Javier Trujillano. Hospital Arnau de Vilanova. Unidad de Cuidados Intensivos. Avda. Rovira Roure, 80. 25198 Lleida. España.
se ha leído el artículo
array:24 [ "pii" => "S0213911108712044" "issn" => "02139111" "doi" => "10.1157/13115113" "estado" => "S300" "fechaPublicacion" => "2008-01-01" "aid" => "71204" "copyright" => "Sociedad Española de Salud Pública y Administración Sanitaria" "copyrightAnyo" => "2008" "documento" => "article" "crossmark" => 0 "licencia" => "http://creativecommons.org/licenses/by-nc-nd/4.0/" "subdocumento" => "sco" "cita" => "Gac Sanit. 2008;22:65-72" "abierto" => array:3 [ "ES" => true "ES2" => true "LATM" => true ] "gratuito" => true "lecturas" => array:2 [ "total" => 7277 "formatos" => array:3 [ "EPUB" => 142 "HTML" => 6301 "PDF" => 834 ] ] "itemSiguiente" => array:19 [ "pii" => "S0213911108712056" "issn" => "02139111" "doi" => "10.1157/13115115" "estado" => "S300" "fechaPublicacion" => "2008-01-01" "aid" => "71205" "copyright" => "Sociedad Española de Salud Pública y Administración Sanitaria" "documento" => "article" "crossmark" => 0 "licencia" => "http://creativecommons.org/licenses/by-nc-nd/4.0/" "subdocumento" => "sco" "cita" => "Gac Sanit. 2008;22:73-5" "abierto" => array:3 [ "ES" => true "ES2" => true "LATM" => true ] "gratuito" => true "lecturas" => array:2 [ "total" => 4284 "formatos" => array:3 [ "EPUB" => 129 "HTML" => 3675 "PDF" => 480 ] ] "es" => array:11 [ "idiomaDefecto" => true "titulo" => "Lipoatrofia semicircular: un nuevo trastorno de salud relacionado con el trabajo" "tienePdf" => "es" "tieneTextoCompleto" => "es" "tieneResumen" => array:2 [ 0 => "es" 1 => "en" ] "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "73" "paginaFinal" => "75" ] ] "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "Semicircular lipoatrophy: a new occupational disease" ] ] "contieneResumen" => array:2 [ "es" => true "en" => true ] "contieneTextoCompleto" => array:1 [ "es" => true ] "contienePdf" => array:1 [ "es" => true ] "autores" => array:1 [ 0 => array:2 [ "autoresLista" => "Helena Pañella, Elena Juanola, Josep Lluís de Peray, Lucía Artazcoz" "autores" => array:4 [ 0 => array:2 [ "nombre" => "Helena" "apellidos" => "Pañella" ] 1 => array:2 [ "nombre" => "Elena" "apellidos" => "Juanola" ] 2 => array:2 [ "nombre" => "Josep" "apellidos" => "Lluís de Peray" ] 3 => array:2 [ "nombre" => "Lucía" "apellidos" => "Artazcoz" ] ] ] ] ] "idiomaDefecto" => "es" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S0213911108712056?idApp=WGSE" "url" => "/02139111/0000002200000001/v1_201301221328/S0213911108712056/v1_201301221328/es/main.assets" ] "itemAnterior" => array:19 [ "pii" => "S0213911108712032" "issn" => "02139111" "doi" => "10.1157/13115112" "estado" => "S300" "fechaPublicacion" => "2008-01-01" "aid" => "71203" "copyright" => "Sociedad Española de Salud Pública y Administración Sanitaria" "documento" => "article" "crossmark" => 0 "licencia" => "http://creativecommons.org/licenses/by-nc-nd/4.0/" "subdocumento" => "rev" "cita" => "Gac Sanit. 2008;22:58-64" "abierto" => array:3 [ "ES" => true "ES2" => true "LATM" => true ] "gratuito" => true "lecturas" => array:2 [ "total" => 7130 "formatos" => array:3 [ "EPUB" => 140 "HTML" => 6423 "PDF" => 567 ] ] "es" => array:11 [ "idiomaDefecto" => true "titulo" => "Las investigaciones sobre promoción y educación para la salud en las etapas de infantil y primaria de la escuela española. Una revisión de los estudios publicados entre 1995 y 2005" "tienePdf" => "es" "tieneTextoCompleto" => "es" "tieneResumen" => array:2 [ 0 => "es" 1 => "en" ] "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "58" "paginaFinal" => "64" ] ] "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "Research