problema o del diagnóstico mucho más eficiente y óptima
tanto para el paciente, como para el médico o persona encargada, también para el analista y por último
resulta bastante entendible para cualquiera de las partes sea persona o máquina porque se lleva hacia un
proceso en el cual se va recorriendo sub árbol por sub árbol, rama por rama descartando de menor a mayor
riesgo las dificultades o niveles de esquizofrenia que el paciente pueda presentar, dando prioridad en
últimas a las personas que se presenten con un grado de esquizofrenia de mayor nivel como se muestra en
el árbol.
b) Recorrido del algoritmo de búsqueda por amplitud

Crear Lista ABIERTA
Asigna Paciente Estado Desconocido a ABIERTA
m = Paciente Estado Desconocido
ABIERTA = [Comportamiento Común, Comportamiento Anómalo]

m = Comportamiento Común
ABIERTA = [Negativo, Presencia de Síntomas, Comportamiento Anómalo]
m = Negativo
ABIERTA = [fRMI Negativo, fMRI Positivo, Presencia de Síntomas, Comportamiento Anómalo]
m = fRMI Negativo
ABIERTA = [Sin Trastorno, fMRI Positivo, Presencia de Síntomas, Comportamiento Anómalo]
m = Sin Trastorno, fMRI Positivo
ABIERTA = [Otro Trastorno, Presencia de Síntomas, Comportamiento Anómalo]
m = Otro Trastorno, Presencia de Síntomas
ABIERTA = [fRMI Negativo, fMRI Positivo, Comportamiento Anómalo]
m = RMI Negativo
ABIERTA = [AMN, AMP, fMRI Positivo, Comportamiento Anómalo]
m = AMN
ABIERTA = [Otro Trastorno, AMP, fMRI Positivo, Comportamiento Anómalo]
m = Otro Trastorno, AMP
ABIERTA = [CFC, CFD, CFCR, fMRI Positivo, Comportamiento Anómalo]
m = CFC
ABIERTA = [EC1, CFD, CFCR, fMRI Positivo, Comportamiento Anómalo]
m = EC1, CFD
ABIERTA = [ED1, CFCR, fMRI Positivo, Comportamiento Anómalo]

m = ED1, CFCR
ABIERTA = [ER1, fMRI Positivo, Comportamiento Anómalo]
m = ER1, fMRI Positivo
ABIERTA = [AMN, AMP, Comportamiento Anómalo]
m = AMN
ABIERTA = [Comparación PvsC, AMP, Comportamiento Anómalo]
ABIERTA = [CFC, CFD, CFCR, OT, AMP, Comportamiento Anómalo]
m = CFC
ABIERTA = [EC1, CFD, CFCR, OT, AMP, Comportamiento Anómalo]

m = EC1, CFD
ABIERTA = [ED1, CFCR, OT, AMP, Comportamiento Anómalo]
m = ED1, CFCR
ABIERTA = [ER1, OT, AMP, Comportamiento Anómalo]
m = ER1, OT, AMP
ABIERTA = [CFC, CFD, CFCR, Comportamiento Anómalo]

m = CFC
ABIERTA = [EC2, CFD, CFCR, Comportamiento Anómalo]
m = EC2, CFD
ABIERTA = [ED2, CFCR, Comportamiento Anómalo]
m = ED2, CFCR
ABIERTA = [ER2, Comportamiento Anómalo]
m = ER2, Comportamiento Anómalo
ABIERTA = [No Esquizofrenia, Presencia de Síntomas]
m = No Esquizofrenia
ABIERTA = [fRMI Negativo, fRMI Positivo, Presencia de Síntomas]
m = fRMI Negativo
ABIERTA = [Sin Trastorno, fRMI Positivo, Presencia de Síntomas]
m = Sin Trastorno, fMRI Positivo
ABIERTA = [Otro Trastorno, Presencia de Síntomas]
m = Otro Trastorno, Presencia de Síntomas
ABIERTA = [fRMI Negativo, fMRI Positivo]
m = RMI Negativo
ABIERTA = [AMN, AMP, fMRI Positivo]
m = AMN
ABIERTA = [Otro Trastorno, AMP, fMRI Positivo
m = Otro Trastorno, AMP

ABIERTA = [CFC, CFD, CFCR, fMRI Positivo
m = CFC
ABIERTA = [EC3, CFD, CFCR, fMRI Positivo]
m = EC3, CFD
ABIERTA = [ED3, CFCR, fMRI Positivo]
m = ED3, CFCR
ABIERTA = [ER3, fMRI Positivo]
m = ER3, fMRI Positivo
ABIERTA = [AMN, AMP]
m = AMN
ABIERTA = [Comparación PvsC, AMP]
ABIERTA = [CFC, CFD, CFCR, AMP]
m = CFC
ABIERTA = [EC4, CFD, CFCR, AMP]
m = EC4, CFD
ABIERTA = [ED4, CFCR, AMP]

m = ED4, CFCR
ABIERTA = [ER4, AMP]
m = ER4, AMP
ABIERTA = [CFC, CFD, CFCR]
m = CFC
ABIERTA = [EC5, CFD, CFCR]
m = EC5, CFD
ABIERTA = [ED5, CFCR]
m = ED5, CFCR
ABIERTA = [ER5]
m = ER5
c) Ventajas
Una de las ventajas más grandes que tiene este algorítmo de búsqueda sobre el anterior, es que permite
una mayor optimización en tiempos de búsqueda que el anterior, y partiendo del modelo que se tiene para
el árbol, permite un mayor orden y concordancia con la jerarquización o las ramificaciones causales que se
van recreando en el primer modelo del árbol.
d) Desventajas
A pesar de que maneja tiempos relativamente mejores que en el algoritmo de búsqueda anterior,
también es cierto que se centra en buscar en todo el árbol, cosa que en un caso donde no se necesite buscar
en una ramificación, sería un proceso bastante infructuoso y puede significar un desgaste de tiempo
importante a futuro.
5.3. Algorítmo de Búsqueda por Método MINIMAX
Contexto:
El algorítmo MINIMAX es un método de búsqueda que se basa en la búsqueda con adversarios, es

decir, unas estrategias diseñadas con dos agentes; cuyo objetivo es el ganar una partida a través de
movimientos alternativos y sabiendo las posibles jugadas tanto del adversario como de si mismo para
escoger su mejor posibilidad en el momento. Su modo de búsqueda, principalmente se basa en la

búsqueda primero en profundidad ya que este realiza una “exploración exhaustiva del árbol de búsqueda”
(Fernández Galán, González Boticario and Mira, 2008), utilizando el método de profundidad para buscar
así al siguiente sucesor n del anterior m.
Análisis de MINIMAX en la predicción de esquizofrenia:

