Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Programación Matemática y Software (2023) 15(2): 32-41. ISSN: 2007-3283 Visualizaciones de datos para el análisis de bacterias coexistentes en modelos de clustering de pacientes con Vaginosis Bacteriana Data visualizations for coexisting bacteria analysis in Bacterial Vaginosis patient clustering models Henry Jesús Hernández-Gómez1 y Juana Canul-Reich1 1 División Académica de Ciencias y Tecnologías de la Información- Universidad Juárez Autónoma de Tabasco Carretera Cunduacán-Jalpa KM. 1 Col. La Esmeralda CP. 86690. Cunduacán, Tabasco, México. jesusj@icf.unam.mx PALABRAS CLAVE: Visualización de datos, Contextos, Vaginosis Bacteriana, Agrupamiento. RESUMEN Las visualizaciones de datos y el aprendizaje automático son dos áreas de las ciencias de la computación en las que existe una convergencia en el análisis y entendimiento de los conjuntos de datos. Esta convergencia permite la comprensión completa y multidimensional de un fenómeno, con el propósito de abordar interrogantes complejas desde diferentes perspectivas. El objetivo de este artículo es describir y mostrar el uso de visualizaciones sobre modelos de clustering para derivar contextos de coexistencia bacteriana en grupos subyacentes de pacientes con un diagnóstico de Vaginosis Bacteriana (VB) positivo. Para este fin, se empleó un modelo previamente desarrollado de clustering jerárquico aglomerativo en el cual se utilizó un conjunto de datos de VB. En conclusión, nuestras evidencias demuestran que las visualizaciones de datos son efectivas para identificar patrones relevantes de coexistencia bacteriana en grupos de pacientes con VB-Positivo. Esto revela relaciones significativas entre distintas bacterias en grupos específicos, en los cuales es posible distinguir la presencia de varios tipos de Lactobacillus, tales como Jensenii, Crispatus, LGasseri, Liner y bacterias anaeróbicas tales como Atopobium, Gardnerella, Megasphaera y Mycoplasma. Estos hallazgos destacan la utilidad de las visualizaciones de datos para comprender e identificar los contextos de coexistencia bacteriana en esta condición médica. KEYWORDS: Data Visualization, Contexts, Bacterial Vaginosis, Clustering. ABSTRACT Data visualizations and machine learning are two areas of computer science that converge in the analysis and understanding of datasets. This convergence allows for a comprehensive and multidimensional understanding of a phenomenon, with the purpose of addressing complex questions from different perspectives. The objective of this article is to describe and demonstrate the use of visualizations on clustering models to derive contexts of bacterial coexistence in underlying groups of patients diagnosed with Bacterial Vaginosis (VB) positive. For this purpose, a previously developed hierarchical agglomerative clustering model was employed using a VB dataset. In conclusion, our evidence demonstrates that data visualizations are effective in identifying relevant patterns of bacterial coexistence in groups of VB-positive patients. This reveals significant relationships among different bacteria in specific groups, wherein it is possible to distinguish the presence of various types of Lactobacillus, such as Jensenii, Crispatus, LGasseri, Liner, and anaerobic bacteria such as Atopobium, Gardnerella, Megasphaera, and Mycoplasma. These findings highlight the utility of data visualizations in understanding and identifying the contexts of bacterial coexistence in this medical condition. • Recibido: 1 de junio 2023 • Aceptado: 22 de junio 2023 • Publicado en línea: 28 de junio 2023 ProgMat, 2023, 15, 2; https://progmat.uaem.mx/progmat Copyright:© 2023 por los autores DOI: 10.30973/progmat/2023.15.2/ 4 Creative Commons Atribución 4.0 CC-BY Programación Matemática y Software (2023) 15(2): 32-41. ISSN: 2007-3283 1. INTRODUCCIÓN En el campo de las ciencias biológicas y biomédicas, el avance de la tecnología ha permitido recopilar y acceder a una gran cantidad de datos biológicos. Estos datos recopilados son una pieza fundamental para la investigación [1]. Sin embargo, a medida que aumenta la cantidad de datos, se vuelve una tarea abrumadora para los usuarios que desean identificar