on health education and promotion in Spanish nursery and primary schools. A systematic review of studies published between 1995 and 2005" ] ] "contieneResumen" => array:2 [ "es" => true "en" => true ] "contieneTextoCompleto" => array:1 [ "es" => true ] "contienePdf" => array:1 [ "es" => true ] "autores" => array:1 [ 0 => array:2 [ "autoresLista" => "Mari Carmen Davó, Diana Gil-González, Carmen Vives-Cases, Carlos Álvarez-Dardet, Daniel La Parra" "autores" => array:5 [ 0 => array:2 [ "nombre" => "Mari" "apellidos" => "Carmen Davó" ] 1 => array:2 [ "nombre" => "Diana" "apellidos" => "Gil-González" ] 2 => array:2 [ "nombre" => "Carmen" "apellidos" => "Vives-Cases" ] 3 => array:2 [ "nombre" => "Carlos" "apellidos" => "Álvarez-Dardet" ] 4 => array:2 [ "nombre" => "Daniel" "apellidos" => "La Parra" ] ] ] ] ] "idiomaDefecto" => "es" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S0213911108712032?idApp=WGSE" "url" => "/02139111/0000002200000001/v1_201301221328/S0213911108712032/v1_201301221328/es/main.assets" ] "es" => array:18 [ "idiomaDefecto" => true "titulo" => "Aproximación a la metodología basada en árboles de decisión (CART). Mortalidad hospitalaria del infarto agudo de miocardio" "tieneTextoCompleto" => true "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "65" "paginaFinal" => "72" ] ] "autores" => array:1 [ 0 => array:4 [ "autoresLista" => "Javier Trujillano, Antonio Sarria-Santamera, Aureli Esquerda, Mariona Badia, Matilde Palma, Jaume March" "autores" => array:6 [ 0 => array:4 [ "nombre" => "Javier" "apellidos" => "Trujillano" "email" => array:1 [ 0 => "jtruji@cmb.udl.es" ] "referencia" => array:3 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">a</span>" "identificador" => "aff1" ] 1 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">b</span>" "identificador" => "aff2" ] 2 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">†</span>" "identificador" => "cor1" ] ] ] 1 => array:3 [ "nombre" => "Antonio" "apellidos" => "Sarria-Santamera" "referencia" => array:2 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">c</span>" "identificador" => "aff3" ] 1 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">d</span>" "identificador" => "aff4" ] ] ] 2 => array:3 [ "nombre" => "Aureli" "apellidos" => "Esquerda" "referencia" => array:1 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">e</span>" "identificador" => "aff5" ] ] ] 3 => array:3 [ "nombre" => "Mariona" "apellidos" => "Badia" "referencia" => array:1 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">a</span>" "identificador" => "aff1" ] ] ] 4 => array:3 [ "nombre" => "Matilde" "apellidos" => "Palma" "referencia" => array:1 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">c</span>" "identificador" => "aff3" ] ] ] 5 => array:3 [ "nombre" => "Jaume" "apellidos" => "March" "referencia" => array:1 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">b</span>" "identificador" => "aff2" ] ] ] ] "afiliaciones" => array:5 [ 0 => array:3 [ "entidad" => "Unidad de Cuidados Intensivos, Hospital Universitario Arnau de Vilanova, Lleida, España" "etiqueta" => "<span class="elsevierStyleSup">a</span>" "identificador" => "aff1" ] 1 => array:3 [ "entidad" => "Departamento de Ciencias Médicas Básicas, Universidad de Lleida, IRBLLEIDA, Lleida, España" "etiqueta" => "<span class="elsevierStyleSup">b</span>" "identificador" => "aff2" ] 2 => array:3 [ "entidad" => "Agencia de Evaluación de Tecnología Sanitaria, ISCIII, Madrid, Red IRYSS, Madrid, España" "etiqueta" => "<span class="elsevierStyleSup">c</span>" "identificador" => "aff3" ] 3 => array:3 [ "entidad" => "Departamento de Ciencias Sanitarias y Médicosociales, Universidad de Alcalá, Madrid, España" "etiqueta" => "<span class="elsevierStyleSup">d</span>" "identificador" => "aff4" ] 4 => array:3 [ "entidad" => "Laboratorio de Bioquímica, Hospital Universitario Arnau de Vilanova, Lleida, España" "etiqueta" => "<span class="elsevierStyleSup">e</span>" "identificador" => "aff5" ] ] "correspondencia" => array:1 [ 0 => array:3 [ "identificador" => "cor1" "etiqueta" => "†" "correspondencia" => "Javier Trujillano. Hospital Arnau de Vilanova. Unidad de Cuidados Intensivos. Avda. Rovira Roure, 80. 