TT 11-1-0026 Influenza

Instituto Politécnico Nacional
Escuela Superior de Cómputo
Trabajo Terminal
“Aplicación Web para el Pre-diagnóstico de Influenza”
(APREFLU)
Que para obtener el título de:
“Ingeniero en Sistemas Computacionales con Especialidad en

Sistemas”
Presenta
José Valentín Padilla López
Director
M. en C. Ariel López Rojas
14 de Diciembre de 2010
APREFLU – Aplicación Web para el Pre-diagnostico de Influenza 2010
Instituto Politécnico Nacional
Escuela Superior de Cómputo
Documento Técnico
No. de serie TT-11-01-0026 Serie: Amarilla Fecha: Diciembre de 2010
“Aplicación Web para el Pre-diagnóstico de Influenza”

(APREFLU)
Alumno:
José Valentín Padilla López1
Resumen:
La presente aplicación, pretende implementar un test de pre-diagnóstico de influenza, basado en

el entrenamiento de redes neuronales artificiales con la información de pacientes que presentan o
han presentado esta enfermedad. Obteniendo como resultado un pre-diagnóstico positivo o
negativo de si se ha adquirido dicha enfermedad y en base a los resultados obtenidos brindar
recomendaciones de cuidado y atención.
Palabras clave: Base de Datos, Redes Neuronales, Web, Influenza.
1
valebboy@gmail.com
2
ADVERTENCIA
“Este informe contiene información desarrollada por la Escuela Superior de Cómputo del Instituto
Politécnico Nacional a Partir de datos y documentos con derecho de propiedad y por lo tanto su
uso queda restringido a las aplicaciones que explícitamente se convengan”.
La aplicación no convenida exime a la escuela de su responsabilidad técnica y da lugar a las

consecuencias legales que para tal efecto se determinen.
Información adicional sobre este reporte técnico podrá obtenerse en:
El Departamento de Diseño Curricular de la Escuela Superior de Cómputo del Instituto

Politécnico Nacional, situada en Av. Juan de Dios Bátiz s/n Teléfono: 57296000 Extensión 52021
3
AGRADECIMIENTOS.
A mi esposa Nallely, mis hijas Frida y Samantha por su gran cariño y amor, por el impulso que
ellas me transmiten para llevar a cabo todos los retos que se me presentan.
A mi madre Josefina por su gran amor y a mi suegra Irene que siempre me han apoyado en mi
trayectoria escolar y vida personal.
Al M. en C. Ariel López Rojas por su disposición para aclarar todas las dudas que surgieron
durante el desarrollo de este Trabajo Terminal.
A los profesores sinodales quienes con sus observaciones y consejos lograron que se cumplieran
los objetivos de este Trabajo Terminal.
A los Médicos epidemiólogos del Hospital Regional 1° de Octubre del ISSSTE, por su disposición
de apoyar el desarrollo de este proyecto y permitirme realizar las pruebas necesarias para llevar a
cabo la finalización del Trabajo Terminal.
4
INDICE
ADVERTENCIA........................................................................................................................... 3
AGRADECIMIENTOS. ................................................................................................................4
1 INTRODUCCIÓN ............................................................................................................... 7
1.1 INTRODUCCIÓN ........................................................................................................................ 8
1.2 OBJETIVO GENERAL.................................................................................................................. 9
1.2.1 Objetivos Particulares: ....................................................................................................... 9
1.3 JUSTIFICACIÓN .......................................................................................................................... 9
2 MARCO TEÓRICO ........................................................................................................... 10

2.1 INFORMÁTICA MÉDICA .......................................................................................................... 11
2.2 INTELIGENCIA ARTIFICIAL ................................................................................................ 11
2.3 RECONOCIMIENTO DE PATRONES .................................................................................. 12
2.3.1 Ciclo de Diseño de un Sistema de Reconocimiento de Patrones ................................... 13
2.3.2 Tipos de problemas del Reconocimiento de Patrones. ................................................... 13
2.3.3 Enfoques dentro del reconocimiento de patrones. ......................................................... 13
2.4 REDES NEURONALES ARTIFICIALES (RNA). ....................................................................14
2.4.1 Clasificación de las RNA .................................................................................................... 15
2.4.2 Tipos de RNA .....................................................................................................................18
2.4.3 Perceptrón Multicapa ....................................................................................................... 26
2.4.4 ALGORITMO DE APRENDIZAJE (RETROPROPAGACIÓN). ...................................... 27
2.4.5 TIPOS DE DIAGNOSTICO EN EPIDEMIOLOGIA ........................................................ 29
2.4.6 TIPOS DE ENFERMEDADES A CONSIDERAR .............................................................. 29
3 ANALISIS DEL SISTEMA ...................................................................................................31

3.1 PLANTEAMIENTO DEL PROBLEMA ...................................................................................... 32
3.2 PROPUESTA DE SOLUCION ............................................................................................... 32
3.3 ALCANCES................................................................................................................................. 33
5
3.4 ANÁLISIS DE REQUERIMIENTOS ...................................................................................... 33
3.4.1 REQUERIMIENTOS DE LA APLICACIÓN ..................................................................... 34
3.4.2 REQUERIMIENTOS FUNCIONALES ............................................................................. 35
3.4.3 REQUERIMIENTOS NO FUNCIONALES ...................................................................... 35
3.5 HERRAMIENTAS PARA EL DESARROLLO DE LA APLICACIÓN .................................... 36
3.6 ARQUITECTURA DE LA APLICACIÓN .............................................................................. 38
3.6.1 USO DE LA ARQUITECTURA DE TRES CAPAS. .......................................................... 38
3.6.2 ARQUITECTURA GENERAL DEL SISTEMA .................................................................. 39
3.6.3 DIAGRAMA A BLOQUES DE LA APLICACION ............................................................ 39
3.7 MODELADO DE LA APLICACIÓN ..................................................................................... 40
3.7.1 DIAGRAMA DE CASOS DE USO .................................................................................... 40
3.7.2 DIAGRAMA DE CLASES ...................................................................................................41
3.7.3 DIAGRAMA DE SECUENCIA .......................................................................................... 43
3.8 COSTOS FINANCIEROS ...................................................................................................... 44
3.8.1 COSTOS DE MANO DE OBRA ....................................................................................... 44
3.8.2 COSTO DE SOFTWARE Y HARDWARE UTILIZADOS PARA EL DESARROLLO DEL

PROYECTO. ................................................................................................................................... 45
3.8.3 COSTOS ADICIONALES .................................................................................................. 45
4 DISEÑO DEL SISTEMA .................................................................................................... 46

4.1 APLICACIÓN PARA EL PRE-DIAGNÓSTICO DE INFLUENZA. .......................................... 47
4.2 INFORMACION MUTUA ..................................................................................................... 47
4.3 DISEÑO DE LA RNA ............................................................................................................. 49
4.4 ENTRENAMIENTO DE LA RNA. .......................................................................................... 51
5 DISEÑO DE INTERFAZ .................................................................................................... 53

5.1 PAGINA PRINCIPAL ................................................................................................................. 54
5.2 PAGINA DE PRE-DIAGNOSTICO ....................................................................................... 55
6
5.3 PAGINA DE RESULTADO DE ETI ....................................................................................... 56
5.4 PAGINA DE RESULTADO IRAG .......................................................................................... 56
GLOSARIO ............................................................................................................................... 57
BIBLIOGRAFÍA. ....................................................................................................................... 59
1 INTRODUCCIÓN
7
1.1 INTRODUCCIÓN
En México, la influenza es una enfermedad de notificación obligatoria desde 1994. Con base en el
título octavo, capítulo segundo, artículo 134 de la Ley General de Salud, la Secretaría de Salud y los
gobiernos de las entidades federativas realizarán vigilancia epidemiológica, prevención y control
de influenza epidémica. De acuerdo a lo establecido por la Norma Oficial Mexicana NOM-017-
SSA2-1994 para la vigilancia epidemiológica, las unidades de vigilancia de todas las instituciones
del Sistema Nacional de Salud (SNS) deben notificar la ocurrencia de casos nuevos de influenza.
Esta notificación debe hacerse en forma inmediata – antes de que transcurran 24 horas desde su
detección – simultáneamente a través de los niveles técnico administrativos del SNS y al órgano
normativo nacional del Sistema Nacional de Vigilancia Epidemiológica (SINAVE).
En preparación ante una posible pandemia de influenza, la Secretaría de Salud de México revisó
en 2006 su estrategia de vigilancia epidemiológica de esta enfermedad y actualizó los
procedimientos del sistema de vigilancia epidemiológica de influenza (SISVEFLU).
Esta actualización incluyó el establecimiento de un sistema orientado a detectar casos
ambulatorios de enfermedad respiratoria aguda en Unidades de Salud Monitoras de Influenza
(USMI) distribuidas en todo el territorio nacional.
El 16 de abril de 2009, la Dirección General Adjunta de Epidemiología (DGAE) emitió el aviso
epidemiológico DGAE/09/004 alertando a todas las unidades de vigilancia epidemiológica ante la
prolongación del periodo de transmisión de lo que en su momento se consideró influenza
estacional. Una semana más tarde, el 23 de abril, la Secretaría de Salud conoció que en México
circulaba una nueva cepa de virus de influenza A (H1N1) asociada a infección respiratoria grave.
En consecuencia, en reunión extraordinaria urgente, el Comité Nacional para la Vigilancia
Epidemiológica (CONAVE) estableció la intensificación de la vigilancia epidemiológica de
influenza mediante mecanismos complementarios al SISVEFLU, incluyendo una red de
notificación negativa diaria en las USMI y hospitales, entre ellos los suscritos en la Red
Hospitalaria de Vigilancia Epidemiológica (RHOVE), a través de la plataforma en línea del
SINAVE. Posteriormente, el 12 de mayo de 2009 el CONAVE actualizó los procedimientos de
vigilancia epidemiológica, incluyendo:
1. La activación de una red de notificación negativa con participación de todos los

