Análisis de una plataforma para apoyar en el diagnóstico del síndrome de ovario poliquístico

Analysis of a platform to support the diagnosis of polycystic ovary syndrome

Karen Bozziere Solís
Tecnológico Nacional de México / I.T.Orizaba, México
Beatriz Alejandra Olivares Zepahua
Tecnológico Nacional de México / I.T.Orizaba, México
Laura Nely Sánchez Morales
CONACYT-Tecnológico Nacional de México / I.T.Orizaba, México
Mónica Ruiz Martínez
Tecnológico Nacional de México / I.T.Orizaba, México
José Luis Sánchez Cervantes
Tecnológico Nacional de México / I.T.Orizaba, México

Revista de Investigación en Tecnologías de la Información

Universitat Politècnica de Catalunya, España

ISSN-e: 2387-0893

Periodicidad: Bianual

vol. 12, núm. 27, Esp., 2024

editorial@riti.es

Recepción: junio 22, 2024

Aprobación: agosto 17, 2024



DOI: https://doi.org/10.36825/RITI.12.27.008

Esta obra está bajo una Licencia Creative Commons Atribución-NoComercial 4.0 Internacional.

Resumen: El Síndrome de Ovario Poliquístico (SOP) es una condición endócrina frecuente entre mujeres en edad reproductiva y su diagnóstico temprano previene complicaciones a largo plazo; sin embargo, este diagnóstico presenta dificultades debido a la variabilidad de los síntomas, a los tabúes culturales y a la necesidad de pruebas laboratoriales y de imagenología que interpretan especialistas en Ginecología. Por su parte, las técnicas de Inteligencia Artificial (IA) han demostrado gran potencial para ayudar en la detección temprana de distintas enfermedades. Actualmente, las mujeres de zonas rurales y semirrurales tienen poco acceso a especialistas y estudios, por lo que se considera útil contar con una plataforma de salud, que incluya técnicas de IA, en ambientes móvil y web, que apoye la detección del SOP. Este artículo muestra el resultado del análisis de sistemas para la plataforma mencionada, presentando los requisitos funcionales y no funcionales recopilados con ayuda de profesionales de la salud de Medicina General y de Ginecología.

Palabras clave: Inteligencia Artificial, Minería de Datos, Técnicas de Clasificación, Salud Femenina, Síndrome de Ovario Poliquístico.

Abstract: Polycystic Ovary Syndrome (PCOS) is a common endocrine condition among women of reproductive age and its early diagnosis prevents long-term complications; however, this diagnosis presents difficulties due to the variability of symptoms, cultural taboos and the need for laboratory and imaging tests interpreted by specialists in Gynecology. On the other hand, Artificial Intelligence (AI) techniques have shown great potential to help in the early detection of different diseases. Currently, women in rural and semi-rural areas have little access to specialists and studies, so it is considered useful to have a health platform, which includes AI techniques, in mobile and web environments, that supports the detection of PCOS. This article shows the result of the systems analysis for the aforementioned platform, presenting the functional and non-functional requirements compiled with the help of health professionals in General Medicine and Gynecology.

Keywords: Artificial Intelligence, Data Mining, Classification Techniques, Women's Health, Polycystic Ovary Syndrome.

1. Introducción

El acceso a servicios de salud de calidad es un derecho humano reconocido a nivel internacional; sin embargo, en la práctica, no siempre es posible ejercer este derecho, sobre todo en el caso de las mujeres y, en particular, cuando se trata de la salud reproductiva y sexual, al grado de existir un “Día Internacional de Acción por la Salud de la Mujer”, instituido desde 1987, para visibilizar esta problemática [1] y a pesar de los esfuerzos sociales y gubernamentales en ese sentido [2].

De acuerdo con investigaciones publicadas en 2014 por el entonces CONACYT [3], en muchos países los temas referentes a la salud femenina se limitaban al cuidado del embarazo y puerperio, si bien se incorporaron los relacionados con la prevención del cáncer de mama y del cáncer cervicouterino, todavía quedaron fuera muchos otros temas igualmente importantes.