25198 Lleida. España." ] ] ] ] "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "Approach to the methodology of classification and regression trees" ] ] "resumenGrafico" => array:2 [ "original" => 0 "multimedia" => array:7 [ "identificador" => "f0010" "etiqueta" => "Figura 1" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr1.jpeg" "Alto" => 637 "Ancho" => 1962 "Tamanyo" => 67507 ] ] "descripcion" => array:1 [ "es" => "<p id="sp0010" class="elsevierStyleSimplePara elsevierViewall">Esquema de partición dicotómica en la construcción del árbol de decisión.</p>" ] ] ] "textoCompleto" => "<span class="elsevierStyleSections"><span id="s0010" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="st0010">Introducción</span><p id="p0010" class="elsevierStylePara elsevierViewall">En la toma de decisiones en medicina es importante buscar metodologías que sean precisas y nos ayuden a resolver los problemas que surgen a la hora de clasificar, estratificar o pronosticar a nuestros pacientes<a class="elsevierStyleCrossRef" href="#bb0010"><span class="elsevierStyleSup">1</span></a>.</p><p id="p0015" class="elsevierStylePara elsevierViewall">Esta labor de clasificar adquiere más importancia si se dirige a crear directrices de planificación o en la elaboración de guías de actuación generales. A la hora de afrontar este problema de clasificación se han utilizado diversas aproximaciones metodológicas<a class="elsevierStyleCrossRef" href="#bb0010"><span class="elsevierStyleSup">1</span></a>.</p><p id="p0020" class="elsevierStylePara elsevierViewall">Los distintos métodos empleados deben enfrentarse a 4 sucesivas barreras: <span class="elsevierStyleItalic">a)</span> seleccionar qué variables se utilizan como predictoras; <span class="elsevierStyleItalic">b)</span> analizar el tipo de variables y su naturaleza (p. ej., si siguen patrones de normalidad); <span class="elsevierStyleItalic">c)</span> valorar la posibilidad de interacciones entre las variables, y <span class="elsevierStyleItalic">d)</span> plantearse si el modelo resultante será útil en la práctica asistencial.</p><p id="p0025" class="elsevierStylePara elsevierViewall">La utilización (en los últimos 10 años) de árboles de decisión, y entre ellos los de tipo CART (Classification and Regression Trees), aporta una aproximación que intenta solucionar estas 4 barreras y muestra, en algunas aplicaciones, ciertas ventajas respecto a otros modelos<a class="elsevierStyleCrossRef" href="#bb0015"><span class="elsevierStyleSup">2</span></a>. Su utilización se ha extendido a áreas de la biología y la medicina<a class="elsevierStyleCrossRefs" href="#bb0020"><span class="elsevierStyleSup">3-9</span></a>.</p><p id="p0030" class="elsevierStylePara elsevierViewall">Un árbol de clasificación es una forma de representar el conocimiento obtenido en el proceso de aprendizaje inductivo. Puede considerarse como la estructura resultante de la partición binaria recursiva del espacio de representación a partir del conjunto de registros utilizados. Cada registro está formado por el conjunto de valores de las variables predictoras y el valor de la variable resultado que corresponde a cada caso. Esta partición binaria recursiva se plasma en una organización jerárquica del espacio de representación que puede modelarse mediante una estructura tipo árbol. Cada nodo interior contiene una pregunta sobre una variable predictora concreta (con un hijo para cada una de las 2 posibles respuestas) y cada nodo hoja se refiere a un resultado (o clasificación)<a class="elsevierStyleCrossRef" href="#bb0055"><span class="elsevierStyleSup">10</span></a>.