Beruflich Dokumente
Kultur Dokumente
TCNICAS EMERGENTES
TRUJILLANO J, ET AL. APROXIMACIN METODOLGICA AL USO DE REDES NEURONALES ARTIFICIALES PARA LA PREDICCIN DE RESULTADOS EN MEDICINA
TRUJILLANO J, ET AL. APROXIMACIN METODOLGICA AL USO DE REDES NEURONALES ARTIFICIALES PARA LA PREDICCIN DE RESULTADOS EN MEDICINA
TABLA 1
Ejemplos de aplicaciones de redes neuronales artificiales Capas Regiones
en medicina Decisin en el plano
Entrada Ocultas Salida
Prediccin de resultados
Mortalidad/supervivencia
Ciruga cardaca9 Dos
Trasplante de pncreas10
Cirrosis11
regiones
Pacientes de UCI12
Neoplasia de colon13
Neoplasia de pncreas14
Diagnstico
IAM15
Ndulo pulmonar16
Apendicitis17 Regiones
Tuberculosis activa18 polinomiales
Alteracin psiquitrica19
Otras aplicaciones
Anlisis de imgenes
RMN20
SPECT21
Anlisis de ondas
ECG22 Regiones
EEG23 arbitrarias
Farmacologa
Dosis ptimas24
Arquitectura
Aprendizaje
Unidireccional Realimentada
Supervisado Perceptrn BSB red recibe los patrones de entrada y la respuesta observada
Adalina Fuzzy Cog. Map
Madalina que debe aprender; o no supervisado si la red reconoce au-
Perceptrn multicapa tomticamente en los datos el patrn que debe aprender.
GRNN Por otra parte, el flujo de informacin que manejan puede
LVQ ser unidireccional, cuando la informacin sigue una direc-
Mquina de Boltzmann
No supervisado LAM ART cin nica desde los nodos de entrada a los de salida; o re-
OLAM Hopfield alimentado, donde el flujo de informacin no es nico al in-
Mapas de Kohonen BAM corporar circuitos de realimentacin entre capas de la red.
Neocognitrn
Hbridos Funcin de base radial (RBF) En una primera aproximacin, indicaremos que las redes
Contrapropagacin unidireccionales con aprendizaje supervisado pueden utili-
Reforzados Aprendizaje reforzado zarse para muchos problemas de inters mdico.
Adalina: adaptive linear neuron; Madalina: many adalinas; GRNN: general regression neu-
ral network; LVQ: learning vector quantization; BSB: brain state in a box; LAM: linear asso-
ciative memory; OLAM: optimal LAM; ART: adaptive resonance theory, y BAM: bidirectio-
nal associative memory. El perceptrn multicapa como ejemplo de RN
de aplicacin en medicina
valencia al anlisis discriminante y regresin logstica) y las Dentro de las redes supervisadas unidireccionales, la es-
redes multicapa por Rosenblatt en 1986 (que permiten la tructura ms utilizada es el llamado perceptrn multicapa
resolucin de situaciones no lineales). Por otra parte, los (MLP, multilayered perceptron). La arquitectura tpica de
trabajos tericos de Bishop y la aportacin sobre redes au- este tipo de red est constituida por varias capas de nodos
toorganizadas de Kohonen dotaron de fundamentos forma- con interconexin completa entre ellos. El caso ms sencillo
les a este tipo de tcnica5. A partir de los trabajos pioneros, en este tipo de red consiste en slo 2 capas de neuronas,
el inters sobre esta metodologa se ha difundido a casi to- las de entrada y las de salida. De esta manera, podemos
dos los mbitos de la ciencia. Los distintos aspectos tcni- obtener un modelo adecuado para problemas lineales del
cos y las implicaciones de su utilizacin han sido investiga- tipo de la regresin lineal mltiple. Si queremos analizar
dos desde muchos puntos de vista, interesando, entre otros, problemas no-lineales, es necesario incorporar otras capas
a matemticos, fsicos, neurlogos, ingenieros, programado- de neuronas intermedias u ocultas (hidden units) (fig. 3).
