Resumen en español

En el presente trabajo de grado, se desarrolló una propuesta metodológica para construir algoritmos clasificadores. Mediante la flexibilidad que otorga la estadística Bayesiana se desarrollaron 4 prototipos de algoritmos clasificadores; se usó un archivo de datos de 987 pacientes con diagnóstico serológico para dengue confirmado. El uso de este archivo fue avalado por el respectivo comité de ética de la Universidad del Valle. Los principales insumos de entrada para las propuestas de algoritmo clasificador fueron los signos y síntomas que presentaban los individuos en el archivo de datos. Mediante la experiencia de 5 expertos en el diagnóstico del dengue y revisión de la literatura se definieron los subconjuntos de signos y síntomas que debían ingresar a cada prototipo. La propuesta metodológica comprende el uso de la estadística Bayesiana para calcular probabilidades predictivas que cuantifiquen la incertidumbre de tener dengue. Los últimos dos prototipos que se desarrollaron, contaron con la propiedad de retroalimentarse una vez se cuente con nuevos datos, ya sean de nuevos estudios o con la experiencia de un especialista, de esta manera se logró una interacción más directa entre el algoritmo clasificador y el médico tratante. Se desarrollaron un total de 4 prototipos, cada uno de ellos fue validado por dos métodos distintos. El primero es una validación interna de su capacidad predictiva y el segundo es la aproximación a una validación externa mediante técnicas de remuestreo Boostrap, puesto que no se contó con un archivo de datos diferente al utilizado en la construcción de los prototipos para realizar una validación externa completa. Las 4 propuestas de algoritmos clasificadores obtuvieron resultados satisfactorios en las validaciones realizadas, siendo los últimos dos prototipos los que mejores índices de rendimiento alcanzaron. La metodología aquí propuesta resultó ser pertinente para clasificar a los individuos con dengue, puesto que para el correcto diagnóstico de esta enfermedad la experiencia de los médicos que día a día tratan pacientes es de vital importancia. Dicha experiencia generalmente es obviada en la construcción de métodos de clasificación que utilizan procedimientos estadísticos como la regresión logística o arboles de decisión entre otros