hospitales de las instituciones del Sector Salud.
2. La notificación y toma de muestra de todos los casos hospitalizados y una parte de los
ambulatorios, así como de las defunciones con sospecha de influenza o asociadas con
enfermedad respiratoria grave.
3. El diagnóstico por laboratorio de virus de influenza A (H1N1) mediante transcripción
inversa y reacción en cadena de la polimerasa (RT-PCR) en tiempo real Además, se
estableció que el mecanismo de notificación es la plataforma electrónica en línea del
SINAVE, disponible en www.sinave.gob.mx. Estos lineamientos fueron convalidados por el
Consejo Nacional de Salud.
8
El 12 de junio de 2009, la OMS emitió una actualización de la Orientación Provisional para la

Vigilancia Mundial de la infección humana por el nuevo virus de influenza A H1N1, y
posteriormente los días 10 y 16 de julio actualizó las recomendaciones para la vigilancia
epidemiológica. Para continuar con la vigilancia epidemiológica de una manera estandarizada,
que permita obtener la información requerida para la toma de decisiones, el SINAVE ha
desarrollado estos lineamientos para la vigilancia epidemiológica de influenza en México.
1.2 OBJETIVO GENERAL.
El objetivo del presente Trabajo Terminal es Desarrollar una herramienta Web para el Pre-
diagnóstico de Influenza haciendo uso de una Técnica de Inteligencia Artificial.
1.2.1 Objetivos Particulares:

 Elaborar un test para el pre-diagnostico de influenza avalado por médicos epidemiólogos.
 Utilizar un algoritmo basado en redes neuronales artificiales para la obtención e
interpretación de los resultados del test y brindar el pre-diagnostico.
 Brindar orientación y pre-diagnóstico rápido a las personas que presentan los síntomas
comunes de la enfermedad.
1.3 JUSTIFICACIÓN
Se pretende desarrollar una aplicación que funcione en entorno Web para que esté
disponible a cualquier persona que presente algunos de los síntomas de esta enfermedad y pueda
obtener un pre-diagnostico rápido y así brindarle recomendaciones de prevención y cuidado que
debe seguir para cuidar su estado de salud y evitar el contagio de las personas a su alrededor.
9
2 MARCO TEÓRICO
10
2.1 INFORMÁTICA MÉDICA

Existen varias formas de definir a la informática médica, pero vamos a referirnos a la definición de
Enrico Coiera, por considerarse una de las más conceptuales y completas: Es el estudio de cómo
el conocimiento médico multidisciplinario es creado, conformado, compartido y aplicado
[1]. La informática médica se apoya actualmente en las tecnologías de la información y
comunicación (TICs), arribando al concepto de e-Salud, Telesalud y Telemedicina. Mientras que e-
Salud (salud electrónica) es un nombre genérico que engloba a todas las aplicaciones informáticas
en el ámbito de la salud, la Telesalud se refiere al uso de las TICs en las tareas médicas pero
ejecutadas a distancia. Estas tareas no solo se enfocan en la atención de pacientes, sino también
en la capacitación y educación médica a distancia.
Engloba a varias sub disciplinas, algunas de las más importantes son:
 Informática Medica de orientación clínica

 Informática aplicada a Salud Publica y Epidemiología
 Telemedicina
 Informática aplicada a la Enfermería
 Diseño y desarrollo de Ontologías Médicas
 Información al paciente y consumidores
2.2 INTELIGENCIA ARTIFICIAL

Se denomina inteligencia artificial (IA) a la rama de las Ciencias de la Computación dedicada al
desarrollo de agentes racionales no vivos.
Para explicar la definición anterior, entiéndase a un agente como cualquier cosa capaz de percibir
su entorno (recibir entradas), procesar tales percepciones y actuar en su entorno (proporcionar
salidas), y entiéndase a la racionalidad como la característica que posee una elección de ser
correcta, más específicamente, de tender a maximizar un resultado esperado (este concepto de
racionalidad es más general y por ello más adecuado que inteligencia para definir la naturaleza del
objetivo de esta disciplina).
Existen distintos tipos de conocimiento y medios de representación del conocimiento, el cual

puede ser cargado en el agente por su diseñador o puede ser aprendido por el mismo agente
utilizando técnicas de aprendizaje.
11
Fig. 1. Paradigmas de la Inteligencia Artificial.
2.3 RECONOCIMIENTO DE PATRONES

El reconocimiento de patrones es la ciencia que se ocupa de los procesos
sobre ingeniería, computación y matemáticas relacionados con objetos físicos o abstractos, con el
propósito de extraer información que permita establecer propiedades de entre conjuntos de
dichos objetos.
Fig. 2. Esquema Clásico de un Sistema de Reconocimiento de Patrones
Los elementos principales dentro de esta ciencia son:
 Objeto.- Es un concepto con el cual representamos los elementos sujetos a estudio

(personas).
 Clase.- Conjunto de entidades que comparten alguna característica que las diferencia del
resto (tipos de enfermedades).
 Patrón.- Un patrón es la entidad que deseamos reconocer, (enfermedad).
12
2.3.1 Ciclo de Diseño de un Sistema de Reconocimiento de Patrones
Fig. 3. Diagrama del Ciclo de un Sistema de Reconocimiento de Patrones.
Un sistema completo de reconocimiento de patrones incluye un sensor que recoja fielmente los
elementos del universo a ser clasificado, un mecanismo de extracción de características cuyo
propósito es extraer la información útil, eliminando la información redundante e irrelevante, y
finalmente una etapa de toma de decisiones en la cual se asigna a la categoría apropiada los
patrones de clase desconocida.
2.3.2 Tipos de problemas del Reconocimiento de Patrones.
 Selección de variables: Consiste en seleccionar cuál es el tipo de características o rasgos

más adecuados para describir los objetos. Se deben localizar los rasgos que inciden en el
problema de manera determinante.
 Clasificación supervisada: También es conocida como clasificación con aprendizaje, en
este tipo de problemas ya se encuentran definidas las clases, y éstas cuentan con algunos
objetos previamente clasificados.
 Clasificación parcialmente supervisada: También conocida como de aprendizaje
parcial, en éstos problemas existe una muestra de objetos sólo en algunas de las clases
definidas.
 Clasificación no supervisada: También conocida como clasificación sin aprendizaje, en
éstos problemas no existe ninguna clasificación previa de objetos y en algunas ocasiones ni
siquiera se han definido las clases.
2.3.3 Enfoques dentro del reconocimiento de patrones.

 Geométrico (Clustering): Los patrones deben ser graficables, en éste enfoque se emplea
el cálculo de distancias, geometría de formas, vectores numéricos, puntos de atracción,
etc.
 Estadístico: Se basa en la teoría de la probabilidad y la estadística, utiliza análisis de
varianzas, covarianzas, dispersión, distribución, etc.
 Sintáctico‐Estructural: estudia la estructura de los objetos, es decir, usa teoría de
lenguajes formales, gramáticas, teoría de autómatas, etc.
 Redes Neuronales: Se utilizan redes neuronales que se ‘entrenan’ para dar una cierta
respuesta ante determinados valores.
13
 Lógico‐Combinatorio: se basa en la idea de que la modelación del problema debe ser lo

más cercana posible a la realidad del mismo, sin hacer suposiciones que no estén
fundamentadas.
Fig. 4. Enfoques y Problemas del Reconocimiento de Patrones.
2.4 REDES NEURONALES ARTIFICIALES (RNA).