res y filsofos. En medicina las reas de aplicacin se han En este tipo de red, una neurona recibe distintas entradas y
multiplicado rpidamente en la ltima dcada (tabla 1)6-8, activa una funcin de red (o regla de propagacin) con
incrementndose continuamente el nmero de publicacio- unos pesos de entrada asociados (fig. 2). La computacin
nes que incluyen esta metodologa25. de estos pesos se sigue de la aplicacin de la funcin de
Desde un punto de vista prctico, existen muchos tipos de activacin que determina el nivel de activacin de salida de
RN. En la tabla 2 se recogen las ms caractersticas. Para la neurona. La entrada de las neuronas de la primera capa
clasificarlas, podemos considerar dos criterios bsicos: el (entrada) son los valores de las variables predictoras y los
modo de aprendizaje y el flujo de informacin. En una red, niveles de activacin de las neuronas de la ltima capa (sa-
el modo de aprendizaje puede ser supervisado, es decir, la lida) son los resultados de la red26. Dentro de los parme-
TRUJILLANO J, ET AL. APROXIMACIN METODOLGICA AL USO DE REDES NEURONALES ARTIFICIALES PARA LA PREDICCIN DE RESULTADOS EN MEDICINA
Conjunto de
entrenamiento Validacin cruzada
TRUJILLANO J, ET AL. APROXIMACIN METODOLGICA AL USO DE REDES NEURONALES ARTIFICIALES PARA LA PREDICCIN DE RESULTADOS EN MEDICINA
TABLA 3
Y Relacin entre redes neuronales artificiales y tcnicas
estadsticas
Red neuronal artificial Tcnica estadstica
Perceptrn simple (nodo umbral) Anlisis discriminante
Perceptrn simple (nodo sigmoideo) Regresin logstica
Adalina Regresin lineal
Perceptrn multicapa Regresin no lineal
Aprendizaje no supervisado Anlisis de componentes principales
Mapas de Kohonen Escalas multidimensionales
LVQ (cuantificacin de vectores) Anlisis discriminante
Funcin de base radial (RBF) Mtodo de regresin de Kernel
Sin relacin
Contrapropagacin
Redes ART
Modelo de Hopfield
TABLA 4
X
Ventajas y desventajas de las redes neuronales artificiales
(perceptrn multicapa) frente a tcnicas de regresin
Fig. 5. Bsqueda de la generalizacin. Relacin entre complejidad de arqui-
logstica
tectura y resultados. En un problema definido por dos variables (xy). Los Ventajas de las redes
puntos representan los datos. La lnea recta es el ajuste con una red sin capa Necesitan menos formalismo estadstico para su desarrollo
oculta. La lnea curva representa el ideal de generalizacin que se ha conse- Detectan relaciones no lineales
guido con 3 nodos en la capa oculta. La lnea de puntos representa un sobre- Detectan interacciones entre variables predictoras
ajuste al utilizar una red con 6 nodos en la capa oculta lo que origina una Tienen mltiples algoritmos de entrenamiento
perdida de generalizacin. Desventajas de las redes
Son cajas negras para identificar las interacciones
Tienen dificultad de utilizacin
Necesitan mayores recursos computacionales
tecturas consideradas. Por otra parte, cuanto ms compleja Metodologa menos conocida
Implementacin llena de procesos empricos
sea una red, mayor nmero de parmetros o pesos debere- Problemas metodolgicos no resueltos totalmente
mos estimar y, por lo tanto, necesitar mayor nmero de
patrones para ser entrenada de manera adecuada.