patrones o contextos en los datos [2]. Para abordar esta problemática, surgen herramientas y técnicas que permiten organizar, analizar, extraer y visualizar información valiosa de grandes conjuntos de datos de manera comprensible [3][4]. Los modelos de clustering son técnicas del aprendizaje no supervisado ampliamente utilizado en el análisis de datos su aplicación en el campo de las ciencias de la salud y biomédicas ha demostrado ser especialmente útil en la identificación de patrones y la agrupación de pacientes que comparten características similares [5][6]. Por lo tanto, diseñar y aplicar métodos de clustering que permitan determinar un número de grupos validados tanto computacional como biológicamente es esencial. Para luego realizar un análisis posterior a través de visualizaciones de datos (VD) con el objetivo de comprender y derivar la coexistencia bacteriana de manera efectiva. Es importante mencionar que el uso de VD ayuda a representar de manera visual los resultados del clustering, permitiendo identificar patrones y relaciones entre variables, lo que se convierte en información valiosa [7]. Por ejemplo, las VD tipo dashboards pueden ser usadas para apoyar el proceso de toma de decisiones [8]. Finalmente, las VD facilitan la comunicación efectiva de los resultados a otros profesionales de las ciencias de la salud, lo que permite la comprensión de la condición y a una toma de decisiones más informada para la prescripción de tratamientos y cuidado de las pacientes [9]. En el contexto de la investigación sobre la condición de la Vaginosis Bacteriana (VB), el uso de VD puede aplicarse para identificar perfiles bacterianos, visualizar la presencia, ausencia de bacterianas. Además, resulta útil para comparar la coexistencia bacteriana entre diferentes pacientes. La VB es una condición compleja debido a los amplios ecosistemas de la microflora vaginal y se caracteriza por ser una disbiosis en la cual los Lactobacillus son superados por un crecimiento excesivo de bacterias anaeróbicas [10]. Además, es importante mencionar que la VB tiene una etiología multifactorial, lo que dificulta conocer con certeza los microorganismos presentes en las pacientes con VB-Positivo. En la literatura actual, hay pocos trabajos relacionados que utilicen visualizaciones para el análisis de datos biológicos. Por ejemplo, el estudio realizado por Pan, S. [11], empleó VD para analizar y predecir de manera efectiva la propagación del COVID-19 en Canadá. En este estudio, se examinó el comportamiento de la pandemia en diferentes regiones y se mostró cómo la vacunación contribuyó a combatirla. Además, se identificó qué grupos de personas se vieron más afectados y se destacó la aparición de variantes preocupantes en cada oleada. Por otro lado, en un estudio realizado por Minjung, K. [12], examinó el diseño de VD basadas en enfermedades. El objetivo de estas VD es prevenir la propagación de enfermedades al proporcionar información sobre el estado de propagación, las tendencias y los cambios en la enfermedad. El estudio se centró en explorar cómo representar visualmente estos datos de manera efectiva y comprensible para los profesionales de la salud y el público en general. Este artículo representa una valiosa contribución al avance del conocimiento en el análisis de bacterias coexistentes en pacientes con VB positivo. Además, tiene como objetivo proporcionar una herramienta33 Programación Matemática y Software (2023) 15(2): 32-41. ISSN: 2007-3283 que mejore el análisis de la información relevante sobre VB, facilitando la comprensión de los contextos de coexistencia bacteriana y su aplicación en el ámbito médico. 2. MATERIALES Y MÉTODOS 2.1. Modelo de Clustering Jerárquico Aglomerativo La construcción del modelo jerárquico aglomerativo utilizado para desarrollar las VD se realizó en [13]. El estudio utilizó un conjunto de datos de VB para construir modelos jerárquico que permitieran analizar los contextos de coexistencia bacteriana en los grupos subyacentes. Además, se describió de forma general el uso de las VD para el análisis de contextos. 