Las Redes Neuronales Artificiales (RNA) son modelos que intentan reproducir el comportamiento
del cerebro. Una RNA está constituida por nodos o neuronas unidas mediante conexiones.
Algunas de las neuronas están conectadas al ambiente externo y se designan como unidades de
entrada o de salida según reciban estímulos externos o den la respuesta del sistema,
respectivamente. Hay otras neuronas que simplemente están conectadas a otras neuronas del
sistema y que al no tener relación directa con la información de entrada ni con la de salida del
sistema, se denominan como unidades ocultas [3].
En la Fig. 6, se muestra la estructura básica de una neurona artificial simple, donde p es un

parámetro que representa el vector de entrada, w es un parámetro escalar que representa la
conexión sináptica (peso sináptico) entre p y la neurona, b es el valor de umbral de la neurona, la
neurona cuenta con una función de transferencia f la cual recibe el valor n resultado de la
multiplicación de w y p y la adición de b, finalmente, se tiene una salida a resultado de aplicar la
función de transferencia f [3].
14
Fig. 5. Representación de una neurona artificial.
2.4.1 Clasificación de las RNA
Las RNA se pueden clasificar de acuerdo a la función de sus características más notables:
 Clasificación según su topología o estructura de la red, podemos distinguir como

característica de una red, el número de capas, el tipo de las capas, que pueden ser ocultas
o visibles, de entrada o de salida y la direccionalidad de las conexiones de las neuronas.
 Clasificación según su algoritmo de aprendizaje o como la red aprende los

patrones, podemos distinguir como características, si es supervisada, no supervisada,
competitiva o por refuerzo.
2.4.1.1 Clasificación respecto a la Topología
La topología o arquitectura de una red consiste en la organización y disposición de las neuronas

en la red. Las neuronas se agrupan formando capas, que pueden tener muy distintas
características. Además las capas se organizan para formar la estructura de la red. Se puede
observar en la Figura 7.
Fig. 6. Jerarquía de las redes neuronales.
Donde podemos ver que las neuronas se agrupan para formar capas y las capas se unen entre ellas
formando redes neuronales. Para clasificar por la topología usaremos el número de capas
en Redes Monocapa o Redes Multicapa.
15
2.4.1.1.1 Redes Monocapa
Son redes con una sola capa. Para unirse las neuronas crean conexiones laterales para conectar
con otras neuronas de su capa. Las redes más representativas son la red de Hopfield, la red
BRAIN-STATE-IN-A-BOX o memoria asociativa y las maquinas estocásticas de Botzmann y
Cauchy.
Entre las redes neuronales monocapa, existen algunas que permiten que las neuronas tengan
conexiones a sí mismas y se denominan autorecurrentes.
Fig. 7. Red Monocapa.
Las redes monocapa han sido ampliamente utilizada en circuitos eléctricos ya que
debido a su topología, son adecuadas para ser implementadas mediante hardware, usando
matrices de diodos que representan las conexiones de las neuronas.
2.4.1.1.2 Redes Multicapa
Las redes multicapa están formadas por varias capas de neuronas (2,3...). Estas redes se pueden a
su vez clasificar atendiendo a la manera en que se conexionan sus capas.
Fig. 8. Red Multicapa.
16
Redes con conexiones hacia adelante:
Como decíamos antes, Este tipo de redes contienen solo conexiones entre capas hacia delante.
Esto implica que una capa no puede tener conexiones a una que reciba la señal antes que ella en
la dinámica de la computación.
Ejemplos de estas redes son Perceptron, Adaline, Madaline, Backpropagation y los modelos LQV y
TMP de Kohonen.
Redes con conexiones hacia atrás:
Este tipo de redes se diferencia en las anteriores en que si pueden existir conexiones de capas
hacia atrás y por tanto la información puede regresar a capas anteriores en la dinámica de la red.
Este Tipo de redes suelen ser bicapas.
Ejemplos de estas redes son las redes ART, Bidirectional Associative Memory (BAM) y Cognitron
2.4.1.2 Clasificación de acuerdo al Aprendizaje
Se denomina aprendizaje o entrenamiento de la red al ajuste de los pesos sinápticos, que

determina el grado de conexión entre las neuronas de la red.
Se distinguen dos tipos de aprendizaje:
1. Supervisado: En este en modo aprendizaje se muestran los patrones a la red y la salida

deseada para esos patrones y se usa una fórmula matemática de minimización del error
que ajuste los pesos para dar la salida más cercana posible a la salida deseada.
2. No-Supervisado: Este tipo de aprendizaje no necesita que le mostremos los patrones

objetivos para salida, ya que el algoritmo y la regla de modificación de las conexiones
producen patrones de salida consistentes. Cuando la red procesa patrones con bastante
grado de similitud, da la misma salida para ambos patrones, esto es, clasifica los patrones
en categorías de patrones parecidos.
17
2.4.2 Tipos de RNA

Existe una serie de modelos que aparecen en la mayoría de estudios académicos y la bibliografía
especializada. [4]
 Perceptrón.
 Adaline.
 Perceptrón multicapa.
 Memorias asociativas.
 Máquina de Boltzmann.
 Máquina de Cauchy.
 Propagación hacia atrás (backpropagation).
 Redes de Elman.
 Redes de Hopfield.
 Red de contrapropagación.
 Redes de neuronas de base radial.
 Redes de neuronas de aprendizaje
competitivo.
 Mapas Auto organizados(RNA) (Redes de
Kohonen).
 Crecimiento dinámico de células.
 Gas Neuronal Creciente.
 Redes ART (Adaptative Resonance Theory).
18
2.4.3 Perceptrón Multicapa
A continuación se presenta un tipo de arquitectura conocida como Perceptrón Multicapa o

Multi-Layer Perceptron (MLP); esta es una arquitectura que suele entrenarse mediante el
algoritmo denominado Retropropagación o Back Propagation (BP) o de alguna de sus variantes,
motivo por el cual el conjunto del la arquitectura MLP + aprendizaje BP suele llamarse red de
Retropropagación.
En las redes MLP frecuentemente se usan las funciones de transferencia; logaritmo-sigmoidal,

tangente-sigmoidal y ocasionalmente la función lineal.
1
a (1.1)
Función Logaritmo 1en
en en
a n n (1.2)
Función Tangente e e
Función Lineal an (1.3)
Fig. 9.- Funciones de trasferencia usadas en MLP.
En Donde n representa la operación resultante de Wp+b de los elementos de la capa en cuestión.

Las redes MLP tienen una o más capas ocultas como se muestra en la Fig. 10 se observa una MLP
en notación abreviada donde se muestra que las neuronas de la capa oculta tienen la función de
transferencia tansig() y las neuronas de la capa de salida tiene pureline() como función de
trasferencia.
26
Fig. 10.- Representación abreviada de una MLP con una capa oculta.
Así para procesar un dato p a través de esta red se empleará la Ec. (1.4)

2
a 2 Wp
1
pureline
(
Wtan
sig
( b
)
1b
)
2 (1.4)
2.4.4 ALGORITMO DE APRENDIZAJE (RETROPROPAGACIÓN).
El algoritmo de aprendizaje Retropropagación o Back Propagation (BP) emplea un ciclo de

propagación – adaptación de dos fases. Una vez que se ha aplicado un patrón a la entrada de la
red como estímulo, éste se propaga desde la primera capa a través de las capas superiores de la
red, hasta generar una salida. La señal de salida se compara con la salida deseada y se calcula una
señal de error para cada una de las salidas.
Las salidas de error se propagan hacia atrás, partiendo de la capa de salida, hacia todas las
neuronas de la capa oculta que contribuyen directamente a la salida. Sin embargo, las neuronas
de la capa oculta solo reciben una fracción de la señal total del error, basándose aproximadamente
en la contribución relativa que haya aportado cada neurona a la salida original. Este proceso se
repite, capa por capa, hasta que todas las neuronas de la red hayan recibido una señal de error que
describa su contribución relativa al error total. Basándose en la señal de error percibida, se
actualizan los pesos de conexión de cada neurona, para hacer que la red converja hacia un estado
que permita clasificar correctamente todos los patrones de entrenamiento.
La importancia de este proceso consiste en que, a medida que se entrena la red, las neuronas de
las capas intermedias se organizan a sí mismas de tal modo que las distintas neuronas aprenden a
reconocer distintas características del espacio total de entrada. Después del entrenamiento,
cuando se les presente un patrón arbitrario de entrada que contenga ruido o que esté incompleto,
las neuronas de la capa oculta de la red responderán con una salida activa si la nueva entrada
contiene un patrón que se asemeje a aquella característica que las neuronas individuales hayan
aprendido a reconocer durante su entrenamiento. Y a la inversa, las unidades de las capas ocultas
27
tienen una tendencia a inhibir su salida si el patrón de entrada no contiene la característica para
reconocer, para la cual han sido entrenadas.
El algoritmo BP se puede resumir en los siguientes pasos:
1. Inicialice los pesos de la red con valores pequeños aleatorios.

2. Presentar un patrón de entrada y especificar la salida deseada.
3. Calcule los valores de ajuste de las unidades de salida en base al error observado.
Empezando por el nivel de salida, repita lo siguiente por cada nivel de la red, hasta llegar al
primero de los niveles ocultos:
4. Propague los valores de ajuste de regreso al nivel anterior.