En el otro extremo, la utilizacin de una red demasiado
compleja para solucionar un problema sencillo nos conduce concreta con un mtodo estadstico31. La comparacin ms
a un sobreajuste (overfitting) que dificulta la capacidad de frecuentemente analizada en la literatura se realiza entre el
generalizacin de la red (fig. 5). Como regla general, para tipo de red ms empleada (MLP + backpropagation) y la re-
reducir el nmero de parmetros de una red es conveniente gresin logstica mltiple32,33. En la tabla 4 se muestran al-
seleccionar apropiadamente las variables de entrada, des- gunos puntos destacando las ventajas y desventajas de las
cartando variables poco informativas. Sin embargo, esta se- redes de acuerdo con esta comparacin. En una revisin de
leccin no es tan sencilla como en los mtodos multivariantes 28 aplicaciones distintas a partir de la bibliografa, Sargent
habituales y puede requerir distintas etapas de entrena- concluye que las redes son, en el peor de los casos, equiva-
miento. Desde un punto de vista ms tcnico, existen pro- lentes o en general ligeramente superiores a la regresin lo-
cedimientos propios de la metodologa de redes que simpli- gstica mltiple al no tener que depender de exigencias rgi-
fican la estructura de la red. A modo de ejemplo, algunos das de independencia de las variables o de los supuestos
de estos mtodos consisten en compartir pesos entre varios inherentes al modelo logstico34.
nodos (weight sharing), realizar un podado de la red (pru- En una aplicacin concreta, las redes pueden interpretar de
ning) eliminando los pesos con menor influencia en el resul- manera distinta la informacin contenida en las variables
tado del modelo final o aplicar el mtodo de decaimiento de respecto a cmo se interpreta esta informacin en un pro-
pesos (weight decay), eliminando automticamente los pe- cedimiento estadstico. Esto nos obliga a analizar cuidado-
sos que tienden a cero26. samente la distinta contribucin de cada variable al modelo
final y a interpretar sus interdependencias35-37. A partir de
este anlisis es posible mejorar los modelos estadsticos
Correspondencia entre redes neuronales artificiales (por ejemplo, aadiendo interacciones encontradas entre
y tcnicas estadsticas las variables). De este modo, ambas tcnicas pueden cola-
borar para proporcionar un modelo final adecuado al pro-
En el mbito de la medicina, la utilizacin de las RN se ha blema objeto de estudio.
desarrollado paralelamente a su comparacin con tcnicas
estadsticas. Dependiendo del problema especfico estudia-
do, esta confrontacin ha llevado, durante esta ltima dca- Indicaciones prcticas acerca de la aplicacin de una red
da, a alternar entre el optimismo27,28 y el pesimismo29,30 en neuronal artificial en el entorno de prediccin de
la utilizacin de las redes en el entorno de los estudios m- resultados en medicina (clculo de una probabilidad)
dicos.
La tabla 3 recoge la correspondencia entre algunas redes y El desarrollo de una RN necesita planificarse adecuada-
distintos procedimientos estadsticos habitualmente utiliza- mente para conseguir una red convenientemente entrenada
dos en medicina. Es interesante apreciar que existen algu- que alcance una precisin ptima38. A modo indicativo, en
nos tipos de redes que no poseen una correspondencia la figura 6 se muestra un esquema bsico de actuacin y en
TRUJILLANO J, ET AL. APROXIMACIN METODOLGICA AL USO DE REDES NEURONALES ARTIFICIALES PARA LA PREDICCIN DE RESULTADOS EN MEDICINA
Arquitectura
entrenamiento
3
1
Entrenamiento
Base 2 Red
de datos RN
entrenada
Verificacin
Desarrollo Desarrollo
Tcnica Modelo
Validacin estadstica estadstico
4 5
Validacin Resultados Fig. 6. Secuencia del desarrollo de una
aplicacin basada en red neuronal artifi-
cial. RN: red neuronal artificial. (Vase
texto.)