2.2. Tableau Las VD interactivas de los grupos de VB fueron construidas utilizando Tableau, una herramienta que se utiliza para interpretar y comprender grandes cantidades de datos. Este software fue utilizado bajo una licencia gratuita por un año para estudiantes de instituciones académicas acreditadas. Tableau permite representaciones visuales, a menudo interactivas, para lograr este objetivo [14]. 2.3. Esquema para el diseño de VD para VB La Figura 1 muestra un diagrama de bloques del diseño de VD para VB. 2.4. Descripción general de la VD La construcción de las VD en la condición de VB tuvo como objetivo proporcionar una herramienta de apoyo que permitiera explorar y analizar los contextos de coexistencia bacteriana en los clusters subyacentes de un modelo de clustering Jerárquico Aglomerativo previamente desarrollado [13]. A continuación, se describe la fase de construcción. Figura 1. Diseño para la construcción de VD para VB 2.5. Modelo de clustering jerárquico aglomerativo El proceso de desarrollo del clustering jerárquico aglomerativo implicó el uso de un conjunto de datos de VB, el cual fue utilizado para determinar una matriz de similitud basada en una métrica de distancia. A la matriz de similitud se le aplicaron diferentes métodos de enlace con el objetivo de crear jerarquías de agrupamiento donde los grupos subyacentes compartieran características similares. Posteriormente, los clusters resultantes del modelo jerárquico se exportaron como fuente de datos para la construcción de las visualizaciones. Finalmente, se diseñaron las VD con el propósito de explorar los contextos de coexistencia bacteriana en los grupos de pacientes con VB-Positivo. 2.6. Diseño y selección de elementos de la VD El diseño de las VD consistió en definir los objetivos, diseñar la estructura sobre la cual son mostrados los datos y seleccionar los elementos que constituyen la interfaz. Entre los elementos que fueron considerados se encuentran: el título, el objeto para identificar a las pacientes, las leyendas, las etiquetas, la interacción, los cuadros emergentes, los filtros, los paneles y la fuente de datos. De los diferentes tipos de VD, se seleccionaron los dashboards. Un dashboards es una representación visual de la información más importante, organizada en interfaces para que pueda leerse rápidamente [15]. Además. Los Dashboards ponen de 34 Programación Matemática y Software (2023) 15(2): 32-41. ISSN: 2007-3283 relieve problemas y desempeñan un papel importante en la toma de decisiones [16]. Después de identificar el tipo de VD y los elementos necesarios, se procedió a elaborar un diseño en el cual se integran los elementos en la interfaz final, como se muestra en la Figura 2. Este proceso es útil para obtener retroalimentación y realizar ajustes necesarios antes de su publicación. Figura 2. Maquetado de la Interfaz de la VD-VB. 2.7. Construcción de la VD La fase de construcción implica adquirir y preparar los datos. Durante esta etapa, los clusters resultantes se pusieron a disposición de un experto en el área medica con el fin de verificar la concordancia biológica de los grupos subyacentes del modelo jerárquico. Además, se llevó a cabo la construcción de las interfaces de la VD utilizando Tableau. Esta fase debe cumplir con el propósito de brindar una experiencia interactiva y enriquecedora para comprender y explorar los resultados del análisis de coexistencia bacteriana en la VB. 2.8. Estructura de la VD La estructura de la interfaz de la VD-VB se compone de componentes clave, como un título descriptivo que proporciona un contexto claro de los datos presentados. Además, en la VD se utilizan iconos y diferentes colores para representar gráficamente a cada paciente dentro de los clusters. A continuación, se describe cada una de las interfaces de las VD para VB. 2.9. VD para VB-Presencia y Ausencia La VD de BD-Presencia y Ausencia es una herramienta que permite identificar la presencia o ausencia de microorganismos en los clusters del modelo jerárquico. Los grupos obtenidos se utilizaron como fuente de datos para la visualización. Además, esta herramienta permite analizar y comprender los contextos de coexistencia, lo cual proporciona información valiosa sobre las características biológicas de las pacientes con VB-Positivo. A continuación, se presentan las interfaces que