En este sentido, el Síndrome de Ovario Poliquístico (SOP) es una enfermedad relacionada con desequilibrios hormonales que se presenta en mujeres en edad fértil, con una sintomatología que llega a afectar la calidad de vida de las pacientes y que, si no se trata adecuadamente, es posible que derive en infertilidad, cáncer endometrial, diabetes y esteatohepatitis no alcohólica [4]; esta enfermedad provoca cambios en el ciclo menstrual, quistes, dificultad para quedar embarazada, intensos dolores menstruales y, en el peor de los casos, cáncer de matriz [5]; sin embargo, es un tema tan poco explorado que se normaliza vivir de esa manera bajo el supuesto de que no se está enferma o que se trata de complicaciones derivadas de otros padecimientos como la hipertensión arterial o el síndrome metabólico, cuando en realidad es posible que sean consecuencias del SOP. Debido a que tiene manifestaciones clínicas muy variadas, el SOP es difícil de diagnosticar en sus primeras etapas [6], sobre todo cuando sólo se tiene acceso a servicios de salud generales, los cuales son atendidos por profesionales de la salud que no cuentan con una especialización ni con equipos auxiliares de diagnóstico para identificar de forma precisa el SOP. Más aún, en foros de apoyo a pacientes de SOP se mencionan situaciones donde ellas han tenido que pasar por muchos diagnósticos erróneos antes de recibir el tratamiento adecuado para el SOP, lo que conlleva tanto gastos como la incomodidad propia de los distintos estudios innecesarios a los que se ven sometidas.

Otra parte de la problemática identificada se relaciona con esquemas sociales y culturales (tabúes), que hacen que las pacientes se avergüencen de describir sus síntomas frente a extraños o la idea de que las visitas al ginecólogo sólo son por embarazo, dificultando aún más el acceso a los servicios de salud. Una alternativa es el uso de aplicaciones de salud personales que orientan a una mujer en temas de prevención y que tienen la posibilidad de sugerir la búsqueda de apoyo profesional a tiempo; sin embargo, si bien existen algunas aplicaciones específicas para la salud femenina (“Modo Rosa”, “Flo: Mi Calendario Menstrual”, y “Aware” entre otras [7]), hasta el momento no se encontró ninguna que dé seguimiento a situaciones como el SOP, en español, que además se integre con el trabajo de profesionales de la salud.

Por otra parte, ya que el trabajo está orientado a población rural o semirrural, es importante conocer que, de acuerdo a la Encuesta Nacional de la Dinámica Demográfica ENADID 2018, independientemente de la afiliación específica a un servicio de salud, 18% de las mujeres en México se atienden en establecimientos privados (consultorio, clínica u hospital), 14% en consultorios anexos a farmacias, 32.9% en centros de salud u hospitales de la Secretaría de Salud SSA, 27% en espacios dependientes del Instituto Mexicano del Seguro Social IMSS y 5.4% en el Instituto de Seguridad y Servicios Sociales para los Trabajadores del Estado ISSSTE [8].

El artículo presenta el análisis de sistemas de una plataforma de salud que, mediante técnicas de IA, apoye a los profesionales de la salud en el diagnóstico temprano de SOP en poblaciones rurales o semirrurales. Por lo tanto, la publicación sigue esta estructura: en la sección 2 se analizan algunos conceptos relacionados con la investigación; en la sección 3 se revisa el estado actual del tema de investigación, centrándose en la identificación del SOP mediante técnicas de clasificación de Minería de Datos. Posteriormente, en la sección 4, se detalla el análisis del sistema donde se especifican los requisitos y el modelo de solución para los mismos. En la sección 5 se presentan los trabajos a futuro, seguido de la sección 6 que muestra las conclusiones obtenidas con base en los elementos presentados; finalmente, se incluyen los agradecimientos y las referencias utilizadas.

2. Marco teórico

Los conceptos del tema de investigación dentro del contexto académico cumplen con mostrar un espectro más amplio dentro del campo de estudio, de tal manera que exista una amplia comprensión sobre el tema abordado. Dentro de este trabajo es necesario delimitar algunos términos particulares que a continuación de describen.