TRUJILLANO J, ET AL. APROXIMACIN METODOLGICA AL USO DE REDES NEURONALES ARTIFICIALES PARA LA PREDICCIN DE RESULTADOS EN MEDICINA
(16/35/10/1)12. En cualquier caso, en la publicacin de re- ca mltiple que utiliza las 3 variables indicadas anterior-
sultados deben describirse todos los parmetros de cons- mente. Al comparar los resultados (en este caso slo medi-
truccin (capas, nodos, tipo de interconexiones) y del pro- mos la propiedad de discriminacin con tablas de contin-
ceso de entrenamiento (tipo, nmero de iteraciones, gencia y curvas ROC) (fig. 7), podemos comprobar que la
coeficiente de aprendizaje, momento, etc.). red consigue resultados ms apropiados. Estos mejores re-
Siguiendo con nuestro ejemplo, utilizamos un perceptrn sultados de la red tienen como contrapartida una necesi-
multicapa entrenado con algoritmo de backpropagation dad de utilizar ms parmetros (12) que la regresin logs-
con 3 capas, seleccionando como arquitectura ptima tica (3) (fig. 8).
una estructura (3/3/1) con plena interconexin. La fun- Para que la RL se aproxime a los resultados de la RN en
cin de activacin es sigmoidea, parando el entrenamien- este ejemplo, debemos aadir algunos trminos de interac-
to, segn el criterio de validacin cruzada a las 1.500 ite- cin para tener en cuenta la dependencia entre las varia-
raciones. De acuerdo con esta arquitectura, debemos bles. Sin embargo, es difcil decidir qu trminos deben ser
ajustar 12 parmetros, con lo que los 400 casos del con- incluidos. Si el problema implica ms variables, este escollo
junto de entrenamiento son suficientes de acuerdo con el puede ser difcilmente superable.
criterio general.
Debe comprobarse la capacidad de generalizacin de la red Las RN proporcionan un mtodo general para desarrollar
enfrentndola a datos distintos de los utilizados en su entre- modelos de prediccin en medicina. La ventaja principal de
namiento (conjunto de validacin). En este ejemplo, dispo- esta tcnica, si se aplica convenientemente, radica en su
nemos de 300 casos en el conjunto de validacin. capacidad para incorporar interacciones entre las variables
sin necesidad de incluirlas a priori. Adems, su aplicacin
Paso 5: evaluacin de los resultados (precisin de la red) no queda restringida a un tipo determinado de distribucin
de los datos. Como principal desventaja, sin embargo, de-
En este ejemplo se trata de predecir la probabilidad de fra- bemos indicar que proporciona un modelo que es esencial-
caso renal. En este tipo de problemas, donde la prediccin mente una caja negra. La RN es capaz de predecir resulta-
es una probabilidad, lo indicado es evaluar la discrimina- dos, pero no disponemos de una interpretacin evidente de
cin y la calibracin de la red46,47. Para valorar la discrimina- los parmetros en los mismos trminos en que podemos in-
cin (capacidad de distinguir entre dos estados) se emplean terpretar los resultados de una RL.
tablas de contingencia eligiendo punto de corte (normal- En esta revisin hemos considerado fundamentalmente el
mente 0,5), estableciendo porcentajes de correcta clasifica- modelo de red ms sencillo. En la actualidad se trabaja con
cin y analizando las curvas ROC resultantes (especialmente nuevos tipos de redes ms potentes y que incorporan tcni-
calculando el rea bajo la curva ROC)48,49. Para comprobar cas adicionales como son los algoritmos genticos y los mo-
la calibracin (exactitud del modelo comparando la probabi- delos hbridos52-54. Con ello, se empieza a disponer de herra-
lidad esperada y la observada) se utilizan las pruebas de mientas que se fundamentan en el clculo intensivo y que
bondad de ajuste de Hosmer-Lemeshow50 que permiten desafan a los planteamientos estadsticos convencionales. A
evaluar las curvas de calibracin correspondientes a los re- nuestro entender, lejos de representar una amenaza, estas
sultados del mtodo. tcnicas proporcionan nuevos puntos de vista que pueden
ayudar a obtener herramientas ms eficaces en muchas
Paso 6: comparacin de los resultados entre redes aplicaciones prcticas. As, el futuro no debera plantearse
neuronales artificiales y regresin logstica en trminos de competencia entre estos nuevos mtodos y
la estadstica, sino que debera contemplar su acercamiento
En nuestro ejemplo, comparamos el resultado de la red y complementacin para construir modelos de prediccin
con los correspondientes a un modelo de regresin logsti- que sean ms vlidos.