constituyen esta VD. 3. DESCRIPCIÓN DE LA INTERFAZ Cuando se inicia la VD, la interfaz inicial que se presenta al usuario es como la mostrada en la Figura 3. Figura 3. Interfaz de la VD/VD: Presencia y Ausencia. La interfaz de la VD-VD Presencia y Ausencia está constituida por: A) Menú de cuatro puntos de historia: Permite al usuario navegar y explorar los diferentes grupos mediante la selección de pestañas. B) Título: Se referencia a la forma en que se representan las características de los microorganismos. C) Descripción de cada clúster. D)Propósito de la VD. 35 Programación Matemática y Software (2023) 15(2): 32-41. ISSN: 2007-3283 3.1. Interfaz vista general La interfaz de vista general (Figura 4) proporciona una distribución de los grupos en una única vista, con el propósito de que el experto en el campo pueda utilizar los datos sin ningún tipo de segmentación. Figura 4. Interfaz vista general de la VD-Presencia y Ausencia. La interfaz Vista general está constituida por: A) Vista general: Esta vista permite ver todas las pacientes, el usuario puede ir posicionando el puntero sobre cada icono para descubrir sus características y diagnóstico VB. B) Filtrado de características: El usuario puede utilizar el filtrado según el contexto de coexistencia que desee construir. Cada filtro consta de dos opciones para filtrar presencia y ausencia para cada microorganismo. C)Panel de características: Se muestra cuando el usuario da click o se posiciona sobre el icono que representa a la paciente. 3.2. Interfaz Clúster VB-Positivo La interfaz Clúster VB-Positivo, que se presenta en la Figura 5, proporciona una vista del clúster con elementos positivos. Su objetivo es permitir al experto en el área identificar y analizar los contextos de coexistencia bacteriana entre pacientes con el diagnóstico VB-Positivo. Figura 5. Interfaz clúster VB-Positivo de la VD- Presencia y Ausencia. La interfaz está constituida por: A) Panel lateral: Describe el diagnóstico del grupo. B) Filtrado de características: El usuario puede usar el filtrado según el contexto de coexistencia a construir. Cada filtro tiene dos opciones para filtrar presencia y ausencia de cada microorganismo. C)Área principal: Esta vista permite ver las pacientes VB-Positivo en un solo grupo. Al posicionar el puntero sobre los iconos se despliega una ventana emergente con las características de la paciente seleccionada. 4. VD PARA VB-PCR Y PATÓGENOS La VD de PCR y Patógenos es una herramienta que permite identificar los microorganismos y además los valores de crecimientode Lactobacillus. Los clústers subyacentes del modelo jerárquico se utilizaron como fuente de datos para la visualización. Esta VD incluye una pestaña denominada clusters significantes, la cual muestra los resultados de la métrica que evalúa la incertidumbre en el análisis de clustering jerárquico. A continuación, se presentan las interfaces que constituyen esta VD. 4.1. Interfaz Inicial Cuando se inicia la VD para VB-PCR y Patógenos, la interfaz inicial es igual a la mostrada en la Figura 6. 36 Programación Matemática y Software (2023) 15(2): 32-41. ISSN: 2007-3283 Figura 6. Interfaz descripción de la VD/VB-PCR y Patógenos. La interfaz inicial de la VB está constituida por: A) Menú de cinco puntos de historia: Permite al usuario navegar y explorar los diferentes grupos mediante la selección de pestañas. B) Título: Se referencia a la forma en que se representan las características de los microorganismos. C) Descripción de cada clúster. D)Propósito de la VD. 4.2. Vista general La interfaz de vista general (Figura 7) proporciona una distribución de los grupos en una sola vista, con el propósito de permitir al experto del área utilizar los datos sin necesidad de realizar segmentaciones. Figura 7. Interfaz vista general de la VD-PCR y Patógenos. La interfaz vista general está constituida por: A) Vista general: Esta vista permite ver todas las pacientes, el usuario puede ir posicionando el puntero sobre cada icono para descubrir sus características y diagnóstico VB. B) Filtrado de características: El usuario puede utilizar el filtrado según el contexto de coexistencia que desee construir. Cada filtro consta de dos opciones para filtrar presencia, ausencia y valor de crecimiento Cq para cada microorganismo. C)Panel de características: Este se muestra cuando el usuario da clic o se posiciona sobre el icono que representa a la paciente. 