Aproximación al desempeño operativo de un modelo de redes neuronales en el diagnóstico de la infertilidad masculina

Esteban Velilla-Hernández, Paula A. Velilla-Hernández, Walter Cardona-Maya

Resumen


Objetivo: realizar una aproximación a la capacidad de las redes neuronales supervisadas para clasificar lizando los parámetros seminales convencionales.

Materiales y métodos: estudio de corte transversal ensamblado sobre la base de datos del Grupo Reproducción de la Universidad de Antioquia, en el que se escogieron hombres con problemas re-productivos en los doce meses previos y hombres con antecedente de haber tenido hijos. Muestreo por conveniencia. Se tomaron en cuenta: la edad, el tiempo de abstinencia sexual, el volumen del eyaculado, el pH, los porcentajes de movilidad y de viabilidad, y la concentración espermática. Mediante una red neuronal supervisada se desarrolló un modelo de entrenamiento y un modelo de validación.

Resultados: se incluyeron 204 hombres. Para el modelo de entrenamiento 129 hombres, 35 para la validación, 40 para probar el modelo y 25 para la validación externa. En el modelo de la red neuronal clasificó adecuadamente el 90% de los sujetos con problemas reproductivos y el 91% de los sujetos cuadamente el 40% de los sujetos con problemas reproductivos y el 100% de los sujetos fértiles.

Conclusión: las redes neuronales surgen como una tecnología que podría ser valiosa para el estudio de la infertilidad masculina. Se requieren evaluaciones más rigurosas para definir su real utilidad en el estudio de la pareja infértil.


Palabras clave


red neuronal no supervisada; espermatozoide; fertilidad; Colombia

Texto completo:

PDF

Referencias


Irvine DS. Epidemiology and aetiology of male infertility. Hum Reprod. 1998;13 Suppl 1:33-44.

Cardona W. Manual de procesamiento de semen humano de la Organizacion Mundial de la Salud-2010. Actas Urol Esp. 2010;34:577-8.

WHO. WHO Laboratory Manual for the Examination of Human Semen and Sperm-Cervical Mucus Interaction: WHO; 1999.

WHO. WHO laboratory manual for the examination and processing of human semen: World Health Organization; 2010.

Dunphy BC, Kay R, Barratt CL, Cooke ID. Is routine examination of the male partner of any prognostic value in the routine assessment of couples who complain of involuntary infertility? Fertil Steril. 1989;52:454-6.

Polansky FF, Lamb EJ. Do the results of semen analysis predict future fertility? A survival analysis study. Fertility and sterility. 1988;49:1059-65.

Cooper TG, Noonan E, von Eckardstein S, Auger J, Baker HW, Behre HM, et al. World Health Organization reference values for human semen characteristics. Hum Reprod Update. 2010;16:231-45.

David G, Jouannet P, Martin-Boyce A, Spira A, Schwartz D. Sperm counts in fertile and infertile men. Fertil Steril. 1979;31:453-5.

De los Rios J, Cardona WD, Berdugo JA, Correa C, Arenas A, Olivera-Angel M, et al. Los valores espermáticos de 113 individuos con fertilidad reciente no mostraron correlación con los parámetros establecidos por la OMS. Arch Esp Urol. 2004;57:147-52.

Berdugo J, Andrade-Rocha F, Cardona-Maya W. Parámetros seminales en hombre fértiles de dos poblaciones suramericanas. Arch Esp Urol. 2009;62:646-50.

Cardona Maya WD, Berdugo Gutierrez JA, de los Rios J, Cadavid Jaramillo AP. Functional evaluation of sperm in Colombian fertile men. Arch Esp Urol. 2007;60:827-31.

Gil-Villa AM, Cardona-Maya W, Agarwal A, Sharma R, Cadavid A. Role of male factor in early recurrent embryo loss: do antioxidants have any effect? Fertil Steril. 2009;92:565-71.