178 28 RN
PCC = 82% 0,75
+ 27 67
Sensibilidad
RN
Prediccin
TRUJILLANO J, ET AL. APROXIMACIN METODOLGICA AL USO DE REDES NEURONALES ARTIFICIALES PARA LA PREDICCIN DE RESULTADOS EN MEDICINA
A
Z = A 1 + B 2 + C 3 0,835
1 0,014
1
Probabilidad = 2 0,027
1 + ez
3 0,876
A 1
B
2 4 10
5 11
B Probabilidad
6
12 1 0,622 7 0,515
7 Figs. 8a y b. Nmero de parmetros. En
8 2 3,843 8 3,282 nuestro ejemplo, el modelo de regresin
9
C logstica (A) slo precisa de 3 parme-
3 1,222 9 0,760
tros (coeficientes de la ecuacin logsti-
4 0,872 10 3,072 ca) para el clculo de la probabilidad de
presentar fracaso renal. La red neuronal
5 4,541 11 3,661 (B) ha conseguido mejores resultados,
pero necesita 12 parmetros (pesos de
6 0,799 12 2,493 las conexiones). (A): edad; (B): valor de
presin arterial media, y (C): presencia
de infeccin.
REFERENCIAS BIBLIOGRFICAS 20. Hare BJ, Prestegard JH. Application of neural networks to automated as-
sigment of NMR spectra of proteins. J Biomol NMR 1994;4:35-46.
1. Steyerberg EW, Eijkemans MJC, Harrell FE, Habbema JDF. Prognostic
21. Kippenhan JS, Barker WW, Angel J, Grady C, Duara R. Neural-networks
modelling with logistic regression analysis: a comparison of selection and
clasiffication of normal and Alzheimers disease subjects using high-re-
estimation methods in small data sets. Statist Med 2000;19:1059-79.
solution and low-resolution PET cameras. J Nucl Med 1994;35:7-15.
2. Burke HB. Artificial neural networks for cancer research: outcome pre-
22. Edenbrandt L, Devine B, Macfarlane PW. Classification of electrocardio-
diction. Sem in Surg Oncol 1994;10:73-9. graphic ST-T segments-human expert vs artificial neural network. Eur
3. Cross BS, Harrison RF, Kennedy RL. Introduction to neural networks. Heart J 1993;14:464-8.
Lancet 1995;346:1075-9. 23. Anderer P, Saleteu B, Kloppel B, Semlitsch HV, Werner H. Discrimina-
4. Sarle WS. Neural network FAQ, part 1 of 7: introduction, periodic posting tion between demented patients and normal based on topographic EEG
to the Usenet newsgroup comp.ai.neural-nets, URL: ftp://ftp.sas.com/ slow wave activity: comparison between z statistics, discriminant analysis
pub/neural/FAQ.html, 1997. and artificial neural network classifiers. Electroencephalogr Clin Neu-
5. Bishop CM. Neural networks for pattern recognition. Oxford: Oxford Uni- ropsychol 1994;91:108-17.
versity, 1995. 24. Yamamura S, Nishizawa K, Hirano M, Momose Y, Kimura A. Prediction
6. Baxt WG. Application of artificial neural networks to clinical medicine. of plasma levels of aminoglycoside antibiotic in patients with severe ill-
Lancet 1995;346:1135-8. ness by means of an artificial neural network simulator. J Pharm Sci
7. Armoni A. Use of neural networks in medical diagnosis. MD Computing 1998;1:95-101.
1998;15:100-4. 25. Dayhoff JE, DeLeo JM. Artificial neural networks. Opening the black box.