</p><p id="p0035" class="elsevierStylePara elsevierViewall">Un esquema sencillo puede apreciarse en la <a class="elsevierStyleCrossRef" href="#f0010">figura 1</a>. El problema es separar (clasificar) entre los 2 tipos de figuras (puntos y cruces) en el plano utilizando los valores de las 2 variables (X e Y). Se parte del nodo raíz con 20 puntos y 10 cruces. La primera pregunta es sobre la variable X (valores por encima de 3); si son valores por encima de 3 se constituye un nodo hoja (1) que clasifica correctamente 15 puntos. Si el valor de X no supera a 3 (tenemos 5 puntos y 10 cruces) y surge la segunda pregunta sobre la variable Y (por encima del valor 3), si son valores superiores a 3 en el nodo hoja (3) se clasifican 9 cruces y un punto. Si el valor de Y no supera a 3 se concluye en el nodo hoja (2) con 4 puntos y una cruz. Podríamos seguir haciendo particiones sucesivas hasta conseguir una clasificación pura. Naturalmente, en la mayoría de las ocasiones no se encuentra una clasificación absoluta o el árbol necesario para conseguirla es muy grande (podríamos llegar a un árbol con tantos nodos hojas como registros disponibles en nuestra base de datos).</p><elsevierMultimedia ident="f0010"></elsevierMultimedia><p id="p0040" class="elsevierStylePara elsevierViewall">La clasificación de patrones se realiza según una serie de preguntas sobre las variables predictoras, empezando por el nodo raíz (el primero o de origen) y siguiendo el camino determinado por las respuestas a las preguntas en los nodos internos, hasta llegar a un nodo hoja. La etiqueta asignada a este nodo hoja es la que determina la clasificación asignada.</p><p id="p0045" class="elsevierStylePara elsevierViewall">La serie de preguntas/respuestas (que acaba en cada nodo hoja) constituye una regla de decisión.</p><p id="p0050" class="elsevierStylePara elsevierViewall">Un árbol quedará resumido en el conjunto de reglas de decisión que lo compone. Para la interpretación de estas reglas se aplica un punto de vista lógico y la plausibilidad clínica. Puede decirse que la forma de pensar en medicina se aproxima a utilizar y sintetizar reglas de decisión que generalizan los problemas clínicos o diagnósticos; por ello, los árboles de decisión pueden ser bien aceptados por los médicos asistenciales.</p><p id="p0055" class="elsevierStylePara elsevierViewall">El objetivo de este trabajo es acercarnos a la metodología CART, analizar un ejemplo (estratificar la mortalidad debida a un infarto agudo de miocardio [IAM] en pacientes ingresados), comparar con otras metodologías (regresión logística [RL] múltiple y red neuronal artificial [RNA]), según los resultados del ejemplo, y mostrar sus posibles ventajas y desventajas de forma general.</p></span><span id="s0015" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="st0015">Método</span><span id="s0020" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="st0020">Base de datos. Variables</span><p id="p0060" class="elsevierStylePara elsevierViewall">Estudio retrospectivo realizado con el conjunto mínimo básico de datos al alta hospitalaria (CMBD) de Andalucía, Cataluña, Madrid y País Vasco de los años 2001 y 2002, que incluye los casos con IAM como diagnóstico principal. Los datos de esta base (así como la definición de sus variables) ya se han