4.3. Interfaz Clusters Significantes La interfaz de clusters significantes (Figura 8) proporciona un conjunto de grupos resultantes al evaluar la incertidumbre en el análisis de clustering jerárquico. Figura 8. Interfaz clusters significantes de la VD-PCR y Patógenos. La interfaz vista general está constituida por: A) Filtrado por diagnóstico: Permite filtrar entre los diagnósticos de VB-Positivo, VB- Negativo y VB-Indeterminado. B) Filtrado de Cq: Permite al usuario filtrar según un rango de crecimiento. C)Filtrado de características: El usuario puede utilizar el filtrado según el contexto de 37 Programación Matemática y Software (2023) 15(2): 32-41. ISSN: 2007-3283 coexistencia que desee construir. Cada filtro consta de dos opciones para filtrar presencia y ausencia para cada microorganismo. 4.4. Interfaz Clúster VB-Positivo La interfaz Clúster VB-Positivo de PCR y patógenos brinda una vista de los clusters con elementos positivos (Figura 9), con el objetivo de permitir al experto del área identificar y analizar los contextos de coexistencia bacteriana entre pacientes con el diagnóstico VB-Positivo. Esta visualización también permite filtrar el crecimiento de Lactobacillus según un rango de valor de Cq. Además, se incluyen los patógenos indicando su presencia o ausencia. Figura 9. Interfaz clúster VB-Positivo de la VD-PCR y Patógenos. La interfaz Vista general está constituida por: A) Panel lateral: Describe el diagnóstico del grupo. B) Área principal de la vista: Permite ver las pacientes VB-Positivo en un solo grupo. Al posicionar el puntero sobre los iconos se despliega una ventana emergente con las características de la paciente seleccionada. C)Filtrado de características: El usuario puede utilizar el filtrado según el contexto de coexistencia que desee construir. Cada filtro consta de dos opciones para filtrar presencia y ausencia para cada microorganismo. 5. RESULTADOS A diferencia de la extracción manual de los contextos de coexistencia bacteriana en pacientes con VB-Positivo, el desarrollo y uso de los dashboards utilizando Tableau facilita el análisis y comprensión de los microorganismos compartidos por las pacientes en un mismo grupo. Esto mejora el proceso de toma de decisiones y la planificación de estrategias dirigidas a la selección de tratamientos específicos basados en los microorganismos presentes. 5.1. Extracción de contextos (VD-Presencia y Ausencia) Una vez seleccionada una vista de VB- Positivo, se utilizan los filtros para enfocar la exploración a un nivel de profundidad que permita identificar los contextos de coexistencia bacteriana entre los pacientes. Contextos de coexistencia-Clusters VB- Positivo La Figura 10 muestra dos pacientes del grupo positivo que subyacen después de aplicar filtros. Se puede observar que comparten la presencia de microorganismos específicos en su diagnóstico. Los contextos filtrados fueron: Jensenii-Presencia, Crispatus-Presencia, LGasseri-Presencia, Liners-Presencia, Atopobium-Presencia, Garnerella-Presencia, Megasphera-Presencia, Micoplasma-Presencia. Figura 10. Extracción de contextos de coexistencia bacteriana. 38 Programación Matemática y Software (2023) 15(2): 32-41. ISSN: 2007-3283 Contextos de coexistencia La Figura 11 muestra 5 pacientes del grupo positivo que subyacen después de aplicar filtros. Se puede observar en 2 de ellos la similitud de microorganismos específicos en su diagnóstico. Los contextos filtrados fueron: Jensenii-Todo, Crispatus-Presencia, LGasseri-Todo, Liners-Todo, Atopobium- Presencia, Garnerella-Presencia, Megasphera- Presencia, Micoplasma-Ausencia. Figura 11. Extracción de contextos de coexistencia bacteriana. La herramienta de VD de VB, que muestra los grupos con datos de presencia y ausencia, está disponible para su exploración en línea a través de [17]. 