MODULO IV RELACIÓN ENTRE DOS VARIABLES, COMO POR EJEMPLO LA RELACIÓN ENTRE LA EDAD DE UN PACIENTE Y SU PRESIÓN ARTERIAL SISTÓLICA

                                                                 DIPLOMA DO

                                       EN INTELIGENCIA ARTIFICIAL

                                                               MODULO IV  

              APRENDIZAJE AUTOMATICO CON PYTHON Y ASISTENTES INTELIGENTES

Ortega Irusta Mireya Elena

Interaccion con chat GPT

 https://chat.openai.com/share/d5991483-c0c9-4405-86bf-dac9fac84bc6

RELACIÓN ENTRE DOS VARIABLES, COMO POR EJEMPLO LA RELACIÓN ENTRE LA EDAD DE UN PACIENTE Y SU PRESIÓN ARTERIAL SISTÓLICA

La regresión lineal simple se utiliza en medicina para analizar la relación entre dos variables, como por ejemplo la relación entre la edad de un paciente y su presión arterial sistólica. Aquí tienes un ejemplo básico de cómo se podría aplicar la regresión lineal simple a datos médicos:

Supongamos que tenemos un conjunto de datos con la edad de varios pacientes y sus niveles de presión arterial sistólica. Queremos determinar si hay una relación entre estas dos variables y predecir la presión arterial sistólica en función de la edad.

 

Primero, recolectamos datos de 20 pacientes:

Paciente	Edad (años)	Presión arterial sistólica (mmHg)
1	35	130
2	42	138
3	50	145
4	28	120
5	65	155
...	...	...

Usando una herramienta estadística como Python con la librería scikit-learn, podríamos calcular la regresión lineal simple:

Ejecutado este código tenemos los siguientes resultados.

Python

import numpy as np

from sklearn.linear_model import LinearRegression

# Datos de edad

edad = np.array([35, 42, 50, 28, 65])[:, np.newaxis]

# Datos de presión arterial sistólica

presion_arterial = np.array([130, 138, 145, 120, 155])

# Crear el modelo de regresión lineal

modelo = LinearRegression()

# Entrenar el modelo con los datos

modelo.fit(edad, presion_arterial)

# Obtener la pendiente (coeficiente)

pendiente = modelo.coef_[0]

print(f"Pendiente: {pendiente}")

# Obtener el intercepto

intercepto = modelo.intercept_

print(f"Intercepto: {intercepto}")

# Predicción para un paciente de 40 años

nueva_edad = np.array([40])[:, np.newaxis]

prediccion = modelo.predict(nueva_edad)

print(f"Predicción de presión arterial a los 40 años: {prediccion[0]} mmHg")

Interacción con Google colab:

Pendiente: 0.9278728606356969 Intercepto: 96.77359413202933 Predicción de presión arterial a los 40 años: 133.88850855745721 mmHg

Python

import numpy as np

from sklearn.linear_model import LogisticRegression

from sklearn.model_selection import train_test_split

from sklearn.metrics import accuracy_score

# Datos simulados

np.random.seed(42)

edad = np.random.randint(20, 70, 100)  # Edades de los pacientes

presion_arterial = np.random.randint(100, 160, 100)  # Niveles de presión arterial

# Generar una variable de enfermedad cardíaca simulada (0 o 1)

enfermedad_cardiaca = np.random.randint(0, 2, 100)

# Crear un DataFrame de pandas con los datos

datos = {

    'Edad': edad,

    'Presion_arterial': presion_arterial,

    'Enfermedad_cardiaca': enfermedad_cardiaca

}

df = pd.DataFrame(datos)

# Separar las características (X) y la variable objetivo (y)

X = df[['Edad', 'Presion_arterial']]

y = df['Enfermedad_cardiaca']

# Dividir el conjunto de datos en entrenamiento y prueba

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Crear el modelo de regresión logística

modelo_logistico = LogisticRegression()

# Entrenar el modelo con los datos de entrenamiento

modelo_logistico.fit(X_train, y_train)

# Realizar predicciones en el conjunto de prueba

predicciones = modelo_logistico.predict(X_test)

# Calcular la precisión del modelo

precision = accuracy_score(y_test, predicciones)

print(f"Precisión del modelo: {precision}")

Interacción con Google colab:

Precisión del modelo: 0.5

import numpy as np

from sklearn.linear_model import LinearRegression

import matplotlib.pyplot as plt

# Datos simulados

np.random.seed(42)

edad = np.random.randint(20, 70, 100)[:, np.newaxis]  # Edades de los pacientes

presion_arterial = 120 + 0.4 * edad + np.random.normal(0, 5, (100, 1))  # Generando presión arterial con una relación lineal

# Crear el modelo de regresión lineal

modelo = LinearRegression()

# Entrenar el modelo con los datos

modelo.fit(edad, presion_arterial)

# Hacer predicciones con el modelo entrenado

predicciones = modelo.predict(edad)

# Graficar los datos y la línea de regresión

plt.scatter(edad, presion_arterial, label='Datos reales')

plt.plot(edad, predicciones, color='red', label='Regresión lineal')

plt.xlabel('Edad')

plt.ylabel('Presión arterial sistólica')

plt.legend()

plt.title('Regresión lineal: Edad vs. Presión arterial sistólica')

plt.show()