descrito en otros trabajos<a class="elsevierStyleCrossRef" href="#bb0060"><span class="elsevierStyleSup">11</span></a>. Los 33.203 pacientes se dividen aleatoriamente (70-30%) en grupo de desarrollo (GD = 23.277) y grupo de validación (GV = 9.926). Utilizamos las 10 variables predictoras que mostraron más importancia en el análisis univariante (sexo, edad en años, hipertensión arterial [HTA], fibrilación ventricular [FV], arritmia, insuficiencia cardíaca, accidente cerebrovascular agudo [ACVA], insuficiencia respiratoria [IResp], insuficiencia renal [IRenal] y shock), y como variable de salida el estado (vivo/muerto) al alta hospitalaria.</p></span><span id="s0025" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="st0025">Desarrollo de un árbol de clasificación (CART)</span><p id="p0065" class="elsevierStylePara elsevierViewall">El proceso pueden esquematizarse en 4 fases: construcción (<span class="elsevierStyleItalic">building</span>) del árbol, parada (<span class="elsevierStyleItalic">stopping</span>) del proceso de crecimiento del árbol (se constituye un árbol máximo que sobreajusta la información contenida en nuestra base de datos), podado (<span class="elsevierStyleItalic">pruning</span>) del árbol haciéndolo más sencillo y dejando sólo los nodos más importantes y, por último, selección (<span class="elsevierStyleItalic">selection</span>) del árbol óptimo con capacidad de generalización.</p><p id="p0070" class="elsevierStylePara elsevierViewall">La construcción del árbol comienza en el nodo raíz, que incluye todos los registros de la base de datos. A partir de este nodo el programa debe buscar la variable más adecuada para partirlo en 2 nodos hijos. Para elegir la mejor variable debe utilizarse una medida de pureza (<span class="elsevierStyleItalic">purity</span>) en la valoración de los 2 nodos hijos posibles (la variable que consigue una mayor pureza se convierte en la utilizada en primer lugar, y así sucesivamente). Debe buscarse una función de partición (<span class="elsevierStyleItalic">splitting function</span>) que asegure que la pureza en los nodos hijos sea la máxima. Una de las funciones más utilizada es la denominada Gini (se alcanza un índice de pureza que se considera como máximo).</p><p id="p0075" class="elsevierStylePara elsevierViewall">El índice de Gini en el nodo <span class="elsevierStyleItalic">t</span>, <span class="elsevierStyleItalic">g</span>(<span class="elsevierStyleItalic">t</span>), se puede formular del modo siguiente: <elsevierMultimedia ident="fo0010"></elsevierMultimedia> donde <span class="elsevierStyleItalic">i</span> y <span class="elsevierStyleItalic">j</span> son las categorías de la variable predictora y <span class="elsevierStyleItalic">p</span> es proporción.</p><p id="p0080" class="elsevierStylePara elsevierViewall">La función de criterio Φ(<span class="elsevierStyleItalic">s</span>,<span class="elsevierStyleItalic">t</span>) para la división <span class="elsevierStyleItalic">s</span> en el nodo <span class="elsevierStyleItalic">t</span> se define como: <elsevierMultimedia ident="fo0015"></elsevierMultimedia> donde <span class="elsevierStyleItalic">p<span class="elsevierStyleInf">L</span></span> es la proporción de casos de t enviados al nodo hijo de la izquierda, y <span class="elsevierStyleItalic">p<span class="elsevierStyleInf">R</span></span> al nodo hijo de la derecha.