Una aproximación a los factores de riesgo relacionados con la enfermedad de alzheimer

##plugins.themes.bootstrap3.article.main##

Johan Sebastián Medina Cañizales
Octavio José Salcedo Parra
Juan Pablo Rodríguez Miranda

Keywords

Alzheimer, factores de riesgo, scrum, inteligencia artificial, aprendizaje automático, conjunto de datos

Resumen

El objetivo de este artículo es desarrollar una aplicación que integre tecnologías de inteligencia artificial, aprendizaje automático y computación en la nube para reducir las posibilidades del usuario de padecer la enfermedad de Alzheimer en el futuro. Entre las expectativas con respecto a la aplicación se encuentra que pueda recopilar datos sobre los factores de riesgo más comunes en los pacientes de Alzheimer como el nivel educativo, los niveles hormonales y nutricionales y los hábitos de vida (tabaquismo, sedentarismo, alcohol, etc.) para prevenir el Alzheimer. También se espera que pueda determinar el nivel de peligro y los principales factores de riesgo que el usuario debe conocer. Este software seguirá ejecutándose en la computación en la nube para garantizar que siempre esté sincronizado con las bases de datos que contienen los factores descritos anteriormente, como MEDLINE, PubMed, AlzForum (ALZRISK) y ADNI. Este último recopila diferentes fuentes de datos como AIBL y DoD-ADNI.

Descargas

Los datos de descargas todavía no están disponibles.
Abstract 71 | PDF Downloads 25

Citas

Why the number of Americans with Alzheimer’s could more than double by 2050, 2019. Disponible online https://to.pbs. org/2W5bBje

Factors associated with quality of life in patients with Alzheimer’s disease, Coralie Barbe, Damien Jolly, Isabella Monrrone, 2018. https://doi.org/10.1186/s12877-018-0855-7

The role of sleep deprivation and circadian rhythm disruption as risk factors of Alzheimer’s disease, Hao Wu, Sophie Dunnett, Yuen-Shan Ho, 2019. https://doi.org/10.1016/j. yfrne.2019.100764 [4] Increased Alzheimer’s risk during the menopause transition, Lisa Mosconi, Aneela Rahman, Ivan Diaz, Xian Wu, 2018. https://doi. org/10.1371/journal.pone.0207885

Alzheimer’s disease: nutritional status and cognitive aspects associated with disease severity, Lineau Correa, Gloria Souza, Julia Laura Delbue, Barbosa Nascimento, 2018. http://dx.doi.org/10.20960/nh.2067

Prevalencia de variantes en el gen de la apolipoproteína E (APOE) en adultos de la población general del área urbana de Medellín (Antioquia), Arango Viana Juan Carlos, Palacio Carlos, García Valencia, 2014. http://www. redalyc.org/articulo.oa?id=80631556004

Factores asociados con el declive cognitivo en población menor de 65 años. Una revisión, Lopera Restrepo Francisco, Aguirre Camilo, Giraldo Arango Diana, Jaimes Barragan Fabian, 2014. http://www.redalyc.org/articulo. oa?id=80631556008

Cholesterol, APOE genotype, and Alzheimer disease, K. Hall, J. Murrell, R. Evans, 2006. https://doi.org/10.1212/01. wnl.0000194507.39504.17

Midlife Work-Related Stress Increases Dementia Risk in Later Life: The CAIDE 30-Year Study, Shireen Sindi, Goran Hagman, Krister Hakansson, 2017. https://doi.org/10.1093/ geronb/gbw043

Detecting Alzheimer’s Disease on Small Dataset: A Knowledge Transfer Perspective, Wei Li, Yifei Zhao, Xi Chen, 2019. http://bit. ly/2xc6SkT

Deep Learning Framework for Alzheimer’s Disease Diagnosis, Chiyu Feng, Ahmed Elazab, Peng Yang, 2019. http://bit. ly/2Lh7le2

Learn Python Programming and Machine Learning, DataQuest, http://bit.ly/30sA5Vd

Find the largest three elements in an array, GeeksForGeeks, http://bit.ly/2Jv2nsM