De acuerdo a la Enciclopedia Médica en línea del gobierno norteamericano, el término “salud femenina” se refiere a la rama de la Medicina que se enfoca en el tratamiento y diagnóstico de enfermedades y padecimientos que afectan el bienestar físico y emocional de una mujer [9]. Dentro de los temas que abarca la salud de la mujer, se encuentra el Síndrome de Ovario Poliquístico (SOP) que es una disfunción endocrino-metabólica con una prevalencia entre el 6 y el 10% en mujeres de edad reproductiva. Se caracteriza por hiperandrogenismo (exceso de hormonas masculinas en la mujer que originan acné, exceso de vello, cambios de coloración en la piel, entre otros), oligo-anovulación (ovulación escasa o nula) y morfología de ovario poliquística. Representa la causa más frecuente de infertilidad anovulatoria e hiperandrogenismo en mujeres. Además, la mayoría de las pacientes con SOP desarrollan resistencia insulínica periférica (RI) y poseen un mayor riesgo de desarrollar diabetes mellitus tipo 2 (DM2) [10].

Por otra parte, la Inteligencia Artificial es una rama de la ingeniería que implementa conceptos y soluciones novedosas para resolver desafíos complejos bajo la idea de emular la inteligencia humana; cuenta con avances continuos en distintos campos y aplicaciones [11]. Dentro de la Inteligencia Artificial se encuentra la Minería de Datos, que es una actividad relacionada con el análisis de información histórica para descubrir conocimiento en forma de patrones o relaciones; está estrechamente relacionada con otras áreas como las bases de datos, la estadística y la recuperación de información [12]. El resultado de la Minería de Datos se utiliza como apoyo en la toma de decisiones.

La Minería de Datos utiliza diversas tareas para extraer conocimiento; las tareas supervisadas trabajan con conjuntos que permiten identificar patrones y compararlos con los datos existentes creando nuevo conocimiento. Entre las tareas supervisadas se encuentra la Clasificación, que a partir de un conjunto etiquetado (clasificado), identifica las relaciones de las variables para obtener la etiqueta de un nuevo elemento del conjunto; las relaciones identificadas se conocen como un modelo de clasificación, es el resultado de un proceso de Minería de Datos que, a partir de un conjunto suficientemente amplio, identifica los patrones de relación para “saber” bajo qué condiciones un elemento se clasifica en una u otra clase [13].

Por otro lado, una Plataforma Digital es el software y la tecnología que se utilizan para unificar y optimizar las operaciones de negocio y los sistemas de TI. Una plataforma digital funciona como la columna vertebral de una organización para soportar las operaciones y cumplir con el compromiso del cliente [14]. Una plataforma tiene la posibilidad de utilizar elementos en distintos dispositivos; en ese sentido, en esta plataforma, la paciente contará con una aplicación para dispositivo móvil, también conocida como app, la cual es una aplicación que se diseña específicamente para las características de un dispositivo como teléfono celular o tableta [15], en contraposición con una aplicación diseñada para ejecutarse en una computadora personal (de escritorio o portátil) que en esta plataforma estará dirigida a profesionales de la salud.

3. Estado del arte

Dentro de este apartado se presentan estudios recientes realizados en un campo semejante al de la plataforma propuesta, para constatar las ventajas de algunos elementos probados y mostrar los beneficios de la mencionada plataforma.

El SOP en tiempos recientes recibió más atención dentro de los temas abarcados por la salud femenina, haciendo especial énfasis sobre cómo el diagnóstico temprano evita consecuencias graves a futuro para la paciente, como menciona el artículo de Bharati et al. [16], donde propusieron un sistema basado en aprendizaje automático para detectar el SOP utilizando un conjunto de datos específico. Identificaron la proporción de hormona foliculoestimulante y hormona luteinizante como la característica más relevante para detectar la presencia de SOP. Tras dividir los datos en entrenamiento y prueba, encontraron que el algoritmo híbrido entre bosque aleatorio y regresión logística mostró la mejor precisión, siendo el más confiable para clasificar pacientes con SOP.