</p><p id="p0085" class="elsevierStylePara elsevierViewall">Cuando se comienza en el nodo raíz <span class="elsevierStyleItalic">t</span> = <span class="elsevierStyleItalic">1</span> (y también en las particiones sucesivas), se busca la división <span class="elsevierStyleItalic">s</span>*, de entre todas las posibles de <span class="elsevierStyleItalic">S</span>, que de un valor con mayor reducción de la impureza: <elsevierMultimedia ident="fo0020"></elsevierMultimedia></p><p id="p0090" class="elsevierStylePara elsevierViewall">Luego se divide el nodo 1 en 2 nodos hijos (<span class="elsevierStyleItalic">t</span> = <span class="elsevierStyleItalic">2 y t</span> = <span class="elsevierStyleItalic">3</span>) utilizando la división <span class="elsevierStyleItalic">s</span>*. Este valor de la función de impureza, ponderado por la proporción de todos los casos del nodo <span class="elsevierStyleItalic">t</span>, es el valor del que se informa en el árbol como «mejora».</p><p id="p0095" class="elsevierStylePara elsevierViewall">En el proceso sucesivo de construcción y crecimiento del árbol se debe asignar una clase (etiqueta) a cada nodo (desde la raíz hasta los nodos hoja). El procedimiento de asignación de clase debe hacerse por medio de una función de asignación, en la que se tiene en cuenta la probabilidad a priori asignada a cada clase (según la base de datos empleada), la pureza de la partición y la proporción final de casos que aparecen en los nodos hojas. Al igual que puede determinarse la pureza para un nodo concreto, puede evaluarse de forma conjunta para todo el árbol.</p><p id="p0100" class="elsevierStylePara elsevierViewall">El crecimiento de un árbol continúa hasta que se produce cualquiera de estas 3 posibilidades: sólo hay una observación (caso) en cada nodo hoja, todas las observaciones tienen la misma probabilidad asignada en los nodos hoja (es imposible determinar el criterio de máxima pureza), o se ha fijado un límite externo de la profundidad (número de niveles máximo) del crecimiento del árbol. El árbol que se ha generado de esta forma clasifica correctamente los registros utilizados en su proceso de aprendizaje (se dice que este «sobrea-prendizaje» se obtiene porque el modelo ha «sobrea-justado» los datos empleados en esta fase), pero cuando se enfrente a nuevos registros no se asegura su capacidad de generalización.</p><p id="p0105" class="elsevierStylePara elsevierViewall">El árbol complejo que se ha creado debe simplificarse para que alcance esta capacidad de generalización. Se utiliza un método de podado del árbol. El procedimiento asegura que sólo se retiran los nodos que incrementan muy poco la precisión del árbol. Se utiliza una medida de coste-complejidad (que combina los criterios de precisión frente a complejidad en el número de nodos y velocidad de procesamiento), buscando el árbol que obtiene menor valor en este parámetro. Los árboles más sencillos (podados con este criterio) aseguran una mayor capacidad de generalización.</p><p id="p0110" class="elsevierStylePara elsevierViewall">De todos los árboles podados posibles debe seleccionarse el mejor. El mejor árbol (árbol solución) será el que consigue menor error en el ajuste de los registros utilizados en su proceso de aprendizaje. Pero esta condición no es suficiente, debe ajustar bien la base de datos utilizada en su aprendizaje, pero también debe ajustar registros no empleados en esta fase. Para conseguir este objetivo hay diversos métodos.</p><p id="p0115" class="elsevierStylePara elsevierViewall">El método más común (implementado en los programas de mayor utilización), que no precisa un conjunto de prueba independiente, se denomina validación cruzada. La validación cruzada es un método de remuestreo que aprovecha el total de la información disponible en la base de datos sin prescindir de una parte de sus registros.