5.2. Extracción de contextos (VD-PCR y Patógenos) La vista de Clustering Significantes muestra el número de grupos obtenidos mediante la evaluación de la incertidumbre del modelo jerárquico. Se utilizan filtros para enfocar la exploración a un nivel de profundidad que permite identificar los contextos de coexistencia bacteriana entre los pacientes. Contextos de coexistencia-Clusters Significantes La Figura 12 muestra dos pacientes del grupo que subyacen después de aplicar filtros. Se puede observar que comparten la presencia de microorganismos específicos en su diagnóstico. Los contextos filtrados fueron: Diagnóstico-Positivo, Jensenii-Todo, Crispatus-Todo, LGasseri-Todo, Liners-Todo, Atopobium-Presencia, Garnerella-Todo, Megasphera-Presencia, Micoplasma-Todo. Figura 12. Extracción de contextos de coexistencia bacteriana clusters significantes. Contextos de coexistencia-Clúster VB positivo La Figura 13 muestra 4 pacientes del grupo positivo que subyacen después de aplicar filtros. Se puede observar la similitud de microorganismos específicos en su diagnóstico. Los contextos filtrados fueron: JenseniiCq-Todo, CrispatusCq-Todo, LGasseriCq-0, LinersCq-Todo, Atopobium- Presencia, Garnerella-Todo, Megasphera- Presencia, Micoplasma-Presencia. Figura 13. Extracción de contextos de coexistencia bacteriana clusters significantes. 39 Programación Matemática y Software (2023) 15(2): 32-41. ISSN: 2007-3283 La herramienta de VD de VB de los grupos con datos de PCR y patógenos está disponible para su exploración online a través de [18]. 6. CONCLUSIONES En conclusión, el uso de la VD en el campo de las ciencias de la salud y biomédicas es de gran importancia. Las visualizaciones son una herramienta poderosa para presentar información sobre condiciones de salud de manera comprensible e intuitiva. Permiten transformar datos complejos en representaciones visuales que facilitan laidentificación de patrones, tendencias y relaciones que podrían pasar desapercibidas en los datos en bruto. Al visualizar de manera efectiva los datos de la VB, los investigadores y profesionales de la salud pueden obtener información más detallada, tomar decisiones informadas y comunicar los resultados de manera efectiva. Además, las visualizaciones mejoran la disponibilidad e interpretación de los datos para diversas audiencias, incluyendo pacientes, tomadores de decisiones y el público en general. En general, las VD desempeñan un papel fundamental en el avance del conocimiento, la mejora de la atención al paciente y la toma de decisiones basada en evidencia en el campo de las ciencias de la salud. 6. TRABAJOS FUTUROS Los trabajos futuros de esta investigación es la integración de datos de diferentes fuentes y modalidades, como datos genómicos, datos clínicos y datos de microbioma, para obtener una visión más completa de los contextos de coexistencia bacteriana en la VB. Además, se utilizar otros métodos de aprendizaje automático para predecir la coexistencia bacteriana en pacientes con VB-Positivo. REFERENCIAS [1] Yang, J., Li, Y., Liu, Q., Li, L., Feng, A., Wang, T., Lyu, J. Brief introduction of medical database and data min- ing technology in big data era. Journal of Evidence‐ Based Medicine (2020), 13(1), 57-69. doi: 10.1111/jebm.12373. [2] Siyal, A. A., Junejo, A. Z., Zawish, M., Ahmed, K., Khalil, A., Soursou, G. Applications of blockchain technology in medicine and healthcare: Challenges and future perspectives. Cryptography (2019), 3(1), 3. doi: 10.3390/cryptography3010003. [3] Vellido, A. The importance of interpretability and vi- sualization in machine learning for applications in medicine and health care. Neural computing and ap- plications (2020), 32(24), 18069-18083. doi: 10.1007/s00521-019-04051-w. [4] Rawat, S., Rawat, A., Kumar, D., Sabitha, A. S. Applica- tion of machine learning and data visualization tech- niques for decision support in the insurance sector. Int. Journal of Information Management Data In- sights (2021), 1(2), 100012. doi: 10.1016/j.jjimei.2021.100012. [5] Massi, M. C., Ieva, F., Lettieri, E. Data mining applica- tion to healthcare fraud detection: a two-step unsu- pervised clustering method for outlier detection with administrative databases. BMC medical infor- matics and decision making (2020), 20, 1-11. doi: 10.1186/s12911-020-01143-9. [6] Oyewole, G. J., Thopil, G. A. Data clustering: Applica- tion and trends. Artificial Intelligence Review (2023), 