Visualizaciones_de_datos_para_el_analisi

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