5. Actualice los pesos que hay entre los dos niveles.
El proceso se repite hasta que el error resulta aceptablemente pequeño (Ej. 0.1) para cada uno de
los patrones aprendidos, en cada iteración de este algoritmo la matriz de pesos y el vector de
umbrales se actualizan mediante la Ec. (1.5) y (1.6)
m
W
(
k)
1Wm
(
k
) m
s(
a
m1
)T
 (1.5)
m
b(
k)
1 m
b(k
)
sm
(1.6)
Donde W es el valor actual de la matriz de pesos sinápticos y b es el vector de umbrales, s es el

valor obtenido del cálculo de las sensibilidades, α es la razón de aprendizaje, a es el valor
resultante de la capa de neuronas en cuestión y el valor s se obtiene a partir de las Ec. (1.7) y (1.8)
M
s 
2M
F(nM
t
)(a) (1.7)
 
m
s
mm m
F(n)(
W 1T m
)S 1
para m = M -1,…,2,1 (1.8)
Donde F es la función de trasferencia de las neuronas de la capa en cuestión, t es el valor objetivo

en cuestión.
28
2.4.5 TIPOS DE DIAGNOSTICO EN EPIDEMIOLOGIA
 Diagnóstico diferencial: Implica justamente diferenciar un trastorno de otros que

cuentan con características de presentación similares. Es justamente el diagnóstico
diferencial lo que más define el trabajo del clínico.
 Diagnóstico provisional: Como su nombre lo indica, se aplica en situaciones de duda,

cuando se presume que la persona presenta los síntomas para una determinada
enfermedad pero no se cuenta con la suficiente información como para afirmarse en un
determinado diagnóstico.
Para el presente proyecto se considera el tipo de diagnóstico provisional.
2.4.6 TIPOS DE ENFERMEDADES A CONSIDERAR
A continuación se presenta una descripción de las enfermedades que se consideraron para realizar
el diagnóstico provisional de Influenza con la información y orientación del Medico
Epidemiólogo.
2.4.6.1 ENFERMEDAD TIPO INFLUENZA (ETI):

Persona de cualquier edad que presente o refiera haber tenido:
1. Fiebre mayor o igual a 38°C

2. Tos
3. Cefalea, acompañados de uno o más de los siguientes signos o síntomas:
a. Rinorrea.- Es el término usado para designar la inflamación de la mucosa nasal.

La nariz está tapizada por una mucosa que contiene vasos sanguíneos, receptores
olfativos y células productoras de moco.
b. Coriza.- Es una inflamación de la mucosa de la nariz, de características similares a
la rinitis alérgica, que se acompaña de irritación local y de emisión de secreciones
mucosas o mucopurulentas. Puede ser aguda o ir asociada a la gripe o influenza.
c. Artralgias.- Dolor articular, rigidez de una articulación, dolor de las
articulaciones.
d. Mialgias.- Consisten en dolores musculares que pueden afectar a uno o varios
músculos del cuerpo y pueden estar producidos por causas muy diversas. Estos
dolores musculares pueden acompañarse en ocasiones de debilidad o pérdida de la
29
fuerza y dolor a la palpación. También se asocia en ocasiones con calambres y

contracturas de los músculos afectados.
e. Postración.- Afección por la que una persona está tan cansada o débil que es
incapaz de hacer algo.
f. Odinofagia.- Es el término médico para describir el síntoma consistente en un
dolor de garganta producido al tragar líquidos, frecuentemente como consecuencia
de una inflamación de la mucosa esofágica o de los músculos esofágicos.
g. Dolor torácico.- Es una molestia o dolor que se siente en algún punto a lo largo
de la parte frontal del cuerpo entre el cuello y el abdomen superior.
h. Dolor abdominal.- Es el dolor que se siente en el área entre el pecho y la ingle, a
menudo denominada región estomacal o vientre.
i. Congestión nasal.- Se refiere a una nariz tapada.
j. Diarrea.- Es la presencia de heces acuosas, sueltas y frecuentes. La diarrea se
considera crónica (prolongada) cuando se ha presentado este tipo de heces sueltas
o frecuentes durante más de 4 semanas.
* En menores de cinco años de edad, se considera como un signo cardinal la irritabilidad,

en sustitución de la cefalea.
* En mayores de 65 años, no se requerirá la fiebre como síntoma cardinal.
2.4.6.2 INFECCION RESPIRATORIA AGUDA GRAVE (IRAG):

Persona de cualquier edad que presente:
1. Dificultad al respirar (Disnea), acompañada de fiebre mayor o igual a 38°C y tos, con
uno o más de los siguientes síntomas:
a. Ataque al estado general.- Presencia de debilidad y cansancio.

b. Dolor torácico.- Es una molestia o dolor que se siente en algún punto a lo largo
de la parte frontal del cuerpo entre el cuello y el abdomen superior.
c. Polipnea.- respiración muy frecuente y superficial.
d. Síndrome de Insuficiencia Respiratoria Aguda (SIRA): dificultad respiratoria
de inicio agudo.
30
3 ANALISIS DEL
SISTEMA
31
3.1 PLANTEAMIENTO DEL PROBLEMA
La obtención de un diagnostico rápido de la enfermedad de la influenza en clínicas de salud

y hospitales es indispensable ya que cuando ocurre una alerta de una posible pandemia las
personas acuden a estas unidades con pánico al saberse contagiadas por presentar uno o más de
los síntomas característicos de la influenza.
Provocando con esto que las unidades de salud se saturen y la atención a las personas con
mayor riesgo de presentar la enfermedad sea más lento, ocasionando que la enfermedad en estas
personas avance al no administrarle los medicamentos antivirales necesarios o seguir el plan de
contingencia de la unidad de salud.
3.2 PROPUESTA DE SOLUCION
Se pretende desarrollar una aplicación en entorno Web que brinde la oportunidad de realizar un
diagnostico previo de la enfermedad de la influenza mediante un test que funcionara bajo
redes neuronales artificiales de tipo Backpropagation, y así poder obtener el resultado de
manera rápida y determinar el estado de salud de la persona, con el resultado de esta prueba se
podrá recomendar a las personas acudir a las unidades de salud correspondientes de acuerdo a la
gravedad de la enfermedad, esto sin haberse tomado una prueba de laboratorio; aunque no se
descarta esta prueba.
Para el desarrollo de las páginas web que integrarán el sistema, se contempla el uso de la
tecnología ASP.Net, con el lenguaje de programación C#, el cual es un lenguaje orientado a
objetos en Sistemas Operativos Windows.
Para complementar y dar una mejor presentación a las páginas web, se empleará la tecnología
CSS (Cascading Style Sheet), ya que esta permite mejorar el aspecto visual del contenido
mostrado en cada página web.
En la tabla 1 podemos encontrar las diferencias de las tecnologías de desarrollo principales para el
desarrollo de aplicaciones Web.
32
Tabla 1. Comparación de Tecnologías de Desarrollo.
Característica PHP J2EE ASP.NET 3.5
Velocidad Interpretado(Zend and Compilado Compilado

PHP accelerator)
Lenguajes PHP, Python y Java Para Java C++, C#, Visual Basic, J# y
PHP muchos más compatibles
con la plataforma .NET
Paradigma Estructurado Y OO Orientado a Objetos Orientado a Objetos

Utilizado
Herramientas Cake PHP(gratuita) NetBeans, Eclipse, etc. Visual Studio Professional
de Desarrollo (gratuitas) 2008 (entre $5612 y $8000
M.N). Con alianza MSDN
IPN (Gratuito).
Plataforma Independiente de la Independiente de la Forma parte de la

plataforma. plataforma. plataforma .NET, lo cual la
hace mas optimo y veloz.
3.3 ALCANCES
 Mejorar el tiempo de respuesta en la obtención de un diagnóstico.
 El test para el pre-diagnóstico estará disponible vía Web.
 Brindar recomendaciones de cuidado y prevención.
3.4 ANÁLISIS DE REQUERIMIENTOS
Dentro del análisis de requerimientos es importante mencionar que la obtención de datos de la

enfermedad de la influenza será obtenida de manera bibliográfica, y con la ayuda de especialistas
en epidemiologia del Instituto de Seguridad y Servicios Sociales de Trabajadores del Estado
(ISSSTE) específicamente el Hospital Regional 1° de Octubre ubicado en Av. Instituto
Politécnico Nacional No. 1669, Col. Magdalena de las Salinas; con estas dos fuentes de
recopilación, podremos obtener una base de datos de síntomas y padecimientos, que serán
nuestra base primaria de la aplicación Web de pre-diagnóstico. En cuanto al análisis y diseño del
33
sistema se utilizará un enfoque orientado a objetos, por lo que se implementara el Lenguaje

Unificado de Modelado (UML), para la realización de los diagramas.
También es importante considerar que durante la captura de datos del paciente puede existir un
rango de incertidumbre, sobretodo en la sintomatología que el paciente exprese, ya que si los
comparamos con los de la base de conocimiento no siempre serán exactos, debido a que pueden
tender a exagerar o puede variar la gravedad de los casos, tomando en cuenta que cada ser
humano reacciona de manera diferente. Por lo que es necesario implementar un análisis a este
aspecto.
Considerando que se diseñó una aplicación que servira como herramienta para diversos hospitales
y clínicas, el análisis de requerimientos se obtuvo por medio de entrevistas y encuestas aplicadas a
especialistas en epidemiologia que trabajan en el Hospital Regional 1 º Octubre del ISSSTE; para
dicho propósito, se aplico una encuesta al siguiente médico cuyos datos se citan a continuación.
• Nombre: Dr. Álvaro S. Ibarra Pacheco.
• Titulo: Médico Epidemiólogo.
• Puesto: Coordinador de Epidemiologia y Medicina Preventiva.
• Lugar de Trabajo: Hospital Regional 1 º Octubre ISSSTE.
• Teléfono: 51-40-96-17 ext. 16633.
Para el modelado de análisis y diseño del sistema, se emplearan herramientas de modelado

orientado a objetos tales como Lenguaje Unificado de Modelado (UML) ya que ofrecen un
modelado riguroso y sencillo de comprender, para ello se realizarán los siguientes diagramas:
1. Diagrama de caso de uso.