Gil-Villa AM, Cardona-Maya W, Agarwal A, Sharma R, Cadavid A. Assessment of sperm factors possibly involved in early recurrent pregnancy loss. Fertil Steril. 2010;94:1465-72.

Rodríguez E, Gil-Villa AM, Aguirre-Acevedo DC, Cardona-Maya W, Cadavid AP. Evaluación de parámetros seminales no convencionales en individuos cuyas parejas presentan muerte embrionaria temprana recurrente: en busca de un valor de referencia. Biomedica. 2011;31:100-7.

Haykin S, Network N. A comprehensive foundation. Neural Networks. 2004;2.

Gabutti L, Burnier M, Mombelli G, MAL F, Pellegrini L, Marone C. Usefulness of artificial neural networks to predict follow-up dietary protein intake in hemodialysis patients. Kidney international. 2004;66:399-407.

Maiellaro P, Cozzolongo R, Marino P. Artificial neural networks for the prediction of response to interferon plus ribavirin treatment in patients with chronic hepatitis C. Current pharmaceutical design. 2004;10:2101-9.

Lim WK, Er MJ. Classification of mammographic masses using generalized dynamic fuzzy neural networks. Medical physics. 2004;31:1288.

Loukas C, Brown P. Online prediction of self-paced hand-movements from subthalamic activity using neural networks in Parkinson’s disease. Journal of neuroscience methods. 2004;137:193-205.

Jaimes F, Farbiarz J, Alvarez D, Martínez C. Comparison between logistic regression and neural networks to predict death in patients with suspected sepsis in the emergency room. Critical Care. 2005;9:R150.

Cardona-Maya W, Berdugo J, Cadavid A. Comparación de la concentración espermática usando la cámara de Makler y la cámara de Neubauer. Actas Urol Esp. 2008;32:443-5.

Meireles MRG, Almeida PEM, Simões MG. A comprehensive review for industrial applicability of artificial neural networks. Industrial Electronics, IEEE Transactions on. 2003;50:585-601.

Velilla E, Villada F, Echeverría F. Modelos de pérdida de masa de acero por corrosión atmosférica en Colombia usando inteligencia computacional. Revista Facultad de Ingeniería Universidad de Antioquia. 2009;81-8.

Gaitán-Duarte H, Rubio-Romero J, Gómez-Chantraine M. Interpretación del desempeño operativo de las pruebas de tamizaje y de diagnóstico de enfermedades en obstetricia y ginecología. Rev Colomb Obstet Ginecol. 2009;60:365-76.

Niederberger C. Computational tools for the modern andrologist. J Androl. 1996;17:462.

Niederberger C, Lipshultz L, Lamb D. A neural network to analyze fertility data. Fertil Steril. 1993; 60:324-30.

Alegre Gutiérrez E, Sánchez González L, Alaiz Rodríguez R, Domínguez-Fernández JC. Utilización de momentos estadísticos y redes neuronales en la clasificación de cabezas de espermatozoides de verraco. XXV Jornada de Automática Ciudad Real. 2004;2:2.

Linneberg C, Salamon P, Svarer C, Hansen LK, Meyrowitsch J, editors. Towards semen quality assessment using neural networks. Neural Networks for Signal Processing 1994. IV Proceedings of the 1994 IEEE Workshop; 1994.

Manna C, Nanni L, Lumini A, Pappalardo S. Artificial intelligence techniques for embr yo and oocyte classification. Reprod Biomed Online. 2013;26:42-9.

Lamb DJ, Niederberger CS. Artificial intelligence in medicine and male infertility. World J Urol. 1993;11:129-36.


comments powered by Disqus

Métricas de artículo

Cargando métricas ...

Metrics powered by PLOS ALM




Copyright (c) 2015 Revista Colombiana de Obstetricia y Ginecología

Licencia de Creative Commons
Este obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional.

ISSN Impreso       0034-7434 

ISSN Electrónico   2463-0225

https://doi.org/10.18597/issn.0034-7434