8. Dybowski R, Gant V. Artificial neural networks in pathology and medical Cancer 2001;91:1615-35.
laboratories. Lancet 1995;346:1203-7. 26. Martn del Brio B, Sanz Molina A. Redes neuronales y sistemas borro-
9. Orr RK. Use of a probabilistic neural network to estimate the risk of mor- sos. Madrid: RA-MA, 1997.
tality after cardiac surgery. Med Decis Making 1997;17:178-85. 27. Eldar S, Siegelmann HT, Buzaglo D, Matter I, Cohen A, Sabo E, et al.
10. Dorsey SG, Waltz CF, Brosch L, Connerney I, Schweitzer EJ, Barlett ST. Conversion of laparoscopic cholecystectomy to open cholecystectomy in
A neural network model for predicting pancreas transplant graft outco- acute cholecystitis: artificial neural networks improve the prediction of
me. Diabetes Care 1997;20:1128-33. conversion. World J Surg 2002;26:79-85.
11. Lapuerta P, Rajan S, Bonacini M. Neural networks as predictors of outcomes 28. Duh MS, Walker AM, Pagano M, Kronlund K. Prediction and cross-vali-
in alcoholic patients with severe liver disease. Hepatology 1997;25:302-6. dation of neural networks versus logistic regression: using hepatic disor-
12. Wong LSS, Young JD. A comparison of ICU mortality prediction using the ders as an example. Am J Epidemiol 1998;147:407-13.
APACHE II scoring system and artificial neural network. Anaesthesia 29. Borque A, Sanz G, Allepuz C, Plaza L, Rioja LA. The use of neural net-
1999;54:1048-54. works and logistic regression analysis for predicting pathological stage in
13. Snow PB, Kerr DJ, Brandt JM, Rodvold DM. Neural network and regres- men undergoing radical prostatectomy: a population based study. J Urol
sion predictions of 5-year survival after colon carcinoma treatment. Can- 2001;166:1672-8.
cer 2001;91:1673-8. 30. Sinha M, Kennedy CS, Ramundo ML. Artificial neural network predicts
14. Montie JE, Wei JT. Artificial neural networks for prostate carcinoma risk CT scan abnormalities in paediatric patients with closed head injury. J
assessment. An overview. Cancer 2001;91:1647-52. Trauma 2001;50:308-12.
15. Ellenius J, Groth T, Lindahl B, Wallentin L. Early assessment of patients 31. Sarle WS. Neural networks and statistical models. Proceedings of the
with suspected acute myocardial infarction by biochemical monitoring 19th annual SAS Users Group International Conference, Cary, NC (SAS
and neural network analysis. Clin Chem 1997;43:1919-25. Institute), 1994;1538-50.
16. Nakamura K, Yoshida H, Engelmann R, MacMahon H, Katsuragawa S, 32. Tu JV, Guerriere MRJ. Use of a neural network as a predictive instru-
Ishida T, et al. Computerized analysis of the likelihood of malignancy in ment for length of stay in the intensive care unit following cardiac sur-
solitary pulmonary nodules with use of artificial neural networks. Radio- gery. Comput Biomed Res 1993;26:220-9.
logy 2000;214:823-30. 33. Tu JV. Advantages and disadvantages of using artificial neural networks
17. Eberhart RC, Dobbins RW, Hutton LV. Neural network paradigm compa- versus logistic regression for predicting medical outcomes. J Clin Epide-
risons for appendicitis diagnosis. En: Proceedings of the fourth annual miol 1996;49;11:1225-31.
IEEE Symposium on Computer-based Medical Systems. Los Alamitos, 34. Sargent DJ. Comparison of artificial neural networks with other statistical
CA: IEEE Computer Society Press, 1991; p. 298-304. approaches. Results from medical data sets. Cancer 2001;91:1636-42.