56(7), 6439-6475. doi: 10.1007/s10462-022-10325-y. [7] Qin, X., Luo, Y., Tang, N., Li, G. Making data visualiza- tion more efficient and effective: a survey. The VLDB Journal (2020), 29, 93-117. doi: 10.1007/s00778-019- 00588-3. [8] Moore, J. Data visualization in support of executive decision making. Interdisciplinary Journal of Infor- mation (2017), 12, 125. doi: 10.28945/3687. [9] Nazir, S., Khan, M. N., Anwar, S., Adnan, A., Asadi, S., Shahzad, S., Ali, S. Big data visualization in cardiology —a systematic review and future directions. IEEE Access (2019), 7, 115945-115958. doi: 10.1109/ACCESS.2019.2936133. [10] Muzny, C. A., Cerca, N., Elnaggar, J. H., Taylor, C. M., Sobel, J. D., Van Der Pol, B. State of the Art for Diag- nosis of Bacterial Vaginosis. Journal of Clinical Mi- crobiology (2023), e00837-22. doi: 10.1128/jcm.00837- 22. [11] Pan, S. Data Visualization of COVID-19 in Canada [Tesis Licenciatura] Victoria, Canada: University of Victoria, 2022. http://hdl.handle.net/1828/14281. [12] Minjung, K. A Study on the Expression for Geospatial Data Visualization based on Disease Data. Design Re- search (2020), 188-199. [13] Hernández-Gómez, H. J., Canul-Reich, J., Hernán- dez-Ocaña, B., de la Cruz Hernández, E. An agglom- erative hierarchical clustering approach to identify coexisting bacteria in groups of bacterial vaginosis patients. Intelligent Data Analysis (2023), 27(3), 583- 611. doi: 10.3233/IDA-216488. [14] Milligan, J. N. Learning Tableau 2019: Tools for Busi- ness Intelligence, data prep, and visual analytics. Birmingham, UK: Packt Publishing Ltd, (2019). [15] Martins, N., Martins, S., Brandão, D. Design princi- ples in the development of dashboards for business 40 Programación Matemática y Software (2023) 15(2): 32-41. ISSN: 2007-3283 management. Perspectives on Design II: Research, Education and Practice (2022), 353-365. doi: 10.1007/978-3-030-79879-6_26. [16] Matheus, R., Janssen, M., Maheshwari, D. Data sci- ence empowering the public: Data-driven dash- boards for transparent and accountable decision- making in smart cities. Government Information Quarterly (2020), 37(3), 101284. doi: 10.1016/j.giq.2018.01.006. [17] Hernández Gómez, H. J. Visualización de datos (2023). Recuperado de https://public.tableau.com/app/profile/henryphd/ viz/VD2023AHC1/Exp1. [18] Hernández Gómez, H. J. Visualización de datos (2023). Recuperado de https://public.tableau.com/app/profile/henryphd/ viz/VD2023AHC2/Exp2. ACERCA DE LOS AUTORES Dr. Henry Jesús Hernández- Gómez. Henry Jesús Hernández Gómez es Doctor en Ciencias de la Computación por la Universidad Juárez Autónoma de Tabasco, en el área de Ciencias de Datos e Inteligencia Artificial. Recibió su grado de Maestro en Administración de Tecnologías de la Información en la Universidad Juárez Autónoma de Tabasco en 2014. Miembro Vigente del Patrón Estatal de Investigadores del Estado de Tabasco. Actualmente, es asistente de investigación externo de la Dra. Juana Canul-Reich. Su intereses en investigación incluyen aprendizaje automático en la medicina, bioinformática, visualización de datos, experiencia de usuario. Dra. Juana Canul-Reich. Juana Canul-Reich es Doctora en Ciencias de la Computación e Ingeniería por la Universidad del Sur de Florida, en el área de Minería de Datos. Actualmente es Profesora-Investigadora titular en la División Académica de Ciencias y Tecnologías de la Información de la UJAT, donde forma parte del Núcleo Académico Básico de la Maestría y del Doctorado en Ciencias de la Computación, ambos registrados en el PNPC del Conacyt. Es, además, miembro fundador del Cuerpo Académico Inteligencia Artificial, consolidado ante el Prodep. Desde el 2015, es miembro del Sistema Nacional de Investigadores del Conacyt. Participa activamente como árbitro en revistas científicas nacionales e internacionales. Ha sido responsable de proyectos de investigación financiados por el Prodep y Conacyt. Sus intereses en investigación se enfocan principalmente en la Ciencia de Datos e Inteligencia Artificial en el área de la Salud. 41 1. INTRODUCCIÓN 2. MATERIALES Y MÉTODOS 3. DESCRIPCIÓN DE LA INTERFAZ 4. VD PARA VB-PCR Y PATÓGENOS 5. RESULTADOS 6. CONCLUSIONES 6. TRABAJOS FUTUROS REFERENCIAS
Compartir