El uso del aprendizaje automático para identificar SOP también se presenta en el trabajo de Elmannai et al. [17], donde emplearon métodos de selección de características con diferentes modelos de aprendizaje automático. El apilamiento de aprendizaje automático con selección de características logró la mayor precisión en comparación con otros modelos.

Además, existen otros medios para apoyar al diagnóstico de SOP, tal como lo exponen en su investigación Ramamoorthy et al. [18], ya que el SOP produce varios tipos de quistes detectados comúnmente con ecografías abdominales; los autores propusieron un método para diagnosticar el SOP de manera temprana usando técnicas de preprocesamiento y monitoreo de crecimiento de quistes mediante imágenes. Utilizaron filtros como Gabor y wavelet, resolviendo limitaciones con el filtro wavelet db2. El sistema, implementado en Matlab, logró una precisión del 93% en el diagnóstico del SOP.

Por otro lado, el seguimiento del ciclo menstrual es un punto importante a tomar en cuenta al identificar la presencia de SOP en las pacientes. Dentro de este aspecto, Fox et al. [19] investigaron aplicaciones móviles para documentar datos del ciclo menstrual. Recopilaron información sobre el ciclo, síntomas y comportamiento sexual para predecir y gestionar el período menstrual. Utilizaron técnicas colaborativas y análisis históricos para ampliar el estudio y con ello identificaron la necesidad de mejorar el monitoreo menstrual, centrándose en la experiencia en lugar de basarse en modelos predictivos.

En la Tabla 1 se muestra el análisis comparativo de los artículos mencionados en los párrafos anteriores, identificando requisitos comunes entre ellos y contrastándolos con la plataforma propuesta.

Tabla 1.
Comparación de trabajos relacionados.
Articulo12345
Bharati et al. [16]X
Elmannai et al. [17]XX
Ramamoorthy et al. [18]X
Fox et al. [19]XXX
Plataforma propuestaXXXXX
1) Idioma español 2) Seguimiento menstrual 3) Asesoramiento con profesionales de la salud 4) Sistema orientado a paciente y médico 5) Identificar riesgo SOP
Elaboración propia.

4. Desarrollo

A raíz del análisis de los trabajos relacionados y mediante entrevistas con una especialista de la salud femenina (ginecóloga) así como con una médica general que ejerce en zonas semirrurales, se obtuvieron los requerimientos funcionales y no funcionales para la plataforma que ayude a pacientes y médicos a detectar la posibilidad de padecer SOP. En conjunto con la ginecóloga y a partir de la literatura revisada, se eligió la información que se utilizará para apoyar a profesionales de la salud en el diagnóstico de SOP mediante técnicas de Minería de Datos (clasificación). En este punto es importante mencionar que se abarcarán tres modelos de clasificación, el primero para sugerir a la paciente que busque atención médica general ante la posibilidad de padecer alguna enfermedad que afecta la salud femenina (no necesariamente SOP), otro modelo sugerirá al médico(a) general la necesidad de ordenar exámenes de laboratorio para descartar la presencia de SOP y, finalmente, un modelo que, usando los resultados laboratoriales, sugiera al médico(a) general la necesidad de referir a la paciente con un(a) ginecólogo(a) para que el/la especialista diagnostique el SOP, ya que en los medios rurales o semirrurales generalmente no cuentan con los estudios de imagenología necesarios para el diagnóstico definitivo.

De acuerdo con las necesidades identificadas, se decidió que la plataforma estará formada por dos aplicaciones: una aplicación para dispositivo móvil orientada hacia la paciente, que permitirá ingresar información personal y del ciclo menstrual, además de otros datos relevantes para la identificación del SOP. Por otro lado, una aplicación web orientada a profesionales de la salud, tanto de Medicina General como Ginecología, cuyo fin es apoyar en la detección del SOP, mediante el análisis de los datos que proporcionan tanto la paciente como los profesionales de la salud a partir de revisiones clínicas y/o estudios laboratoriales.

4.1. Requerimientos generales

En el análisis mencionado se identificaron necesidades específicas a cumplir con el fin de lograr la aceptación de los usuarios finales. Estos requerimientos generales establecen las bases sobre las cuales se construirá la plataforma.