2. Diagrama de clases.
3. Diagrama de secuencia.
3.4.1 REQUERIMIENTOS DE LA APLICACIÓN
Ya que la aplicación para el Pre-diagnóstico de la Influenza además de generar un pre-diagnóstico

por medio de técnicas de inteligencia artificial, será implantado en plataforma Web, haciendo
más fácil el acceso a los usuarios, se han planteado los siguientes requerimientos, obtenidos en
base a las necesidades primarias del Hospital Regional 1º de Octubre del ISSSTE.
Hemos detectado los siguientes requerimientos:
34
1) Mostrar un listado de signos y síntomas comunes de la enfermedad.
2) El paciente (usuario) elige síntomas y signos.
3) La aplicación genera un pre-diagnóstico de influenza por medio de los síntomas y

proporcionando algunas medidas de prevención y cuidado.
3.4.2 REQUERIMIENTOS FUNCIONALES
Tabla 2. Requerimientos Funcionales.
ID Requerimiento Descripción Origen
R1 Mostrar un listado de Este requerimiento permite mostrar Módulo de Pre-

signos y síntomas. un listado de signos y síntomas, los diagnostico de
cuales pueden ser seleccionados. influenza.
R2 Paciente elige síntomas y Este requerimiento permite elegir un Módulo de Pre-

signos listado de signos y síntomas. diagnóstico de
influenza.
R3 Generar un pre- Este requerimiento permite Generar Módulo de Pre-

diagnóstico de influenza un diagnóstico de influenza a partir diagnóstico de
por medio de los síntomas de los síntomas y proporciona influenza.
y proporcionar medidas recomendaciones.
de prevención y cuidado.
3.4.3 REQUERIMIENTOS NO FUNCIONALES
 R1. La aplicación realizará la evaluación del vector de entrada compuesto por los
síntomas de las personas que seleccionen del formulario web en un tiempo
mínimo.
 R2. La aplicación será implantada de forma local en un PC servidor dentro del

hospital Regional 1° de Octubre, cumpliendo la arquitectura Cliente-Servidor.
 R3. La aplicación debe visualizarse con cualquier navegador Web.
 R4. La aplicación debe cumplir con los lineamientos y disposiciones de las

instituciones de salud nacionales e internacionales.
35
3.5 HERRAMIENTAS PARA EL DESARROLLO DE LA

APLICACIÓN
3.5.1.1 Formularios web en ASP.NET 3.5
Las páginas de ASP.NET, conocidas oficialmente como "web forms" (formularios web), son el
principal medio de construcción para el desarrollo de aplicaciones web. Los formularios web están
contenidos en archivos con una extensión ASPX, estos archivos típicamente contienen etiquetas
HTML ó XHTML estático, etiquetas definiendo Controles Web que se procesan del lado del
servidor y Controles de Usuario donde los desarrolladores colocan todo el código estático y
dinámico requerido por la página web. Adicionalmente, el código dinámico que se ejecuta en el
servidor puede ser colocado en una página dentro de un bloque <% -- código dinámico -- %> que
es muy similar a otras tecnologías de desarrollo como PHP y JSP, pero esta práctica es
generalmente desaconsejada excepto para propósitos de enlace de datos pues requiere más
llamadas cuando se genera la página.
3.5.1.2 HTML y XHTML
Como se mencionó, estaremos trabajando con el archivo ASPX, en el cual como sabemos se
trabaja con los lenguajes de marcado HTML y XHTML para el desarrollo de nuestras interfaces,
por lo que antes debemos de tener una idea de que es cado de estos lenguajes.
¿Qué es HTML?
HTML es un lenguaje utilizado para describir páginas web, y tenemos que tener claro lo siguiente:
• HTML viene de Hyper Text Markup Language (en español Lenguaje de Marcado de
Hipertexto).
• HTML no es un lenguaje de programación, es un lenguaje de marcado.
• Un lenguaje de marcado es un conjunto de etiquetas de marcado.
• HTML utiliza etiquetas de marcado para describir páginas web.
Etiquetas HTML
Las etiquetas de marcado HTML son normalmente llamadas etiquetas HTML.

• Las etiquetas HTML son palabras clave encerradas en entre los signos mayor y menor
que y tienen la siguiente forma: <html>
• Las etiquetas HTML normalmente se presentan por pares como por ejemplo: <b> y </b>
• La primera etiqueta del par es conocida como etiqueta de apertura y la segunda como
etiqueta de cierre.
Los documentos HTML son sinónimo de páginas web.

• Los documentos HTML describen páginas web.
• Los documentos HTML contienen etiquetas HTML y texto plano.
36
• Los documentos HTML también son comúnmente llamados páginas web.
El propósito de un navegador web (como Internet Explorer o Firefox) es leer documentos HTML y
mostrarlos como páginas web. El navegador no despliega las etiquetas HTML sino las utiliza para
interpretar el contenido de una página web.
¿Qué es XHTML?
XHTML (Lenguaje de Marcado de Hipertexto Extensible) es una versión más estricta y limpia de
HTML, que nace precisamente con el objetivo de remplazar a HTML ante su limitación de uso
con las cada vez más abundantes herramientas basadas en XML. XHTML extiende HTML 4.0
combinando la sintaxis de HTML, diseñado para mostrar datos, con la de XML, diseñado para
describir los datos.
¿Para qué sirve?

Ante la llegada al mercado de un gran número de dispositivos, XHTML surge como el lenguaje
cuyo etiquetado, más estricto que HTML, va a permitir una correcta interpretación de la
información independientemente del dispositivo desde el que se accede a ella. XHTML puede
incluir otros lenguajes como MathML, SMIL o SVG, al contrario que HTML.
¿Cómo funciona?
XHTML, al estar orientado al uso de un etiquetado correcto, exige una serie de requisitos básicos
a cumplir en lo que a código se refiere. Entre estos requisitos básicos se puede mencionar una
estructuración coherente dentro del documento donde se incluirían elementos correctamente
anidados, etiquetas en minúsculas, elementos cerrados correctamente, atributos de valores
entrecomillados, etc.
3.5.1.3 MATLAB versión 6.5
MATLAB es un software matemático que ofrece un IDE con un lenguaje de programación propio
(lenguaje M). Está disponible para las plataformas Unix, Windows y Apple Mac OS X.
Entre sus usos básicos se hallan: la manipulación de matrices, la representación de datos y

funciones, la implementación de algoritmos, la creación de interfaces de usuario (GUI) y la
comunicación con programas en otros lenguajes y con otros dispositivos hardware.
Además, se pueden ampliar las capacidades de MATLAB con las cajas de herramientas
(toolboxes). Para el caso particular de este proyecto se utilizó el Neural Network Toolbox para
diseñar y entrenar redes neuronales artificiales.
37
3.6 ARQUITECTURA DE LA APLICACIÓN
La aplicación de desarrollara en plataforma Web para que esté disponible a todas las personas con
acceso a internet, como primera fase de la aplicación se implantara en forma local como
herramienta piloto, debido a las restricciones de la Organización Mundial de la Salud así como los
organismos de Salud del país, por el tipo de información.
3.6.1 USO DE LA ARQUITECTURA DE TRES CAPAS.
La arquitectura generalmente se refiere a dividir cada parte de la funcionalidad de una aplicación

en componentes separados basándose en lo que hacen y agrupando cada tipo de componente en
una capa lógica.
La arquitectura de tres capas se ha vuelto muy popular debido a la respuesta que ofrece a la
mayoría de los problemas actuales al separar la funcionalidad de una aplicación en tres capas
lógicas:
Fig. 11. Representación de una arquitectura de tres capas
La capa de presentación contiene los elementos de la interfaz d usuario del sitio, e incluye toda la
lógica que maneja la interacción entre el visitante y la parte de negocios del cliente. Esta capa es la
encargada de darle vida al sitio, y la forma en que la diseñemos es crucialmente importante para
el éxito de la aplicación. Ya que en nuestro caso se trata de un sitio Web, su capa de presentación
estará compuesta de páginas Web dinámicas.
La capa de negocios (algunas veces llamada middle tier) recibe las solicitudes de la capa de
presentación y le regresa un resultado dependiendo del la lógica de negocios que contenga. Casi
cualquier evento que sucede en la capa de presentación resulta en una llamada a la capa de
negocios (excepto eventos que pueden ser manejados localmente por la capa de presentación,
como una simple validación de datos).
38
3.6.2 ARQUITECTURA GENERAL DEL SISTEMA
Fig. 12. Arquitectura General de la Aplicación.
3.6.3 DIAGRAMA A BLOQUES DE LA APLICACION
Fig. 13. Diagrama a Bloques de la Aplicación.
USUARIO.- Es cualquier persona que tenga acceso a una computadora conectada a la red del
hospital o clínica donde se haya implantado el sistema.
SITIO WEB.- Es la interfaz Principal de la aplicación donde se podrán encontrar diferentes