Básicamente el algoritmo MINIMAX en el que participan dos agentes, los cuales en primer lugar
juegan alternativamente y en segundo lugar, cada jugador conoce las posibles jugadas tanto para si, como
para el jugador adversario, en este orden de ideas, para la predicción de esquizofrenia si bien está
descartado en la manera del accionar netamente de este método, la línea de pensamiento teórico y a
manera de extrapolación netamente de un concepto de agentes como tal, no lo está del todo.
En materia del accionar de este método para un modelo predictor de esquizofrenia no sería factible
ni eficaz utilizarlo principalmente porque este método se basa en agentes que tienen cierto uso de
conciencia sobre sus “jugadas” en un entorno (sistema) por el cual están disputando, lo cual no aplica en la
manera estricta de la lectura al modelo predictor, ya que el modelo se basa prioritariamente en abordar las
posibles patologías y sintomatologías que el paciente pueda tener en el menor tiempo posible y sin dar
paso a que la patología en este caso estudiada (La esquizofrenia) pueda tomar ventaja en un juego con
movimientos alternativos ya que como tal la patología no tiene la conciencia estricta para decidir, ni el
algoritmo predictor podría suponer todas los posibles caminos (en una fase inicial de su desarrollo) ya que
si bien es un modelo teórico que en síntesis puede desentramar la enfermedad tempranamente, no es cierto
que tiene en cuenta todas las posibilidades poniendo en juego las casi infinitas variables que juegan en una
patología mental por la cual no se tiene un patrón neurológico determinado.
En materia de la patología como tal, tampoco se puede tener plena conciencia de los caminos que
vaya a tomar ni las variables que se estén jugando en un instante del espacio temporal, ya que si
cualquiera de los dos agentes supiera qué medidas se van a utilizar y qué variables van a estar con qué
situaciones, el algoritmo en si, no tendría sentido, lo cual es una situación sino imposible, compleja de
determinar, dado que en si la patología depende del paciente y este paciente a su vez es un agente unico
del sistema que interactua con un medio que pueda ser totalmente diferente al de otro paciente, por lo cual,
a pesar de que en si, se puedan tomar patrones generales y de eficacia bastante admisible, no es cierto que
siempre se vayan a tomar los mismos caminos para la atención del paciente y la erradicación de la
patología.
Como se menciona en el primer párrafo de la sección de análisis, existe una parte teóricamente
admisible para que el método en su parte teórica tenga cierto grado de acertividad en cuanto a la detección
del algoritmo. En si, el problema se basa en dos agentes principales, la patología (en un sistema como tal
con sus variables, conexiones y acciones) y el algoritmo en si, en este orden de ideas, el algoritmo de
alguna u otra manera “lucha” por conseguir los suficientes datos, aprendizaje y experiencia para poder
detectar la patología con mayor facilidad, y a su vez, la patología puede llegar a evolucionar dependiendo
el paciente, de tal manera que pueden llegar a emerger distintos patrones de comportamiento que para el
algoritmo predictor pueden ser nuevos, a pesar de su experticia y de que en el también se pueden llegar a
desenvolver patrones a partir de la asociación que realiza con los datos, su procesamiento y su aprendizaje
continuo, lo cual, de alguna manera (extrapolando la situación como ya mencioné antes) se puede ver
como una lucha entre adversarios por ganar en un sentido para el algoritmo de tener la mejor acertividad y
para la patología para desarrollarse, ya que también se debe tener en cuenta el comportamiento histórico
de la persona y su relación con el ambiente.
En conclusión, a pesar de que teóricamente pueda existir un acercamiento a una situación general
y teórica del problema, en la práctica resulta muy eficiente, dado que el algoritmo en la manera estricta del
asunto, debe esperar a que la patología también se vaya desarrollando, cosa que el algoritmo no puede si
quiera contener en su códificación, ya que se diseña con el fin de detectar lo más pronto posible la
patología y el nivel de desarrollo que esta tiene para contrarrestarlo sin esperar una evolución “negativa”
que contrarreste el diagnóstico y el tratamiento, que se puede llegar a dar dada la situación ya que el
algoritmo no contempla el tratamiento, pero ya se estaría saliendo del sistema como tal y del contexto
como tal que se presupone para el desarrollo de dicho algoritmo.
5.4. Búsqueda voraz primero el mejor para el modelo predictor
de nivel de esquizofrenia
Explicación del algoritmo aplicado al problema
Dicho algoritmo está diseñado para recorrer el posible “mejor” camino para resolver cierto tipo de
problemas, al tener esta premisa en cuenta, se puede decir que aplicado al modelo predictor de
esquizofrenia resultaría en un resultado con un porcentaje de eficacia bueno, pero también se corre el
riesgo de tener un porcentaje malo de acuerdo a lo siguiente:
 En primer lugar, el algoritmo se basa en una serie de parámetros y condiciones iniciales del
paciente (que difieren en mayor o menor medida de acuerdo a cada paciente) y que, por ende,
tiene una característica fundamental la cual es ser un sistema no lineal, dinámico y posiblemente
caótico en ciertos aspectos de la patología.
 Según lo tratado en los textos sobre este tipo de búsqueda, depende mucho de la función
evaluación que se caracterice como “general” para tratar al problema, lo cual bien se dice que no
va a tener un resultado 100% fiable y podría dirigir la búsqueda por un mal camino, con lo cual
habría problemas de retraso en el proceso de diagnóstico, ya que podría llegar a ser más
dispendioso que buscar por todo el árbol como hacen los algoritmos de anchura y amplitud, y
podría generar un mal diagnóstico que podría acarrear ciertos problemas del tipo moral y legal con
los pacientes.
 Siendo el algoritmo utilizado para tratar el problema, predictor; se da por entendido que no tiene
un porcentaje absoluto de aciertos, mientras el algoritmo va aprendiendo y se va llenando de más
datos, tratándose de abarcar un problema de aparente complejidad creciente en el cual podrían
ponerse pesos según el procedimiento a las aristas, pero tendríamos un sesgo considerable que
resolver si no se toma en cuenta la dinámica de un sistema que no va a ser el mismo siempre, lo
cual significa una considerable búsqueda y métodos heurísticos para tal fin.
 En el caso de escogerse, habría que tener en cuenta el proceso de aprendizaje del tipo de búsqueda
con el algoritmo, ya que, si bien es cierto, podría reducir el índice de aciertos en el diagnóstico,
aplicando procesos de machine y Deep learning, con su investigación exhaustiva, podría llegar a
suscitar una mejora por encima de lo esperado para el algoritmo como tal.
En conclusión, este es un algoritmo al cual se le debe dedicar un esfuerzo relativamente mayor al de los
demás, porque si bien es cierto que el proceso de diagnóstico no es demorado en exceso, el llegar a
mejorar el algoritmo junto con este tipo de búsqueda, podría ayudar de una manera más eficiente a
especialistas y pacientes en general, proporcionando una perspectiva mucho más directa y óptima que las
búsquedas anteriormente analizadas.
Para este caso, se tomará en cuenta que el objetivo primordial del algoritmo junto con el tipo de
búsqueda será que si las condiciones son ideales (en respecto a que el paciente haya venido a tiempo o se
introduzca este tipo de diagnóstico en medicinas generales y que por tanto si hay una anomalía sea muy
prematura), el paciente esté en la sub-rama llamada comportamiento común, que es donde el paciente, lo
más probable es que se encuentre en una etapa temprana de la patología, con lo cual si se diera el caso
ideal, la mejor ruta que podría escoger el algoritmo sería la siguiente:
Ilustración 9. Solución del algoritmo predictor de esquizofrenia a través del método primero el mejor,
teniendo en cuenta el acotamiento de parámetros y un caso particular
a) Ventajas
Este modelo cuenta con una base bastante buena aplicando probabilidades de peso a las aristas y así
nos permite obtener de acuerdo a una buena base de datos y unos estudios fiables, una solución o un
diagnóstico bastante fiable de un modelado general para el problema.
b) Desventajas
Uno de los problemas que tiene es la subjetividad en la que se puedan manejar ciertos pesos de
probabilidad para las aristas, y el mismo cualitativo de probabilidad, le puede dar algo de problemas a este
tipo de búsqueda, ya que tratándose de un problema complejo y que va evolucionando a través del tiempo,
la idea es que este vuelva a revisar otras opciones, cosa que para esta búsqueda es algo complicado de
realizar.
5.5. Búsqueda A* para el modelo predictor niveles de
esquizofrenia
La búsqueda por A* es un método que sin dudas realiza una serie de procedimientos basados en las
búsquedas dentro de los algorítmos de grafos. Su principal función y utilidad, es la de encontrar el camino
de menor coste entre un nodo origen y un nodo objetivo .
Aplicado al modelo predictor de esquizofrenia podemos notar que de primera no es tan facil
asignarle valores a las aristas que conectan a dichos nodos, (o un peso determinado) ya que a travez de un
algoritmo con ciertos procedimientos, se llega a una solución aproximada de pendiendo qué tan
independiente sea el sistema, entonces se podría llegar a pensar en este caso que utilizar porcentaje de
probabilidades de que ocurra un evento x, no se volvería tan mal método de asignación de pesos, y dada la
bibliografía que tenemos, se le podría asignar un peso de acuerdo a dicho porcentaje.
Algoritmo
ABIERTA = [Paciente Estado Desconocido]
R = Paciente Estado Desconocido
G(r) = 0
CERRADA = [ ]
ABIERTA = [ ]
M = Paciente Estado Desconocido
CERRADA = [m]
Sucesores de m = Comportamiento común, Comportamiento Anómalo
m1 = Comportamiento común f(1)=g(1)+h(1)=0,5+1=1,5
m² = Comportamiento anómalo f(1)=g(1)+h(1)=0,5+1=1,5
M = Comportamiento común
CERRADA = [Comportamiento común]
ABIERTA = [no síntomas, Presencia de síntomas]

