Un marco integral de aprendizaje automático con optimización por enjambre de partículas para mejorar el diagnóstico del síndrome de ovario poliquístico (SOP)

Resumen El síndrome de ovario poliquístico (SOP) es un trastorno hormonal que afecta principalmente a mujeres en edad reproductiva, caracterizado por ciclos menstruales irregulares, hormonas masculinas elevadas y quistes ováricos. La detección y tratamiento temprano son cruciales para prevenir complicaciones a largo plazo. Esta investigación utiliza datos clínicos de Kaggle para desarrollar un sistema de diagnóstico no invasivo para el SOP. Los autores realizaron un exhaustivo preprocesamiento de datos, ingeniería de características y análisis exploratorio de datos (EDA). El conjunto de datos refinado se incorporó a varios algoritmos de aprendizaje automático (ML) por defecto, incluidos LR, LDA, GNB, SVM, XGB, DT, AB, RF y KNN, para la clasificación del SOP con ratios de entrenamiento-prueba que varían de 70:30 a 80:20. Para mejorar aún más el rendimiento del modelo, los autores hibridaron todos los modelos de ML con Optimización por Enjambre de Partículas (PSO). Notablemente, el modelo propuesto LR+PSO alcanzó la mayor precisión con un 96.30%, demostrando una excepcional competencia con un ratio de entrenamiento-prueba de 80:20. Mejoró significativamente la sensibilidad al 94.44%, lo que indica una mejor detección de casos positivos, manteniendo la mayor especificidad al 97.22% y precisión al 94.44% en comparación con otros modelos. Estos resultados destacan una mejora sustancial en los modelos integrados, enfatizando el potencial de este enfoque novedoso para mejorar el diagnóstico del SOP en términos de precisión y eficiencia, beneficiando en última instancia a las personas con SOP en su proceso de tratamiento.