4.2. Flujo de trabajo esperado

En esta sección se aborda el flujo de trabajo esperado de la plataforma, con el fin de proporcionar una visión estructurada de las interacciones entre los diferentes componentes del sistema y los usuarios.

El flujo de la plataforma, como se muestra en la Figura 1 con Diagrama de Actividades, comienza con la paciente, quien accederá desde una aplicación móvil donde ingresará la información personal y la referente a su ciclo menstrual, además de otros datos relevantes para la detección del SOP. La plataforma realizará una primera clasificación con la información proporcionada por la paciente y, contrastándola con información histórica, el resultado le indicará si es recomendable que visite a un(a) médico(a) general para llevar un seguimiento.

Flujo de la plataforma.
Figura 1.
Flujo de la plataforma.

Por su parte, tanto el(la) médico(a) general y el(la) especialista contarán con una aplicación web donde, previa autorización, tendrán acceso a los datos de la paciente, también tendrán la opción de ingresar más valores que sean pertinentes para complementar la información de la paciente, por ejemplo, los resultados laboratoriales y de gabinete, de manera que al final se encuentren con todas las variables necesarias con el fin de llegar a un diagnóstico adecuado. A primer nivel (Medicina General), se contará con la información de la paciente complementada con indicadores otorgados por el médico general, por ejemplo, la tensión arterial, de dicho conjunto de datos se hará una segunda clasificación, donde, de acuerdo con los resultados, se le sugerirá al médico(a) general que solicite estudios de laboratorio a la paciente y, con esos valores, se hará una tercera clasificación para, en su caso, sugerir la referencia a un(a) especialista. A segundo nivel (Especialidad), se contará con la información de la paciente, de sus estudios laboratoriales y de los resultados de clasificación previos y, a juicio del (la) especialista, se sugerirán estudios de gabinete y/o se dará el diagnóstico definitivo de SOP.

4.3. Arquitectura

Desde una perspectiva general, como se ha mencionado anteriormente, la plataforma está formada de dos aplicaciones, una para dispositivo móvil y otra web; la Figura 2 muestra, mediante un diagrama de componentes, los elementos generales necesarios para el funcionamiento de la plataforma.

Arquitectura general del sistema.
Figura 2.
Arquitectura general del sistema.

Desde un punto de vista tecnológico, las dos aplicaciones de la plataforma se construirán utilizando un estilo arquitectónico en capas (Figura 3).

Diagrama de estilo arquitectónico en capas.
Figura 3.
Diagrama de estilo arquitectónico en capas.

4.4. Requerimientos

En este apartado se detallan los requerimientos funcionales y no funcionales según las necesidades identificadas en el estado del arte y en entrevistas con la especialista en Ginecología y con la médica general.

En la Figura 4 se muestran los requerimientos funcionales de la aplicación para dispositivo móvil mediante un Diagrama de Casos de Uso.

Diagrama de casos de uso de la aplicación móvil.
Figura 4.
Diagrama de casos de uso de la aplicación móvil.

En la Figura 5, se observan los requerimientos funcionales de la aplicación web, que usan el(la) médico general y el(la) médico especialista.

Diagrama de casos de uso de la aplicación web.
Figura 5.
Diagrama de casos de uso de la aplicación web.

Como parte de los requisitos no funcionales se tienen los siguientes:

4.5. Maquetado

Esta sección muestra una representación preliminar del diseño gráfico de la plataforma; debido a las limitantes propias del artículo, se muestran sólo dos pantallas de cada aplicación.

En la Figura 6 se observa el menú de inicio para la paciente en la app. En esta pantalla se encuentran las opciones: Calendario, Notas, Datos generales, Antecedentes, Contacta a tu Doctor y Calcular Visita Médica. También tiene una sección de Dudas en la parte inferior izquierda y en la parte inferior derecha aparecerá la notificación si tiene una solicitud de acceso a sus datos por parte de un(a) médico.

Pantalla del menú de inicio de la app.
Figura 6.
Pantalla del menú de inicio de la app.