m1 = no síntomas f(2)=0,3+1=1,3
m2 = Presencia síntomas f(2)=0,7+1=1,7
M = no sítnomas
CERRADA [no síntomas]
ABIERTA []
M = Presencia de síntomas
CERRADA = [Presencia de síntomas]
ABIERTA = [Análisis fmri and ma]
m1 = Análisis fmri and ma f(3)=1+1=2
M = Análisis fmri and ma

ABIERTA = [Análisis fmri and ma]
CERRADA [Resultados neuronales]
m1 = Resultados neuronales f(4)=1+1=2
M = Resultados neuronales
ABIERTA = [Resultados neuronales]
CERRADA =[CFC CFD CFCR]

m1 = CFC f(5)=0.5+1=1.5
m2 = CFD f(5)=0.3+1=1.3
m1 = CFCR f(5)=0.2+1=1.2
M = CFC
Ilustración 10. Solución del algoritmo predictor de esquizofrenia a través del método primero el mejor,
teniendo en cuenta el acotamiento de parámetros y un caso particular
a) Ventajas
Una de las ventajas más grande frente a los demás modelos, es que tiene la capacidad de devolverse a
revisar otras ramas del árbol, y además de eso, puede saltarse pasos que el contexto de la situación
interpreta como aparte de la situación que se está viviendo en el momento, cosa que puede ahorrar un
tiempo bastante importante a la hora de diagnositicar y tratar la patología.
b) Desventajas
Al igual que el método de búsquedas que vimos anteriormente, uno de los problemas que tiene, es la
subjetividad en la que se puedan manejar ciertos pesos de probabilidad para las aristas, y el mismo
cualitativo de probabilidad, le puede dar algo de problemas a este tipo de búsqueda, ya que tratándose de
un problema complejo y que va evolucionando a través del tiempo, la idea es que este vuelva a revisar
otras opciones, cosa que para esta búsqueda es algo complicado de realizar.
5.6. Conclusiones
Existen ciertos algoritmos de búsqueda para lo cual usar en determinado problema, sea por la lógica de
negocio que se tiene para ese problema, la arquitectura, el modelo, la visión, la finalidad, la funcionalidad,
la utilidad, etc., lo que para el caso del modelo predictor se elegirán aquellos algoritmos, que presenten
características de ser óptimo, tanto en el camino que recorra, como en el tiempo y la cantidad de
procesamiento y pasos que necesite este algoritmo para llevar a cabo su procedimiento.
Dado que estamos manejando un sistema prácticamente caótico, no nos queda de otra que utilizar
algoritmos que tengan en su base un modelo heurístico, ya que nos brinda herramientas dinámicas con las
cuales trabajar de acuerdo a un cierto número de probabilidad que esto ocurra y dado que al algoritmo le
podríamos colocar herramientas de deep learning o maching learning, dichos valores no serían estáticos
sino que podrían ir cambiando con el tiempo de acuerdo a los pacientes y la información actualizada que
nos pueda llegar.
5.7. Referencias
[1]. Russell, S. & Norvig, P. (2008). Inteligencia artificial (2nd ed.). Madrid: Pearson Educación.
[2]. FreeLibros - Tu Biblioteca Virtual. (2019). Problemas resueltos de inteligencia artificial aplicada
– Severino Fernández Galán | FreeLibros.Me. [online] Available at:
https://www.freelibros.me/ingenieria/problemas-resueltos-de-inteligencia-artificial-aplicada-severino-
fernandez-galan [Accessed 4 Mar. 2019].
[3]. Cs.us.es. (2019). [online] Available at: https://www.cs.us.es/cursos/ia1/temas/tema-04.pdf

[Accessed 4 Mar. 2019].
6. Análisis de los Tipos de Representación del Conocimiento Basados en el
6.1. Representación por Medio de Lógica Aplicado al Modelo Predictor de
Esquizofrenia
El modelo de representación lógica tiene para el modelo predictor de esquizofrenia una perspectiva en
la cual se manejan aparentemente predicados simples aunque siguiendo los parámetros de un proceso de
generación del conocimiento basado en un modelo jerárquico, ya que la manera en la que está planteado
en el capítulo 4, la parte de búsquedas se evidencia en un patrón general que puede llegar a ser jerárquico,
eso si, sin delimitar el problema sino escogiendo un modelo de representación por medio de la lógica de
predicados. Con lo cual una posible representación (ya que puede no ser la única), del modelo predictor de
esquizofrenia sería la siguiente:
 Un paciente con posible caso de esquizofrenia puede presentar comportamiento normal o

anómalo.
 Si el comportamiento es normal, puede presentar o no, síntomas asociados a la esquizofrenia, si el

comportamiento es anómalo, también puede o no presentarlos.
 Si el comportamiento normal, se puede llegar a concluir que es un paciente sano o que presenta
síntomas asociados a otros trastornos. Si el comportamiento es anómalo el paciente no está sano
pero podría presentar síntomas asociados a otros trastornos.
 Si hay presencia de síntomas se debe realizar un análisis (fMRI y Análisis Multivariado – A.M.).
 Si el análisis sale positivo en los dos sub análisis y es de comportamiento normal, el paciente
presenta un trastorno leve de esquizofrenia
 Si el análisis sale negativo en los dos sub análisis y es de comportamiento anómalo, el paciente
presenta otro tipo de trastorno.
 Si en el comportamiento anómalo, el análisis sale negativo en el fMRI y positivo en el A.M., el

paciente presenta un trastorno medio de esquizofrenia.
 Si en el comportamiento anómalo, el análisis sale positivo en el fMRI y negativo en el A.M., el

 Si el análisis sale positivo en los dos sub análisis y es de comportamiento anómalo, el paciente
presenta un trastorno avanzado de esquizofrenia.
Solución
 pac(cn) v pac(ca)
 pac(cn) v pac(ca) →ns(x) v ss(x)
 (ns(x) v ss(x)→fmri(x) ˆ am(y))
 (fmri(x) ˆ am(y)→ot(a) v sano(pac))
 (fmri(neg) ˆ am(neg)→E(TL))
 (fmri(neg) ˆ am(pos)→E(TM))
 (fmri(pos) ˆ am(neg)→E(TM))
 (fmri(pos) ˆ am(pos)→E(TA))
P1: pac(cn) v pac(ca)
P2: ˜ pac(cn) v ˜ pac(ca) v ns(x) v ss(x)
P3: ˜ ns(x) v ˜ ss(x) v fmri(x) ˆ am(y)
P4: ˜ fmri(x) ˆ ˜ am(y) v ot(a) v sano(pac)
P5: ˜ fmri(neg) ˆ ˜ am(neg) v E(TL)
P6: ˜ fmri(neg) ˆ ˜ am(pos) v E(TM)
P7: ˜ fmri(pos) ˆ ˜ am(neg) v E(TM)
P8: ˜ fmri(pos) ˆ ˜ am(pos) v E(TA)
P9 (P1:P2): ns(x) v ss(x)

P10 (P9:P3): fmri(x) ˆ am(y)
P11 (P10:P4): ot(a) v sano(pac)
P12 (P5:P8): E(TL) v E(TA)
P13 (P6:P7): E( TM )
 Respuestas →P11, P12 y P13