opciones y enlaces a sitios de interés, información de la Influenza y el acceso al modulo de Pre-
diagnostico de Influenza.
ENTRENAR RED NEURONAL ARTIFICIAL.- Este modulo fue programado con la herramienta
MATLAB y tomando como base de información los datos de los casos de pacientes atendidos en el
Hospital Regional 1° de Octubre.
MODULO DE PRE-DIAGNOSTICO DE INFLUENZA.- Aquí es donde se procesaran los datos de

los síntomas y signos que responda el paciente al test aplicado. Dara como resultado el
diagnostico previo y recomendaciones de cuidado y prevención.
39
3.7 MODELADO DE LA APLICACIÓN
3.7.1 DIAGRAMA DE CASOS DE USO
Un caso de uso es una técnica para la captura de requisitos potenciales de un nuevo sistema o una
actualización de software. Cada caso de uso proporciona uno o más escenarios que indican cómo
debería interactuar el sistema con el usuario o con otro sistema para conseguir un objetivo
específico; a continuación se muestran los casos de uso básicos del sistema.
3.7.1.1 Casos de Uso General de la Aplicación Web.

En la Fig. 14 se muestran los casos de uso de la aplicación Web, específicamente, del Hospital
Regional 1º de Octubre del ISSSTE donde se implemento para realizar las pruebas de la aplicación,
aquí se muestran las personas que interactúan en el sistema y sus escenarios, es decir las partes
funcionales del sistema que dicho actor puede realizar.
Fig. 14. Casos de Uso del Sistema.
3.7.1.2 Caso de Uso: Pre-diagnóstico.
En el caso de uso “Pre-diagnóstico”, ver Fig. 15, el paciente contesta el Test de Pre-diagnostico y en
base a los síntomas que presenta obtiene un resultado y recomendaciones de cuidado y
prevención, este caso de uso se explica a detalle en la tabla 2.
<<include>>
Obtener Diagnostico Responde Test
Usuario
Fig. 15. Caso de Uso: Pre-diagnóstico.
40
Tabla 3. Caso de Uso: Pre-diagnóstico.
Caso de uso Pre-diagnóstico.
Actores Usuario
Tipo Inclusión
Propósito Obtener el resultado del Test y recomendaciones de cuidado y prevención.
Precondiciones Ninguna
Flujo Principal Se presenta al usuario una pantalla con los síntomas característicos de la
enfermedad en forma de Test, aquí puede seleccionar los síntomas que
presente y en base a ello se hará la evaluación para obtener un diagnostico
previo de si se ha adquirido o no la enfermedad, la aplicación procesa los
síntomas seleccionados mediante el algoritmo basado en redes neuronales
artificiales y arroja un resultado positivo o negativo y brinda
recomendaciones de cuidado y prevención.
3.7.2 DIAGRAMA DE CLASES
Para describir la estructura de la aplicación, en la Fig. 16 se muestra el diagrama de clases, y las

relaciones entre ellos; posteriormente se describirán los atributos y operaciones que realiza
algunas de las clases (ver Tabla 3). Los diagramas de clases son utilizados durante el proceso de
análisis y diseño de los sistemas, donde se crea el diseño conceptual de la información que se
manejará en el sistema, y los componentes que se encargaran del funcionamiento y la relación
entre uno y otro.
41
Fig. 16. Diagrama de Clases General de la Aplicación.
Tabla 4. Descripción de Clases.
Clase Descripción de las operaciones
seleccionarSintomas()
Este método consiste en que el

usuario selecciona los síntomas y
signos que presente en el momento
de contestar el test.
42
obtenerDiagnostico( )
Pre-Diagnóstico
Este método permite generar un
-resultado
-recomendaciones diagnóstico médico en base a la
+obtenerDiagnostico() aplicación y brindar algunas
recomendaciones de cuidado y
prevención.
3.7.3 DIAGRAMA DE SECUENCIA
Un diagrama de secuencia muestra las interacciones entre objetos ordenadas en secuencia

temporal. Muestra los objetos que se encuentran en el escenario y la secuencia de mensajes
intercambiados entre los objetos para llevar a cabo la funcionalidad descrita por el escenario.
3.7.3.1 Diagrama de Secuencia Pre-Diagnóstico.
En el diagrama de secuencia “Pre-diagnóstico”, ver Fig. 17, se muestran las interacciones entre
objetos ordenadas en secuencia temporal del caso de uso correspondiente.
Usuario Test Diagnostico
1 : SeleccionaSintomas()
2 : EvaluarSintomas()
3 : ArrojarResultado()
4 : DarRecomendaciones()
Fig. 17. Diagrama de Secuencia Pre-diagnostico
43
3.8 COSTOS FINANCIEROS

3.8.1 COSTOS DE MANO DE OBRA
Tabla 5 Cronograma de actividades.
Actividad AGO SEP OCT NOV DIC
Análisis y obtención de requerimientos

Diseño del Sistema
Generación del código del Sistema
Pruebas.
Generación del Manual de Usuario
Generación el Reporte Técnico.
Evaluación de TTR.
Para el desarrollo del TT realizamos la estimación de Costos basándonos en el cronograma de

actividades planteado en el protocolo, del cual podemos determinar los costos de la siguiente
manera:
Para la etapa de Análisis y obtención de requerimientos serian $12,000.00 MN mensuales

por el salario de 1 analista el cual se encargaría de realizar el análisis de la aplicación y el
levantamiento de requerimientos, de donde resultan $24,000.00 MN para el desarrollo de
esta etapa.
Para la etapa de diseño del sistema y generación del código se requeriría la contratación de
1 desarrollador con un salario de $15,000.00 MN mensuales, ya que será el encargado de
realizar el modelado de la aplicación así como también la parte de programación, por lo
que el total de esta etapa del proyecto seria de $60,000.00 MN.
Se requerirá la contratación de un tester el cual se encargara de realizar las pruebas y de ir

adecuando el manual de usuario y del manual técnico. El salario de esta persona seria de
$8,000.00 MN mensuales. Para esta parte del desarrollo el costo sería de $32,000.00 MN.
Tabla 6. Costo de Mano de Obra.
PERSONAL SALARIO TIEMPO/MESES TOTAL

1 Analista $12,000.00 MN 2 $24,000.00 MN
1 Desarrollador $15,000.00 MN 4 $60,000.00 MN
1 Tester $8,000.00 MN 4 $32,000.00 MN
COSTO TOTAL MANO $116,000.00 MN
DE OBRA
44
3.8.2 COSTO DE SOFTWARE Y HARDWARE UTILIZADOS PARA EL DESARROLLO

DEL PROYECTO.
Para el Presente Trabajo Terminal se presenta en la tabla 7 los costos totales de los gastos de
Producción entre el Software y en la tabla 7 podemos observar los costos de Hardware utilizado
para poder realizar el presente Trabajo Terminal, así como también los costos adicionales para el
desarrollo de la aplicación.
Tabla. 7. Análisis de costo del software utilizado.
SOFTWARE Producto Licencias Precio Precio

Unitario Total
Microsoft visual Studio 2008 1 $ 7,000 $ 7,000
(Licencia libre ESCOM)
Matlab 1 $ 60,000 $ 60,000
(Licencia libre ESCOM)
Precio Total $ 67,000
(Pesos MN)
HARDWARE PC escritorio 1 $ 6,500 $ 6,500
Laptop 1 $ 4,500 $ 4,500
Precio Total $ 11,000

(Pesos MN)
Costo Total De SOFTWARE Y HARDWARE $ 78,000.00 MN
3.8.3 COSTOS ADICIONALES
SERVICIO COSTO MESES TOTAL

Luz eléctrica $200.00 MN 6 $1,200.00 MN
Servicio de Internet $450.00 MN 6 $2,700.00 MN
TOTAL $3,900.00 MN
Integrando los costos totales tenemos un costo total de la aplicación de $ 197,900.00 MN
45
4 DISEÑO DEL
SISTEMA
46
4.1 APLICACIÓN PARA EL PRE-DIAGNÓSTICO DE

INFLUENZA.
A continuación se muestra la relación entre los síntomas y signos la enfermedad de Influenza que
se tomaron en cuenta de acuerdo a la frecuencia de aparición en los casos clínicos en el Hospital
Regional 1° de Octubre del ISSSTE:
SINTOMAS ETI (enfermedad IRAG (infección

tipo influenza) respiratoria aguda grave)
1 Temperatura X X
2 Tos X X
3 Cefalea X
4 Dificultad respiratoria X
(Disnea)
5 Ataque_estado_general X
6 SIRA (Sindrome X
Insuficiencia Respiratoria
Aguda)
7 Odinofagia X
8 Mialgias X
9 Artralgias X
10 Congestion_nasal X
11 Dolor_abdominal X
12 Diarrea X
13 Rinorrea X
14 Dolor_toracico X X
15 Postración X
16 Polipnea X
Tabla 8. Signos y Síntomas de la enfermedad de Influenza.
4.2 INFORMACION MUTUA