En la Figura 7 se muestra la pantalla de Calcular Visita Médica de la app; se llega ahí a partir del menú mostrado en la figura anterior. Una vez finalizado el análisis de los datos, se muestra el mensaje para sugerir, en su caso, que acuda con un(a) médico general.

Pantalla de calcular visita médica.
Figura 7.
Pantalla de calcular visita médica.

En la Figura 8 se visualiza en que el médico consultará los antecedentes de la paciente dentro de la aplicación web. También tiene la sección de Antecedentes Clínicos, donde el médico capturará datos tales como la presión arterial sistólica y diastólica de la paciente. Además, tiene la posibilidad de agregar notas médicas para su uso o, en su caso, para el(la) especialista.

Pantalla Antecedentes en la aplicación web.
Figura 8.
Pantalla Antecedentes en la aplicación web.

En la Figura 9 se muestra la pantalla para el médico general una vez que se tienen los resultados de laboratorio, que permite calcular la necesidad de referir a la paciente a un especialista ante la sospecha de que padezca SOP, la aplicación muestra una breve explicación de la razón para referir o no a la paciente con el especialista.

Pantalla cálculo de SOP en la aplicación web.
Figura 9.
Pantalla cálculo de SOP en la aplicación web.

Tanto la app para la paciente como la aplicación médica utilizan más pantallas que ya fueron realizadas y validadas tanto con la ginecóloga como con la médica general.

5. Trabajos a futuro

Como trabajos a futuro, se tiene la recopilación de datos mediante encuestas, historiales médicos y datasets abiertos con la finalidad obtener los modelos de clasificación para identificar la necesidad de buscar atención médica, realizar exámenes de laboratorio y/o referir una paciente a un(a) especialista.

También se trabaja con el diseño técnico de la plataforma, considerando las diferencias de la app y la aplicación web, todo esto tomando como base el análisis descrito en este artículo.

6. Conclusiones

La muestra de trabajos previos que abordan el tema del SOP, dentro del Estado del Arte de este artículo, demuestra la importancia que se da actualmente a la salud femenina, haciendo énfasis en el Síndrome de Ovario Poliquístico (SOP) y en las aportaciones de la Inteligencia Artificial a la Medicina como un apoyo a la detección de este tipo de padecimientos. Por otra parte, la incorporación de encuestas a potenciales pacientes y entrevistas a profesionales de la salud, tanto de Medicina General como de Ginecología, permitió obtener las necesidades de los directamente involucrados y reflejar éstas en productos de Ingeniería de Software como los diagramas y maquetados mostrados.

El análisis de la problemática permite hacer conciencia sobre la importancia de un diagnóstico preciso y oportuno incluso en los casos donde no se tiene un fácil acceso a estudios de gabinete y consultas de especialidad.

El contar con una especialista que apoye a delimitar los elementos de salud y verificar la calidad de los resultados otorga una base sólida para que la plataforma sea una ayuda efectiva tanto para la paciente como para los profesionales de la salud incluso si no son especialistas.

Pensar en una contribución para el diagnóstico de SOP no es suficiente, tomar en cuenta la perspectiva médica no basta; por tanto, es imprescindible analizar el problema desde el punto de vista de la paciente que presenta dicha enfermedad, para así realizar una plataforma no solo funcional, sino que también sea capaz de transmitir seguridad y tranquilidad a la paciente al sentirse atendida de manera personal.

7. Agradecimientos

Los autores agradecen el financiamiento recibido por parte del Consejo Nacional de Humanidades, Ciencia y Tecnología (CONAHCYT) mediante la convocatoria “Becas Nacionales para Estudios de Posgrado 2023” así como el apoyo del Tecnológico Nacional de México para el desarrollo del presente trabajo.