Es decir que según las respuestas y las convenciones que se
encuentran a continuación, las respuetas pueden ser:
◦ Otro trastorno o paciente sano
◦ Esquizofrenia leve o avanzada
◦ Esquizofrenia nivel medio
 Convenciones
 pac = paciente
 cn = comportamiento normal
 ca = comportamiento anómalo
 ns = no síntomas
 ss = si síntomas
 fmri = imágen por resonancia magnética funcional

 am = análisis multivalente
 ot = otro trastorno
 neg = negativo
 pos = positivo
 TL = trastorno leve
 TM = trastorno medio
 TA = trastorno avanzado
a) Ventajas
Una de las ventajas mayores del modelo es que la sintaxis es muy intuitiva, por lo que si se diseña bien
la lógica, o la lógica no es tan complicada de manejar, se pueden recrear predicados bastante fieles al
modelo que se está diseñando.
b) Desventajas
Entre las desventajas, está que complementando la sección de ventajas; si bien es cierto que si se
diseña una buena lógica, el resto es más fácil e intuitivo de manejar, también es cierto que si se maneja
una lógica muy complicada y para este caso, compleja; ya sería algo insostenible para recrear el modelo,
además que como la lógica es muy subjetiva al creador y existen muchas más formas de representar el
modelo, no es fiable encontrar un modello óptimo.
Junto con la lógica subjetiva, existe también un cesgo de interpretabilidad, ya que si bien podemos
tener un modelo que se ajuste a lo que nosotros pensamos que está bien, a la hora de modelar en software,
puede que el modelo resulte erroneo o muy desfasado de lo que nosotros queríamos, además que las
respuestas suelen ser muy aleatorias, no en el sentido de que sean correctas pero diferentes, si no más
hacia la parte de que no sabemos si va a salir una posible solución u otra cosa totalmente diferente.
6.2. Representación por Medio de Reglas Aplicado al Modelo Predictor de
Esquizofrenia
Las reglas de producción son en si un elemento para los proceso de inferencia de distintos tipos de
herramientas que se manejen a nivel profesional, por tal motivo elegir el modelo de reglas adecuadas,
sobre todo para un problema que tiene un buen número de variables en juego es crucial, ya que de esto
depende el funcionamiento eficaz de la lógica del sistema. Para el modelo predictor de esquizofrenia,
dichas reglas, en el caso de que estén mal planteadadas; proporciona un desarrollo mal obtenido del
modelo dando como resultados, premisas que tal vez al resolverla no tengan sentido.
 Si el paciente presenta comportamiento normal, pero no presenta síntomas; el paciente es sano
 Si el paciente presenta comportamiento normal, presenta síntomas, pero no son síntomas

asociados a la esquizofrenia; el paciente padece de otro trastorno
 Si el paciente presenta comportamiento normal, presenta síntomas, el fMRI sale positivo y el

Análisis Multivariado también, el paciente padece esquizofrenia leve
 Si el paciente presenta comportamiento anómalo, pero no presenta síntomas; el paciente padece de

otro trastorno
 Si el paciente presenta comportamiento anómalo, presenta síntomas, el fMRI sale negativo y el

Análisis multivariado también, el paciente padece de otro tipo de trastorno
 Si el paciente presenta comportamiento anómalo, presenta síntomas, el fMRI sale negativo y el

Análisis multivariado sale positivo, el paciente padece de esquizofrenia media
 Si el paciente presenta comportamiento anómalo, presenta síntomas, el fMRI sale positivo y el

Análisis multivariado sale negativo, el paciente padece de esquizofrenia media
 Si el paciente presenta comportamiento anómalo, presenta síntomas, el fMRI sale positivo y el

Análisis multivariado también, el paciente padece de esquizofrenia avanzada.
R1: Si el paciente presenta comportamiento = normal and
paciente = sin síntomas
entonces = paciente es sano
paciente = con síntomas and
sintomas de esquizofrenia = no
entonces = paciente padece otro trastorno

sintomas de esquizofrenia = si
entonces = paciente padece esquizofrenia leve
R4: Si el paciente presenta comportamiento = anómalo and
paciente = sin síntomas and
sintomas de esquizofrenia = si and

fMRI = negativo and
Análisis Multivariado = negativo

fMRI = negativo and
Análisis Multivariado = positivo
entonces = paciente padece trastorno medio de esquizofrenia
fMRI = positivo and
Análisis Multivariado = negativo
entonces = paciente padece trastorno medio de esquizofrenia

fMRI = positivo and
Análisis Multivariado = positivo
entonces = paciente padece trastorno avanzado de esquizofrenia
a) Ventajas
Esta forma de representación a diferencia del anterior, resulta además de intuitiva, bastante fácil de
manejar y condicionar para el modelo, en el sentido de que se puede manejar de una manera más exacta
(sin quitar complejidad) para una representación más fiable a lo que se desea. En este sentido, los
condicionales IF y AND son una buena manera básica de representar la lógica del conocimiento.
b) Desventajas
El problema con este modelo, recide en su mayor fortaleza, los IF y AND, o el modelo condicional que
maneja, ya que solamente serviría para modelos que lleguen hasta un cierto nivel de dificultad, ya que
para modelos que requieran muchas variables, entradas, salidas e interacciones, a pesar de que se pueda
manejar, la representación quedaría muy cargada y a la hora de modelar, va a ser un modelo bastante
pesado si se quiere montar en un software y bastante engorroso de cambiar si se requiere alguna
actualización.
6.3. Representación por Medio de Frames Aplicado al Modelo Predictor de
Esquizofrenia
Los frames aplicados al modelo predictor de esquizofrenia, resultan ser una herramienta muy útil, ya
que si bien es cierto, el trabajo se extiende de manera gradual, mediante más hijos o más niveles tenga a
nivel de jerarquización el problema, nos da un esbozo fácil de entender y asimilar para la resolución del
problema, e incluso analisar otras perspetivas que hasta ahora no se habrían tomado en cuenta, hablando
de los anteriores casos de representación, acontinuación se presenta un esquema de la representación a
través de frames del modelo predictor de esquizofrenia. Cabe agregar que aunque el ejercicio de hacer los
frames es bastante tedioso en árboles o sistemas de distintas variables, si nos da un panorama mucho más
facil de pasar al modelo en si:
Un paciente con posible caso de esquizofrenia puede presentar comportamiento normal o anómalo.
Si el comportamiento es normal, puede presentar o no, síntomas asociados a la esquizofrenia, si el

comportamiento es anómalo, también puede o no presentarlos.
 Si el comportamiento normal, se puede llegar a concluir que es un paciente sano o que presenta
síntomas asociados a otros trastornos. Si el comportamiento es anómalo el paciente no está sano
pero podría presentar síntomas asociados a otros trastornos.
 Si hay presencia de síntomas se debe realizar un análisis (fMRI y Análisis Multivariado – A.M.).
 Si el análisis sale positivo en los dos sub análisis y es de comportamiento normal, el paciente
presenta un trastorno leve de esquizofrenia
 Si el análisis sale negativo en los dos sub análisis y es de comportamiento anómalo, el paciente
presenta otro tipo de trastorno.
 Si en el comportamiento anómalo, el análisis sale negativo en el fMRI y positivo en el A.M., el

