Incluye índice e índice analítico.

Incluye Anexos: Anexo A. Descripción de todas las variables del conjunto de datos de "Admisiones Hospitalarias UCI", procesado en el Capítulo 9 del libro - Anexo B. Cuestionario de apnea screening usado en Capítulos 10 (versión no-difusa/categórica) y 11 (versión difusa/con escalas)

Incluye glosario (página 302-316)

Incluye bibliografía (página 317-324)

Introducción: Contexto de la obra - Motivos - Objetivos - El alcance y la orientación del libro desde el punto de vista del análisis de datos -- I. Conceptos y técnicas: Conceptos - La "minería de datos" - Relevancia y fiabilidad - Agregación de variables y datos - La representación "difusa" de los datos - Análisis de datos con técnicas "difusas" -- Clustering: Clasificación - La perspectiva difusa - Conceptos básicos - Concepto de "pertenencia difusa" - Relaciones difusas - Definición de un "conjunto difuso" - Siete métodos para definir una función de pertenencia - Definición de "variable difusa" - Definición de "número difuso" - Los "cuantificadores" - Representación difusa de variables de tipo binario - La selección de características - Funciones de pertenencia para datos clínicos -- El diagnóstico y el pronóstico clínico: Enfoque de la estadística "clásica" - Sistemas de puntuación de pronóstico en cuidados intensivos - Ejemplos de algunos de los sistemas más comunes de puntuación de pronóstico - Enfoques de la inteligencia artificial - Grupo de la Universidad de California en Irving: Repositorio base de datos sobre aprendizaje automatizado -- El diagnóstico del síndrome de apnea del sueño: Presentación clínica - Prevalencia - Morbidity y mortalidad - Diagnóstico -- La representación, comparación y proceso de datos de diferentes tipos: Representación y proceso de datos de tipos diferentes - Comparación entre diferentes tipos de datos - La mejora del cuestionario para el diagnóstico de apnea del sueño -- Técnicas: Técnicas estadísticas - La técnica de inducción de reglas: ID3 y C4.5/5.0 - La técnica de "amalgamación": los algoritmos de clustering de Hartigan - La técnica de "agregación": CP, OWA y WOWA - La técnica de "agrupación difusa": Fuzzy c-Means - La técnica de redes neuronales para clustering (tipo "Kohonen SOM") - La técnica de "redes neuronales" para predicción - La técnica del "algoritmo evolutivo" (o "genético") -- Resumen de los aspectos claves en la adaptación e implementación de las técnicas: El cálculo de covarianzas difusas entre variables - Resumen de las adaptaciones del operador de agregación WOWA -- II. Aplicación de las técnicas a casos reales: Pronóstico de pacientes de la UCI - Hospital Parc Tauli de Sabadell - Exploración inicial de los datos - Proceso del conjunto de datos UCI con la técnica de inducción de reglas C4.5 - Proceso del conjunto de datos UCI con la técnica de inducción de reglas ID3 - Clustering con la red neuronal Kohonen SOM 9.5. - Aplicación del joining algorithm de Hartigan a los datos UCI, usando covarianzas "difusas" y "no difusas" como entradas - Proceso de los datos UCI con la técnica "Fuzzy c-Means" - Resumen -- Datos del cuestionario de apnea. Laboratorio del sueño. Neumología (ICPCT), Hospital Clínico de Barcelona - El diagnóstico de apnea usando WOWA con cocientes asignados por el médico experto - La comparación de diferentes métodos para asignar los cocientes de relevancia y fiabilidad. Agregación de datos usando el operador WOWA para casos de apnea del sueño - Resumen -- Datos del cuestionario de apnea. Centro de Estudios del Sueño (Neumosalud), Hospital de la Santísima Trinidad de Salamanca) - Datos de prueba-variables seleccionadas - Comparación de las formas de representación categórica y como escala, de las preguntas del cuestionario - Aprendizaje y asignación de los valores de relevancia y fiabilidad - Resultados: diagnóstico de apnea usando el operador de agregación WOWA - Comparación de la precisión predictiva en el diagnóstico usando agregación WOWA respecto a otros métodos de modelización predictiva - Resumen -- Resumen y conclusiones.

Este libro está dirigido a las personas que por razones profesionales o académicas tienen la necesidad de analizar datos de pacientes, se explican en detalle las diversas técnicas estadísticas y de aprendizaje automatizado para su aplicación al análisis de datos clínicos. Además, describe de forma estructurada, una serie de técnicas adaptadas y enfoques originales, basándose en la experiencia y colaboraciones del autor en este campo, brindándonos un conjunto de métodos y herramientas que se pueden aplicar a las diferentes fases en el proceso de minería de datos clínicos.