8. Referencias

[1] Consejo Nacional de Población. (2022). Día Internacional de Acción por la Salud de las Mujeres. https://www.gob.mx/conapo/articulos/dia-internacional-de-accion-por-la-salud-de-las-mujeres-303826?idiom=es

[2] Cámara de Diputados. (2017). Entre 6 y 10 por ciento de las mexicanas padece Síndrome del Ovario Poliquístico.http://www5.diputados.gob.mx/index.php/esl/Comunicacion/Boletines/2017/Julio/31/3888-Entre-6-y-10-por-ciento-de-las-mexicanas-padece-Sindrome-del-Ovario-Poliquistico

[3] Corona Vázquez, T., Medina Mora, M. E., Ostrosky Wegman, P., Sarti Gutiérrez, E. J., Uribe Zúñiga, P. (2014). La mujer y la salud en México. Intersistemas S.A de C.V.

[4] Mayo Clinic. (2023). Síndrome de ovario poliquístico. https://www.mayoclinic.org/es/diseases-conditions/pcos/symptoms-causes/syc-20353439

[5] Teede, H., Tay, C. T., Laven, J. S. E., Dokras, A., Moran, L. J., Piltonen, T. (2023). International evidence-based guideline for the assessment and management of Polycystic Ovary Syndrome 2023. Monash University. https://doi.org/10.26180/24003834.V1

[6] Vanhauwaert, P. S. (2021). Síndrome de ovario poliquístico e infertilidad. Revista Médica Clínica Las Condes, 32 (2), 166–172. https://doi.org/10.1016/j.rmclc.2020.11.005

[7] Food and Travel. (2020). Apps para el cuidado femenino. https://foodandtravel.mx/apps-para-el-cuidado-femenino/

[8] Instituto Nacional de Estadística y Geografía. (2018). Encuesta Nacional de la Dinámica Demográfica (ENADID). https://www.inegi.org.mx/programas/enadid/2018/

[9] MedlinePlus. (2022). Salud de las mujeres. https://medlineplus.gov/spanish/womenshealth.html

[10] Concha, F., Sir, T., Recabarren, S. E., Pérez, F. (2017). Epigenética del síndrome de ovario poliquístico. Revista médica de Chile, 145 (7), 907–915. https://doi.org/10.4067/s0034-98872017000700907

[11] Hamet, P., Tremblay, J. (2017). Artificial intelligence in medicine. Metabolism, 69, S36–S40. https://doi.org/10.1016/j.metabol.2017.01.011

[12] Buulolo, E., Kom, S., Kom, M. (2020). Data Mining Untuk Perguruan Tinggi. Deepublish.

[13] Kantardzic, M. (2019). Data Mining: Concepts, Models, Methods, and Algorithms (3ra Ed.). Wiley-IEEE Press.

[14] Cognizant. (2024). Plataforma digital. https://www.cognizant.com/es/es/glossary/digital-platform

[15] GCFGlobal. (2024). Informática Básica: ¿Qué es una aplicación móvil?https://edu.gcfglobal.org/es/informatica-basica/que-es-una-aplicacion-movil/1/

[16] Bharati, S., Podder, P., Hossain Mondal, M. R. (2020). Diagnosis of Polycystic Ovary Syndrome Using Machine Learning Algorithms. IEEE Region 10 Symposium (TENSYMP), Dhaka, Bangladesh. https://doi.org/10.1109/TENSYMP50017.2020.9230932

[17] Elmannai, H., El-Rashidy, N., Mashal, I., Alohali, M. A., Farag, S., El-Sappagh, S., Saleh, H. (2023). Polycystic Ovary Syndrome Detection Machine Learning Model Based on Optimized Feature Selection and Explainable Artificial Intelligence. Diagnostics, 13 (8), 1-21. https://doi.org/10.3390/diagnostics13081506

[18] Ramamoorthy, S., Vinodhini, R., Sivasubramaniam, R. (2019). Monitoring the growth of Polycystic Ovary Syndrome using Mono-modal Image Registration Technique. ACM India Joint International Conference on Data Science and Management of Data, Kolkata, India. https://doi.org/10.1145/3297001.3297024

[19] Fox, S. E., Menking, A., Eschler, J., Backonja, U. (2020). Multiples Over Models. ACM Transactions on Computer-Human Interaction, 27 (4), 1–24. https://doi.org/10.1145/3397178

Modelo de publicación sin fines de lucro para conservar la naturaleza académica y abierta de la comunicación científica
HTML generado a partir de XML-JATS4R