Interacción con Google colab:

import numpy as np

from sklearn.linear_model import LinearRegression

import matplotlib.pyplot as plt

# Datos simulados

np.random.seed(42)

X = np.random.rand(100, 1) * 10  # Variable independiente

y = 2 * X + 1 + np.random.randn(100, 1) * 2  # Variable dependiente con relación lineal y ruido

# Crear el modelo de regresión lineal

modelo = LinearRegression()

# Entrenar el modelo con los datos

modelo.fit(X, y)

# Hacer predicciones con el modelo entrenado

predicciones = modelo.predict(X)

# Graficar los datos y la línea de regresión

plt.scatter(X, y, label='Datos reales')

plt.plot(X, predicciones, color='red', label='Regresión lineal')

plt.xlabel('Variable independiente')

plt.ylabel('Variable dependiente')

plt.legend()

plt.title('Regresión lineal simple')

plt.show()

Interacción con Google colab:

En este ejemplo, se crea un modelo de regresión lineal usando la edad como variable independiente y la presión arterial sistólica como variable dependiente. Después de entrenar el modelo, se puede predecir la presión arterial sistólica para un paciente de 40 años. La predicción se realiza utilizando el modelo entrenado y devuelve un valor estimado de presión arterial sistólica para esa edad.

 

Recuerda que este es un ejemplo básico y en un entorno real se necesitarían más datos y consideraciones para realizar un análisis más exhaustivo en medicina.

Python

import numpy as np

import matplotlib.pyplot as plt

from sklearn.tree import DecisionTreeRegressor

# Datos simulados

np.random.seed(42)

X = np.sort(5 * np.random.rand(80, 1), axis=0)

y = np.sin(X).ravel() + np.random.randn(80) * 0.1  # Relación no lineal con ruido

# Crear el modelo de árbol de decisiones para regresión

modelo_arbol = DecisionTreeRegressor(max_depth=5)

# Entrenar el modelo con los datos

modelo_arbol.fit(X, y)

# Hacer predicciones con el modelo entrenado

X_test = np.arange(0.0, 5.0, 0.01)[:, np.newaxis]

predicciones = modelo_arbol.predict(X_test)

# Graficar los datos y las predicciones del modelo

plt.scatter(X, y, label='Datos reales')

plt.plot(X_test, predicciones, color='red', label='Árbol de decisiones')

plt.xlabel('Variable independiente')

plt.ylabel('Variable dependiente')

plt.legend()

plt.title('Árbol de decisiones para regresión')

plt.show()

Interacción con Google colab:

 

Python

import numpy as np

import matplotlib.pyplot as plt

from sklearn.datasets import make_classification

from sklearn.tree import DecisionTreeClassifier, export_text

# Crear un conjunto de datos ficticio para clasificación binaria

X, y = make_classification(n_samples=100, n_features=2, n_classes=2, n_redundant=0, random_state=42)

# Crear y entrenar el modelo de árbol de decisiones

modelo_arbol = DecisionTreeClassifier(random_state=42)

modelo_arbol.fit(X, y)

# Visualizar el árbol de decisiones

tree_rules = export_text(modelo_arbol, feature_names=[f'Feature {i}' for i in range(X.shape[1])])

print("Reglas del árbol de decisiones:\n", tree_rules)

# Graficar la superficie de decisión del árbol de decisiones

plt.figure(figsize=(8, 6))

plt.scatter(X[:, 0], X[:, 1], c=y, cmap='viridis', s=50, edgecolor='k')

xx, yy = np.meshgrid(np.linspace(X[:, 0].min(), X[:, 0].max(), 100),

                     np.linspace(X[:, 1].min(), X[:, 1].max(), 100))

Z = modelo_arbol.predict(np.c_[xx.ravel(), yy.ravel()]).reshape(xx.shape)

plt.contourf(xx, yy, Z, alpha=0.3, cmap='viridis')

plt.title('Árbol de Decisiones: Superficie de Decisión')

plt.xlabel('Feature 0')

plt.ylabel('Feature 1')

Interacción con Google colab:

Reglas del árbol de decisiones: |--- Feature 0 <= 0.20 | |--- Feature 0 <= -0.30 | | |--- class: 0 | |--- Feature 0 > -0.30 | | |--- Feature 1 <= -0.01 | | | |--- class: 1 | | |--- Feature 1 > -0.01 | | | |--- class: 0 |--- Feature 0 > 0.20 | |--- Feature 1 <= 2.35 | | |--- class: 1 | |--- Feature 1 > 2.35 | | |--- class: 0

Conclusiones y reflexiones:  Es de gran importancia poder conocer estas herramientas de regresion lineal en relación entre dos variables, como por ejemplo la relación entre la edad de un paciente y su presión arterial sistólica  desarrollo de un modelo  para mejorar nuestra práctica docente empleado es las nuevas herramietas.

La relación entre dos variables, como la edad de un paciente y su presión arterial sistólica, es fundamental en la comprensión de la salud y el diagnóstico médico.

La relación entre la edad y la presión arterial sistólica es una parte integral de la evaluación médica. Comprender esta relación puede ayudar en la identificación temprana de problemas de salud, adaptar tratamientos y estrategias preventivas, y proporcionar una mejor atención médica general.