 Si en el comportamiento anómalo, el análisis sale positivo en el fMRI y negativo en el A.M., el

 Si el análisis sale positivo en los dos sub análisis y es de comportamiento anómalo, el paciente
presenta un trastorno avanzado de esquizofrenia.
Solución
 Paciente
◦ Tipo: Superior
◦ Estado: En proceso de intervención
 Comportamiento
◦ Tipo: Paciente
◦ Estado: en proceso de intervención
 Comportamiento 1
◦ Tipo: Comportamiento
◦ Estado: Normal
 Comportamiento 2
◦ Estado: Anómalo
 Síntomatología 1
◦ Presenta: no
 Sintomatología 2
◦ Presenta: si
 Análisis 1
◦ Tipo: Sintomatología 2
◦ fMRI: Negativo
◦ A.M.: Negativo
 Análisis 2
◦ fMRI: Negativo
◦ A.M.: Positivo
 Análisis 3
◦ fMRI: Positivo
◦ A.M.: Negativo
 Análisis 4
◦ fMRI: Positivo
◦ A.M.: Positivo
 Diagnóstico 1
◦ Sintomatología: 1
◦ Análisis: 1
◦ Resultado: Otro trastorno

 Diagnóstico 2
◦ Tipo: Comportamiento normal
◦ fMRI: Positivo
◦ A.M.: Positivo
◦ Nivel de trastorno: Leve
 Diagnóstico 3
◦ Tipo: Análisis 2 y 3
◦ Nivel de trastorno: Medio
 Diagnóstico 4
◦ Tipo: Análisis 4
◦ Nivel de trastorno: Avanzado
a) Ventajas
A diferencia de los dos anteriores, este cuenta con una mayor optimización de pasos y una
interpretación mucho más intuitiva, ya que al estar jerarquizado de alguna manera, es posible saltarse
ciertos pasos del diagnóstico que para algunos casos sería fuera de contexto dependiendo la situación del
paciente. También nos permite introducir más variables, entradas y por la estructura del modelo,
interacciones, que darán una respuesta más rápida y precisa del contexto de la situación.
b) Desventajas
El problema recide en que si en muchos casos se quiere trabajar bajo una estructura descentralizada del
sistema o no existen como tal modelos jerarquizados, puede que se lleve a ambigüedades más teóricas que
prácticas, aunque ya en la praxis sería funcional si se interpreta de una forma jerárqiuca, pero con ciertos
errores de lógica y sintáxis. Además si el programa se quisiera devolver para verificar otras opciones, no
sería viable este modelo de representación.
6.4. Representación por Medio de Redes Semánticas Aplicado al Modelo
Predictor de Esquizofrenia
En el modelo de representación por medio de redes semánticas se utiliza como base, el árbol de
búsquedas del capítulo anterior, ya que al tener este una gran similitud con el concepto de las redes, ahorra
tiempo y nodos que tal vez podrían ser innecesarios. En esta red se precentan los siguientes nodos:
 Nodos Análisis: Este tipo de nodos comprende a los nodos fMRI_AMN (del tipo Negativo,
Neg/Pos, Pos/Neg y positivo), Análisis y CFC o CFD o CFCR, que básicamente se refieren a los
diferentes tipos de procedimientos que se deben realizar antes de sacar el diagnóstico final.
 Nodos Resultado: Se refiere prácticamente a todos los nodos hoja de la red semántica (es decir,
los que no tienen hijos, o ya son del tipo trastorno leve, medio y avanzado), en donde ya se realiza
el diagnóstico de acuerdo al análisis y los nodos recorridos.
 Nodos Síntomas: Este tipo de nodos comprende solamente a los que llevan este nombre y en el,
alverga las distintas sintomatologías que pudiese tener el paciente (Presentadas en la
representación por frames de este capítulo) y que tengan que ver con el trastorno, ya que si bien
puede tener sintomatologías, estas pueden no ser asociadas a la esquizofrenia.
 Nodos Comportamiento: Estos nodos de comportamiento anómalo y común, son los puntos
iniciales del problema y donde se dictamina casi que en un 50% si el paciente presenta un
trastorno leve o más avanzado, de acuerdo al camino que se escoja.
Ilustración . Red Semántica para el modelo predictor de esquizofrenia (Elaboración propia)
Ilustración 12. Modelo de redes semánticas para el modelo predictor de esquizofrenia [2]
Para el modelo predictor de esquizofrenia, sin duda, la representación por medio de redes semánticas es
una gran ayuda a la hora de que la máquina entienda el problema, lo analice y de acuerdo a algunos
porcentajes sacados en las diferentes citas médicas de unos resultados con un margen de error muy
pequeño. Este tipo de representación en conjunto con el de frames, ayuda sin duda a un entendimiento
lógico y representación del conocimiento de una manera bastante aproximada a la forma de abstracción
de conocimiento que haría una persona sobre determinado problema y con los conocimientos suficientes.
a) Ventajas
Una ventaja considerable frente a las formas de representación ya vistas, es que al ser un método
heurístico, tiende a mejorar con mayor facilidad lógica que los otros modelos, ya que puede considerar
observar las otras ramas del árbol de manera más como los humanos y contando con la experiencia y la
base de datos del problema, lo que permite tratar problemas más complicados.
b) Desventajas
Una desventaja grande es la forma del aprendizaje del modelo, porque si bien es cierto es un modelo
más heurístico, es dependiente un tanto de la subjetividad de los desarrolladores y estudios, que a fin de
cuentas se podrían tratar con simulaciones y bases de datos para mejorarlo a mayor velocidad, pero en un
comienzo si habría que tratar a profundidad la lógica del problema.
6.5. Conclusiones
A pesar de que las representaciones por modelos lógicos aparentemente puedan dar un resultado más
cercano que por la sección anterior de búsquedas, si hay que modelar de una manera más profunda esos
tipos de representación, porque para el caso problema, contar con una lógica lineal, lo que haría es volver
al programa obsoleto frente a una patología que puede evolucionar con el tiempo, por eso a futuro se
tendrían que tomar medidas. Por lo cual una de ellas sería ir por las lógicas difusas o multivalentes, que a
pesar de su robustez, cuenta también con flexibilidad y tratabilidad en caso de modificación.
6.6. Referencias
[2]. Anon, (2019). [online] Available at:

http://www.academia.edu/8354606/Trabajo_de_investigaci%C3%B3n_Tema_Inteligencia_artificial_IA
[Accessed 4 Mar. 2019].
[3]. Kali.azc.uam.mx. (2019). [online] Available at:
http://kali.azc.uam.mx/clc/03_docencia/posgrado/i_artificial/RedesSemanticas.pdf [Accessed 4 Mar.
2019].
[4]. Matedisunidad3.wordpress.com. (2019). 3.2 LÓGICA DE PREDICADOS « MATEMÁTICAS

DISCRETAS-UNIDAD 3-LÓGICA MATEMÁTICA. [online] Available at:
https://matedisunidad3.wordpress.com/category/3-2-logica-de-predicados/ [Accessed 4 Mar. 2019].
7. Conclusiones Generales
El objetivo fundamental de este trabajo era abordar el problema de la detección temprana
de la mental conocida como esquizofrenia, clave a la hora de tratar a un paciente que padezca de
esta patología y para realizar el respectivo diagnóstico, y así; aportar una solución teórica para la
automatización del proceso de identificación, independizándolo de la subjetividad ligada al juicio
y a la experiencia del médico.
Así pues, la aportación principal de este trabajo consiste en el diseño e implementación

teórica de varios modelos de agentes, algoritmos de búsquedas y representaciones del
conocimiento, para un sistema de detección autónoma de síntomas y por ende de la patología
mental denominada como esquizofrenia a partir del método de resonancia magnética funcional y
análisis multivariado en el que, desde que se toma la medida del espectro de resonancia, hasta
que se realiza la identificación del desorden neuronal (luego del análisis multivalente), no hay
intervención del médico, es decir, la resonancia no es interpretada por él en base a su
experiencia. En su lugar, sistemas basados en técnicas de agentes, algoritmos de búsqueda y
representaciones lógicas del conocimiento; realizan las tareas necesarias para conseguir la
posible detección, esto es, identificar de acuerdo a la sintomatología encontrada, una detección
temprana de la esquizofrenia y así tomar el diagnóstico final que permitirá al médico tomar la
decisión sobre el tratamiento. Se han escogido las técnicas trabajadas en los capítulos 4, 5 y 6 ya
que, a través de la inteligencia artificial, son herramientas que ofrecen discernimiento y
optimización, y permiten aunar la experiencia y conocimiento de científicos, médicos y en
general personas dedicadas al área de la patólogía con los estudios y métodos mayormente
aceptados a partir de un problema de toma de decisiones con datos impresisos obtenidos
experimentalmente. Los métodos y algoritmos utilizados en este trabajo, proveen una
herramienta para que a través de la I.A. aumenten la precisión y probabilidad de detección de un
caso de esquizofrenia tempranamente.
En este trabajo se muestra que el filtro implementado mediante métodos y algoritmos presentados
en los capítulos 4, 5 y 6 tienen la posibilidad de reducir eficientemente la detección de la patología a
través de una base de datos experimental y métodos probados para la detección de esquizofrenia. Además,
algunas de las técnicas utilizadas, son versátiles y flexibles, de fácil adaptación según la evolución del
paciente. Tal es el caso de los métodos heurísticos o que van aprendiendo a través del tiempo ya que
agregándoles métodos como deep learning o machine learning, se mejora la relación entre la
sintomatología y el comportamiento del paciente, esto resulta de gran utilidad a la hora de localizar un
patrón general y/o específico. Concretamente en los capítulos 4 y 5 se escogen como los modelos que
mejor se adaptan para la detección de esquizofrenia, los agentes que aprenden y los algoritmos heurísticos
de búsqueda, ya que permiten una mayor adaptabiliad con respecto a la evolución del paciente y a los
posibles síntomas que emerjan de este.
Cabe resaltar que, aunque el proceso de identificación de síntomas y detección como tal de la
esquizofrenia sean totalmente autónomos en al teoría, la interpretación del diagnóstico que se obtenga y el
posterior tratamiento del paciente corresponde finalmente al médico especializado en este tipo de
patologías.
8. Referencias Generales
[1]. Gheiratmand, M., Rish, I., Cecchi, G. A., Brown, M. R., Greiner, R., Polosecki, P. I., Bashivan,
P., Greenshaw, A. J., Ramasubbu, R. y Dursun S. M. (2017). Learning stable and predictive network-
based patterns ofschizophrenia and its clinical symptoms. Schizophrenia 1 de Nature,1 (22), 1-12. doi:
10.1038/s41537-017-0022-8Demirci, O. y Calhoun, V. D. (2009).
[2]. Functional Magnetic Resonance Imaging –Implications for Detection of Schizophrenia. European
Neurological Review, 4(2), 103-106. doi: 10.17925/ENR.2009.04.02.103Rish, I., Cecchi, G., Thyreau, B.,
Thirion, B., Plaze, M., Paillere-Martinot, M. L., Martelli, C., Martinot, J. L. y Poline, J. B. (2013).
[3]. Schizophrenia as a Network Disease: Disruption of Emergent Brain Function in Patients with
Auditory Hallucinations. PLOS ONE, 8(1) 1-15. doi: 10.1371/journal.pone.0050625Lo, A., Chernoff, H.,
Zheng, T. y Lo, S. (2015).
[4]. Why significant variables aren’t automatically good predictors. PNAS, 112(45), 1-6. doi:
10.1073/pnas.1518285112Arbabshirani, M. R., Kiehl, K. A., Pearlson, G. D. y Calhoun, V. D. (2013).
[5]. Classification of schizophrenia patients based on resting-state functional network connectivity.
Frontiers in Neurocience, 7(133) 1-16. doi: 10.3389/fnins.2013.00133
[7]. FreeLibros - Tu Biblioteca Virtual. (2019). Problemas resueltos de inteligencia artificial aplicada –
Severino Fernández Galán | FreeLibros.Me. [online] Available at:
https://www.freelibros.me/ingenieria/problemas-resueltos-de-inteligencia-artificial-aplicada-severino-
fernandez-galan [Accessed 4 Mar. 2019].

