Atribución-SinDerivadas 2.5 Colombia (CC BY-ND 2.5 CO)Mejía Ospino, EnriquePrada Vargas, Yuly AndreaVelandia Hernández, Yenny Fernanda2024-02-282024-02-282024-02-272024-02-27https://noesis.uis.edu.co/handle/20.500.14071/15926La enfermedad de Chagas es causada por el parásito Trypanosoma cruzi, y representa una amenaza persistente y potencialmente letal. Las pruebas confirmatorias son clave para prevenir la progresión de la enfermedad a la fase crítica y evitar consecuencias como la insuficiencia cardíaca y muerte. En el diagnóstico, las técnicas iniciales basadas en tinciones sanguíneas y las pruebas serológicas han enfrentado desafíos con falsos negativos y positivos en distintas fases de la enfermedad. En este estudio, se empleó la Espectrometría de masas MALDI-TOF junto con herramientas computacionales basadas en el aprendizaje automatizado supervisado para formular un modelo predictivo de la enfermedad de Chagas. Este enfoque novedoso en el diagnóstico siguió un proceso secuencial que inició con la selección de muestras, determinación de proteínas totales presentes en suero, preparación de muestras por digestión enzimática de proteínas y finalmente la obtención de los perfiles proteómicos para la formulación de modelos predictivos basados en Machine learning. Como resultado del estudio se obtuvieron 9 modelos de predicción con exactitud del 83-100%. De los cuales, los algoritmos de Máquinas de Vectores de Soporte y Clasificación de Vector Nu-Apoyo (NuSVC) brindaron la exactitud más alta (100%) mientras que los algoritmos correspondientes a Perceptrones Multicapa (MLP) y K-Vecinos Más Cercanos (KNN) obtuvieron la exactitud más baja con 90% y 83% respetivamente. Estos resultados respaldan la efectividad de la metodología propuesta, destacando su potencial para una detección precisa y eficiente de la enfermedad de Chagas.application/pdfspainfo:eu-repo/semantics/openAccessEnfermedad de ChagasdiagnósticoAprendizaje automatizadoUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - PregradoUniversidad Industrial de Santanderhttps://noesis.uis.edu.coChagas diseasediagnosticMachine learninghttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)