Este se basa en el concepto de probabilidad de relevancia de cada atributo, el cual es medido a
través de una prueba de permutación, y permite descartar variables irrelevantes así como ordenar
por importancia aquellas relevantes. La metodología propuesta es probada usando tres problemas
de clasificación bien conocidos. Igualmente, se realiza una investigación con miras a esclarecer su
robustez cuando las variables relevantes están contaminadas con ruido, o existen variables
aleatorias artificiales irrelevantes.
47
De acuerdo a los síntomas y aplicando el método de Informacion Mutua podemos descartar

algunos de los síntomas debido a que si se presentan en ambas enfermedades estos no nos sirven
para determinar el tipo de enfermedad al que pertenece ya que se consideran como información
redundante.
Para definir la IM, se hace necesario definir primero la entropía H(X):
Donde p(x) representa la función de densidad de probabilidad marginal de la variable aleatoria X

y el logaritmo puede ser en base 2, 10 ó logaritmo natural, produciendo correspondientemente
unidades de bits, Hartleys o nats.
La entropía H(X), puede entenderse como una medida de sorpresa o incertidumbre; mientras más
grande su valor, más incertidumbre se tiene acerca del valor que tomará en algún momento.
Análogamente, la entropía conjunta de dos variables X y Y, cuyas probabilidades están definidas
sobre el mismo espacio de probabilidad, se expresan como:
La entropía condicional representa la incertidumbre que se tiene sobre Y cuando se conoce el

valor de X:
Si se sabe que:
Entonces la IM es:
A partir de la definición para el caso discreto, es fácil entender que la definición de IM para el caso
continuo es:
La IM mide indirectamente la relación entre el conjunto de variables supuestamente explicativas

X y la variable de salida Y, a través de la medida de la distancia entre la distribución conjunta
actual de los datos p(xi,y) y la distribución que ellos tendrían si xi y y fueran independientes, esto
es p(xi,y) = p(xi)p(y) en el caso de independencia lineal. Dicha medida es conocida como la
distancia de Kullback-Leiber.
Aplicando este método obtenemos los siguientes síntomas:
48
SINTOMAS ETI (enfermedad IRAG (infección

tipo influenza) respiratoria aguda grave)
1 Temperatura X X
2 Tos X X
3 Cefalea X
4 Dificultad respiratoria X
(Disnea)
5 Ataque_estado_general X
6 SIRA (Sindrome X
Insuficiencia Respiratoria
Aguda)
7 Odinofagia X
8 Mialgias X
9 Artralgias X
10 Congestion_nasal X
11 Dolor_abdominal X
12 Diarrea X
13 Rinorrea X
14 Dolor_toracico X X
15 Postración X
16 Polipnea X
Los síntomas que están sombreados han quedado descartados para la fase de entrenamiento,
debido a que estos síntomas forman parte de las dos enfermedades lo que provocaría ruido en la
señal de entrada, por lo tanto estaremos considerando solo 13 entradas para el diseño de la RNA.
4.3 DISEÑO DE LA RNA

En la Fig. 18 se muestra como está diseñada la estructura de la RNA de tipo perceptrón multicapa
empleando el algoritmo de aprendizaje Back-Propagation, para el caso particular de la aplicación
para el Pre-diagnóstico Provisional de Influenza, se consideran las siguientes características:
El número de entradas son 13, que es el número total de signos y síntomas que se consideraron,
El número de neuronas en la capa oculta fue calculado mediante la regla de la pirámide
geométrica, para lo cual se utilizó la sig. Ecuación:
h  m*n
Donde:
m es el número de entradas,
n es el número de salidas y
h es el número de neuronas en la capa oculta.
49
El resultado que se obtuvo fue 6 Neuronas ocultas, en las neuronas de esta capa se utilizaron
funciones de trasferencia de tipo logaritmo sigmoidal, logsig(); y finalmente se consideraron 2
neuronas en la capa de salida, las cuales representan las 2 enfermedades propuestas, en las
neuronas de la capa de salida se emplearon funciones de trasferencia de tipo lineal, Purelin() .
Fig. 18. Arquitectura de la RNA para la aplicación para el Pre-diagnóstico de Influenza.
Para procesar un patrón de síntomas en la RNA, los valores de las entradas están representados
por un vector cuyos valores serían: 1 si se presenta el síntoma o 0 en caso contrario. La salida se
interpreta mediante un vector de tamaño 2 cuyo cada elemento representa una enfermedad, el
valor meta considerado para las neuronas de salida es de 0.8 que representa un valor de 1 o 0.2
que representaría un 0, con un margen de tolerancia o error de 0.2, por lo tanto un valor
entregado entre 0.6 y 1.0 en las neuronas de la capa de salida indicaría un 1 lo que indicaría un
pre-diagnóstico de la enfermedad.
50
4.4 ENTRENAMIENTO DE LA RNA.
Para el entrenamiento de la RNA se programo el archivo influ.m mediante el programa MatLab

(Ver Fig. 19), el cual se utilizó para obtener los valores correspondientes a las matrices de pesos y
umbrales W1, b1, W2, b2; dicho entrenamiento se realizó con 45 patrones de entrada y salida,
considerando 28 patrones para la enfermedad ETI y 17 patrones de enfermedad IRAG.
[w1,b1,w2,b2]=initff(P,13,'logsig',T,'purelin')
disp_freq= 50;
max_epoch= 5000;
err_goal= 0.2;
lr= 0.2;
tp= [disp_freq max_epoch err_goal lr];
[w1,b1,w2,b2,epochs]= trainbpx(w1,b1,'logsig',w2,b2,'purelin',P,T,tp)
[a1,a2]=simuff(P,w1,b1,'logsig',w2,b2,'purelin')
echo off
Fig. 19 Código en Matlab Utilizado en el Entrenamiento de la RNA.
Fig. 20. Matrices W1, W2, b1, b2; obtenidas en el entrenamiento.
51
Fig. 21. Valores de Matriz W1.
Obteniendo de aquí los valores de las matrices que incluimos en el código de nuestra clase
principal Cuestionario.aspx.cs.
Fig. 22. Valores de Matrices W1, W2, b1, b2.
52
5 DISEÑO DE
INTERFAZ
53
5.1 PAGINA PRINCIPAL
Fig. 22. Página Principal.
Esta es la pagina inicial de la Aplicación en donde podemos observar un menú de opciones del
lado izquierdo con el cual nos podremos desplazar dentro del sitio.
El modulo más importante es el de Pre-Diagnostico de Influenza ya que aquí es donde el

usuario podrá ingresar los síntomas que presenta y así obtener un resultado y algunas
recomendaciones respecto a la enfermedad de influenza.
54
5.2 PAGINA DE PRE-DIAGNOSTICO
Fig. 23. Modulo de Pre-diagnostico de Influenza.
Esta es la página donde el usuario registrara los síntomas y signos que presenta para que mediante
el algoritmo desarrollado a base de redes neuronales artificiales le dé una respuesta rápida
positiva o negativa de si es un caso probable de influenza.
Se podrá registrar el nombre de los usuarios y los síntomas se podrán almacenar en una BD nueva
para la creación y posterior fase de reentrenamiento de la red adjuntando los nuevos casos
diagnosticados.
55
5.3 PAGINA DE RESULTADO DE ETI
Fig. 24. Pagina de resultado de enfermedad tipo ETI.
En esta página podemos observar cuando de una enfermedad tipo ETI resulta de la evaluación de
los síntomas y signos del usuario también podemos ver las recomendaciones que se le hacen.
5.4 PAGINA DE RESULTADO IRAG
Fig. 25. Pagina de resultado de enfermedad tipo IRAG
En esta página podemos observar cuando de una enfermedad tipo IRAG resulta de la evaluación
de los síntomas y signos del usuario también podemos ver las recomendaciones que se le hacen.
56
GLOSARIO
Artralgias: significa literalmente dolor de articulaciones; es un síntoma de lesión, infección,
enfermedades (particularmente artritis) o reacción alérgica a medicamentos.
Ataque al estado general. - se presenta cansancio y debilidad principalmente.
Cefalea: dolor de cabeza
Congestión nasal. - Se refiere a una nariz tapada.
Coriza.- Es una inflamación de la mucosa de la nariz, de características similares a la rinitis

alérgica, que se acompaña de irritación local y de emisión de secreciones mucosas o
mucopurulentas. Puede ser aguda o ir asociada a la gripe o influenza.
Disnea: la disnea es una experiencia subjetiva de malestar ocasionado por la respiración que
engloba sensaciones cualitativas distintas que varían en intensidad.
Dolor torácico: sensación anómala presente en la región del tórax situada por encima del
diafragma. El dolor torácico puede tener su origen en los diversos tejidos de la pared torácica y en
las estructuras intratorácicas y constituye aproximadamente el 5% de las urgencias hospitalarias.
Dolor abdominal.- Es el dolor que se siente en el área entre el pecho y la ingle, a menudo
denominada región estomacal o vientre.
Diarrea.- Es la presencia de heces acuosas, sueltas y frecuentes. La diarrea se considera crónica