Trabajo Final Completo

Transféré par

Informations du document

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

Trabajo Final Completo

Transféré par

Droits d'auteur :

Formats disponibles

Inteligencia Artificial I

Modelo Predictor de Esquizofrenia

Juan Diego Avila Gómez

2. Estado del Arte

-Alteración De La Funcionalidad Cerebral, Alucinaciones Auditivas-

-Variables Predictoras Significativas-

Entre algunas de las conocidas definiciones dadas por estos científicos se

Para este informe, se analizará e investigará la patología

de esta patología o no, demora alrededor de 6 meses, en los

Sumado a lo anterior, a diferencia de otras patologías

En el capítulo 4 se abordará el análisis basado en

En el capítulo 5, abordaremos los algoritmos de búsqueda

Por último, en el capítulo 6, se abordarán diferentes

Para el caso de estudio, se observarán las diferencias,

4. Análisis de Agentes Basado en el Modelo Predictor de Esquizofrenia

a) Espacios de estado en el modelo predictor de esquizofrenia

El paciente presenta algún tipo de sintomatología a nivel de comportamiento

El sistema de acuerdo a todo lo trabajado en los estados intermedios, genera un

4.2. Agentes Reactivo Simple en el Modelo Predictor de Esquizofrenia

𝐴𝑔𝑒𝑛𝑡𝑒 = 𝐴𝑟𝑞𝑢𝑖𝑡𝑒𝑐𝑡𝑢𝑟𝑎 + 𝑝𝑟𝑜𝑔𝑟𝑎𝑚𝑎

agentes dependen de la secuencia completa de percepciones y el agente debería recordar dichas

Ilustración 1. Agente Reactivo Simple - Predictor de Esquizofrenia.( Tomado de Inteligencia Artificial

 Edad del paciente: Entre los 14 y los 43 años

 Comportamiento: Aislamiento social, comportamiento desorganizado, agitación, agresión,

◦ Cognitivos: Trastorno cognitivo, delirio, lentitud para realizar actividades, amnesia,

◦ Psicológicos: Alucinación, escuchar voces, paranoia, delirio persecutorio, delirio religioso,

 Test Diagnóstico: Ya en la parte del performance de la persona, un test diagnóstico es útil en el

Ilustración 2. Reglas condición-acción Agente Reactivo Simple Predictor de Esquizofrenia [4]

 Nombre Función: AGENTE-PREDICTOR_ESQUIZOFRENIA-REACTIVO.

 Variables: anomalía, estado.

 Resultados: Positivo, Negativo.

 Acciones: Diagnóstico, Partes médicos (noComún, pacienteEsquizofrénico,

Si el resultado del paciente es pacienteNoEsquizofrénico, Este quedará descartado como tal de la

4.3. Agente Reactivo Basado en Modelos Aplicado al Modelo Predictor de

Ilustración 3. Agente Basado en Modelos - Agente predictor de Esquizofrenia .( Tomado de

b) Cómo Evoluciona el Mundo

c) Qué efectos Causan mis Acciones

4.4. Agente Basado en Objetivos en el Modelo Predictor de Esquizofrenia

Ilustración 4. Agente predicrot de Esquizofrenia basado en objetivos .( Tomado de Inteligencia

4.5. Agente Basado en Utilidades en el Modelo Predictor de Esquizofrenia

Ilustración 5. Agente predictor de Esquizofrenia basado en utilidades .( Tomado de Inteligencia

4.6. Agentes que Aprenden en el Modelo Predictor de Esquizofrenia

4.8. Referencias – Modelos Basados en Agentes

[3]. Real Academia Española. (2018). Retrieved from http://www.rae.es/

5. Análisis de los Tipos de Búsqueda Basados en el Modelo Predictor de

5.1. Búsqueda en amplitud aplicado al modelo predictor de

Ilustración 7. Arbol de búsqueda para el modelo predictor de esquizofrenia [1]

a) Explicación del modelo aplicado al problema

Dicho algoritmo resulta dispendioso de analizar por las siguientes razones:

 Al ser un árbol pensado para que se recorra de manera arriba-abajo, izquierda-derecha; el

b) Recorrido del algoritmo de búsqueda por amplitud

ABIERTA = [Paciente Estado Desconocido]

m = Paciente Estado Desconocido

ABIERTA = [Comportamiento Común, Comportamiento Anómalo]

ABIERTA = [Comportamiento Anómalo, Negativo, Presencia de Síntomas]

ABIERTA = [Negativo, Presencia de Síntomas, No Esquizofrenia, Presencia de Síntomas, ]

ABIERTA = [Presencia de Síntomas, No Esquizofrenia, Presencia de Síntomas, fRMI Negativo,

m = EC1, ED1, ER1

m = OT, EC2, ED2, ER2, EC3, ED3, ER3

5.2. Búsqueda profundidad aplicado al modelo predictor de

Ilustración 8. Arbol de búsqueda para el modelo predictor de esquizofrenia [2]

a) Explicación del algoritmo aplicado al problema

b) Recorrido del algoritmo de búsqueda por amplitud

Asigna Paciente Estado Desconocido a ABIERTA