18. El-Solh AA, Hisao C, Goodnough S, Serghani J, Grant BJB. Predicting 35. Lang EW, Pitts LH, Damron SL, Rutledge R. Outcome after severe head
active pulmonary tuberculosis using an artificial neural network. Chest injury: an analysis of prediction based upon comparison of neural net-
1999;116:968-73. work versus logistic regression analysis. Neurol Res 1997;19:274-80.
19. Somoza E, Somoza JR. A neural-network approach to predicting admis- 36. DiRusso SM, Sullivan T, Holly C, Nealon S, Savino J. An artificial neural
sion decisions in a psychiatric emergency room. Med Decis Making network as a model for prediction of survival in trauma patients: valida-
1993;13:273-80. tion for a regional trauma area. J Trauma 2000;49:212-23.
TRUJILLANO J, ET AL. APROXIMACIN METODOLGICA AL USO DE REDES NEURONALES ARTIFICIALES PARA LA PREDICCIN DE RESULTADOS EN MEDICINA
37. Selker HP, Griffith JL, Patil S, Long WJ, DAgostino RB. A comparison of 45. Doyle HR, Dvorchik I, Mitchell S, Marino JR, Ebert FH, McMichael J, et
performance of mathematical predictive methods for medical diagnosis: al. Predicting outcomes after liver transplantation. A connectionist appro-
identifying acute cardiac ischemia among emergency department pa- ach. Ann Surg 1994;219:408-15.
tients. J Investig Med 1995;43:468-76. 46. Concato J. Challenges in prognostic analysis. Cancer 2001;91: 1607-
38. Schwarzer G, Vach W, Schumacher M. On the misuses of artificial neu- 14.
ral networks for prognostic and diagnostic classification in oncology. Sta- 47. Van Houwelingen HC. Validation, calibration, revision and combination
tist Med 2000;19:541-61. of prognostic survival models. Statist Med 2000;19:3401-15.
39. Levine RF. Conference concluding remarks. Cancer 2001;91:1696-7. 48. Hanley JA, McNeil BJ. The meaning and use of the area under a recei-
40. Lippmann RP, Shahian DM. Coronary artery bypass risk prediction using ver operating characteristic (ROC) curve. Radiology 1982;143:29-36.
neural networks. Ann Thorac Surg 1997;63:1635-43. 49. Burgueo MJ, Garca-Bastos JL, Gonzlez-Buitrago JM. Las curvas ROC
41. Guh JY, Yang CY, Yang JM, Chen LM, Lai YH. Prediction of equilibrated en la evaluacin de las pruebas diagnsticas. Med Clin (Barc) 1995;
postdialysis BUN by an artificial neural network in high-efficiency hemo- 104:661-70.
dialysis. Am J Kidney Dis 1998;31:638-46. 50. Lemeshow S, Hosmer DW. A review of goodness of fit statistics for use in
42. Clermont G, Angus DC, DiRusso SM, Griffin M, Linde-Zwirble WT. Predicting the development of logistic regression models. Am J Epidemiol 1982;
hospital mortality for patients in the intensive care unit: a comparison of artificial 115:92-106.
neural networks with logistic regression models. Crit Care Med 2001;29:291-6. 51. Jefferson MF, Pendleton N, Lucas SB, Horan MA. Comparison of a ge-
43. Tourassi GD, Floyd CE. The effect of data sampling on the performance netic algorithm neural network with logistic regression for predicting out-
evaluation of artificial neural networks in medical diagnosis. Med Decis come after surgery for patients with non small cell lung carcinoma. Can-
Making 1997;17:186-92. cer 1997;79:1338-42.
44. Sarle WS. Neural Network FAQ, part 5 and 6 of 7: free software and com- 52. Dybowski R, Weller P, Chang R, Gant V. Prediction of outcome in criti-
mercial software, Disponible en: URL: ftp://ftp.sas.com/pub/neural/FAQ. cally ill patients using artificial neural network synthesised by genetic al-
html, 1997. gorithm. Lancet 1996;347:1146-50.