(prolongada) cuando se ha presentado este tipo de heces sueltas o frecuentes durante más de 4
semanas.
Fiebre: conocida a veces como temperatura, febrícula o calentura, es un aumento en la

temperatura corporal por encima de lo que se considera normal.
Mialgias.- Consisten en dolores musculares que pueden afectar a uno o varios músculos del
cuerpo y pueden estar producidos por causas muy diversas. Estos dolores musculares pueden
acompañarse en ocasiones de debilidad o pérdida de la fuerza y dolor a la palpación. También se
asocia en ocasiones con calambres y contracturas de los músculos afectados.
Nauseas: sensación de tener la urgencia de vomitar.
Obstrucción nasal: obstrucción de las vías respiratorias.
57
Odinofagia.- Es el término médico para describir el síntoma consistente en un dolor de garganta

producido al tragar líquidos, frecuentemente como consecuencia de una inflamación de la
mucosa esofágica o de los músculos esofágicos.
Polipnea.- respiración muy frecuente y superficial.
Postración.- Afección por la que una persona está tan cansada o débil que es incapaz de hacer
algo.
Rinorrea.- Es el término usado para designar la inflamación de la mucosa nasal. La nariz está
tapizada por una mucosa que contiene vasos sanguíneos, receptores olfativos y células
productoras de moco.
Sinusitis: inflamación de la mucosa de los senos paranasales.
Síndrome de Insuficiencia Respiratoria Aguda (SIRA): dificultad respiratoria de inicio agudo.
Tos: La tos se produce por contracción espasmódica repentina y a veces repetitiva de la cavidad
torácica que resulta en una liberación violenta del aire de los pulmones produciendo un sonido
característico.
58
BIBLIOGRAFÍA.
[ 1 ].- (Guide to Health Informatics. Enrico Coiera. 2th Edition).
[ 2 ].- http://es.wikipedia.org
[ 3 ].- Martín T. Hagan, Howard B. Demuth, Mark Beale. (1995). Neural Network
Design. EU: PWS Publishing Company. An International Thomson Publishing Company.
[ 4 ].- Rosenblatt, F. The perceptron: A probabilistic model for information storage and
organization in the brain. Psychol. Rev. 65(3):386-408.
[ 5 ].- Minsky, M.; Papert, S. Perceptrons. Massachusetts: Cambridge University; 1969;
226 p.
[ 6 ].- Martín T. Hagan, Howard B. Demuth, Mark Beale. (1995). Neural Network Design.
EU: PWS Publishing Company. An International Thomson Publishing Company.
[ 7 ].- R. Hilera, J., J. Martínez, V. (1995). Redes neuronales artificiales:
fundamentos, modelos y aplicaciones. EU: Addison-Wesley.
[ 8 ].- Kimmuel, P. (2007) MANUAL DE UML Guía de aprendizaje. México:
McGraw-Hill.
[ 9 ].- Intelligents Paradigms for Assistive and Preventive Healthcare by Nikhil
Ichalkaranje, Ajita Ichalkaranje. Springer.
[ 10 ].- Brotes de gripe en México y en los Estados Unidos». OMS/WHO (abril de
2009).
[ 11 ].- Organización Mundial de la Salud. Alerta y Respuesta ante Epidemias y
Pandemias. Gripe por A (H1N1).
[ 12 ].- Brotes de gripe en México y en los Estados Unidos OMS/OPS
[ 13 ].- http://es.wikipedia.org/wiki/Influenzavirus_B
[ 14 ].- Roger. S. Pressman. “Ingeniería de Software, Un Enfoque Práctico,” Quinta
Edición, Editorial McGraw-Hill, 2002.
[ 15 ].- Ingeniería del Software Ian Sommerville 7 ma. Edición
[ 16 ].- http://www.lci.ulsa.mx/Material/pdf/Reconocimiento%20de%20Patrones.pdf
59

TT 11-1-0026 Influenza

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

TT 11-1-0026 Influenza

Hochgeladen von

Copyright:

Verfügbare Formate

Instituto Politécnico Nacional

Escuela Superior de Cómputo

“Aplicación Web para el Pre-diagnóstico de Influenza”

Que para obtener el título de:

“Ingeniero en Sistemas Computacionales con Especialidad en

José Valentín Padilla López

M. en C. Ariel López Rojas

Instituto Politécnico Nacional

Escuela Superior de Cómputo

No. de serie TT-11-01-0026 Serie: Amarilla Fecha: Diciembre de 2010

“Aplicación Web para el Pre-diagnóstico de Influenza”

José Valentín Padilla López1

La presente aplicación, pretende implementar un test de pre-diagnóstico de influenza, basado en

Palabras clave: Base de Datos, Redes Neuronales, Web, Influenza.

La aplicación no convenida exime a la escuela de su responsabilidad técnica y da lugar a las

Información adicional sobre este reporte técnico podrá obtenerse en:

El Departamento de Diseño Curricular de la Escuela Superior de Cómputo del Instituto

1.2 OBJETIVO GENERAL.................................................................................................................. 9

1.2.1 Objetivos Particulares: ....................................................................................................... 9

1.3 JUSTIFICACIÓN .......................................................................................................................... 9

2 MARCO TEÓRICO ........................................................................................................... 10

2.2 INTELIGENCIA ARTIFICIAL ................................................................................................ 11

2.3 RECONOCIMIENTO DE PATRONES .................................................................................. 12

2.3.1 Ciclo de Diseño de un Sistema de Reconocimiento de Patrones ................................... 13

2.3.2 Tipos de problemas del Reconocimiento de Patrones. ................................................... 13

2.3.3 Enfoques dentro del reconocimiento de patrones. ......................................................... 13

2.4 REDES NEURONALES ARTIFICIALES (RNA). ....................................................................14

2.4.1 Clasificación de las RNA .................................................................................................... 15

2.4.2 Tipos de RNA .....................................................................................................................18

2.4.3 Perceptrón Multicapa ....................................................................................................... 26

2.4.4 ALGORITMO DE APRENDIZAJE (RETROPROPAGACIÓN). ...................................... 27

2.4.5 TIPOS DE DIAGNOSTICO EN EPIDEMIOLOGIA ........................................................ 29

2.4.6 TIPOS DE ENFERMEDADES A CONSIDERAR .............................................................. 29

3 ANALISIS DEL SISTEMA ...................................................................................................31

3.2 PROPUESTA DE SOLUCION ............................................................................................... 32

3.4 ANÁLISIS DE REQUERIMIENTOS ...................................................................................... 33

3.4.1 REQUERIMIENTOS DE LA APLICACIÓN ..................................................................... 34

3.4.2 REQUERIMIENTOS FUNCIONALES ............................................................................. 35

3.4.3 REQUERIMIENTOS NO FUNCIONALES ...................................................................... 35

3.5 HERRAMIENTAS PARA EL DESARROLLO DE LA APLICACIÓN .................................... 36

3.6 ARQUITECTURA DE LA APLICACIÓN .............................................................................. 38

3.6.1 USO DE LA ARQUITECTURA DE TRES CAPAS. .......................................................... 38

3.6.2 ARQUITECTURA GENERAL DEL SISTEMA .................................................................. 39

3.6.3 DIAGRAMA A BLOQUES DE LA APLICACION ............................................................ 39

3.7 MODELADO DE LA APLICACIÓN ..................................................................................... 40

3.7.1 DIAGRAMA DE CASOS DE USO .................................................................................... 40

3.7.2 DIAGRAMA DE CLASES ...................................................................................................41

3.7.3 DIAGRAMA DE SECUENCIA .......................................................................................... 43

3.8 COSTOS FINANCIEROS ...................................................................................................... 44

3.8.1 COSTOS DE MANO DE OBRA ....................................................................................... 44

3.8.2 COSTO DE SOFTWARE Y HARDWARE UTILIZADOS PARA EL DESARROLLO DEL

3.8.3 COSTOS ADICIONALES .................................................................................................. 45

4 DISEÑO DEL SISTEMA .................................................................................................... 46

4.2 INFORMACION MUTUA ..................................................................................................... 47

4.3 DISEÑO DE LA RNA ............................................................................................................. 49

4.4 ENTRENAMIENTO DE LA RNA. .......................................................................................... 51

5 DISEÑO DE INTERFAZ .................................................................................................... 53

5.2 PAGINA DE PRE-DIAGNOSTICO ....................................................................................... 55

5.3 PAGINA DE RESULTADO DE ETI ....................................................................................... 56

5.4 PAGINA DE RESULTADO IRAG .......................................................................................... 56

1. La activación de una red de notificación negativa con participación de todos los

El 12 de junio de 2009, la OMS emitió una actualización de la Orientación Provisional para la

1.2 OBJETIVO GENERAL.