</p><p id="p0120" class="elsevierStylePara elsevierViewall">En la validación cruzada se divide de forma aleatoria la base de datos utilizada en la fase de aprendizaje (conjunto de aprendizaje) en N partes (normalmente 10). De forma secuencial, cada una de estos subconjuntos se reserva para emplearse como conjunto de prueba frente al modelo de árbol generado por los N-1 subconjuntos restantes. Obtenemos así N modelos diferentes, donde se puede evaluar la precisión de las clasificaciones tanto en el conjunto de aprendizaje (N-1) como en los subconjuntos de prueba (N), y podemos seleccionar el árbol óptimo cuando la precisión se alcance tanto en uno como en otro subconjunto.</p><p id="p0125" class="elsevierStylePara elsevierViewall">Las diferencias principales entre los distintos algoritmos de construcción de árboles de decisión radican en las estrategias de poda y en la regla adoptada para partir los nodos.</p></span><span id="s0030" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="st0030">Modelo de regresión logística múltiple y red neuronal artificial</span><p id="p0130" class="elsevierStylePara elsevierViewall">Utilizamos un modelo de RL con posibilidad de selección de variables por pasos.</p><p id="p0135" class="elsevierStylePara elsevierViewall">Para el desarrollo de la RNA utilizamos una arquitectura de perceptrón multicapa (MLP, <span class="elsevierStyleItalic">multilayered perceptron</span>) entrenado con algoritmo de retropropagación del error (<span class="elsevierStyleItalic">backpropagation</span>). Este tipo de RNA es una de las más utilizadas en el ámbito de la medicina<a class="elsevierStyleCrossRef" href="#bb0065"><span class="elsevierStyleSup">12</span></a>.</p><p id="p0140" class="elsevierStylePara elsevierViewall">Para la creación de la RNA utilizamos el programa comercial Qnet 97 (Vesta Services Inc.). Los parámetros de entrenamiento modificables en el <span class="elsevierStyleItalic">software</span> (momento, coeficiente de aprendizaje, etc.) fueron optimizados para alcanzar el mejor resultado de la red<a class="elsevierStyleCrossRef" href="#bb0070"><span class="elsevierStyleSup">13</span></a>.</p></span><span id="s0035" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="st0035">Comparación de los modelos</span><p id="p0145" class="elsevierStylePara elsevierViewall">Para comparar los distintos modelos se medirán sus propiedades de sensibilidad (S), especificidad (E), área bajo la curva ROC (ABC) y porcentaje de correcta clasificación (PCC) con sus correspondientes intervalos de confianza (IC) del 95%<a class="elsevierStyleCrossRefs" href="#bb0075"><span class="elsevierStyleSup">14,15</span></a>.</p><p id="p0150" class="elsevierStylePara elsevierViewall">Utilizamos el test de Bland-Altman para comparar las probabilidades individuales obtenidas por cada modelo<a class="elsevierStyleCrossRef" href="#bb0085"><span class="elsevierStyleSup">16</span></a>.</p><p id="p0155" class="elsevierStylePara elsevierViewall">Los cálculos estadísticos se realizaron con el programa SPSS 12.0.</p></span></span><span id="s0040" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="st0040">Resultado</span><span id="s0045" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="st0045">Modelo de árbol de decisión CART</span><p id="p0160" class="elsevierStylePara elsevierViewall">El <span class="elsevierStyleItalic">software</span> que utilizamos (DTREG versión 3.5) utiliza de forma básica las características que hemos descrito en nuestra aproximación metodológica: modelo inductivo según el algoritmo de Breiman (forma de construcción del árbol), con análisis de sensibilidad basado en índice de Gini y sistema de validación cruzada.</p><p id="p0165" class="elsevierStylePara elsevierViewall">Los otros parámetros utilizados (requeridos por el programa) fueron: control del tamaño del árbol (hoja con registros superiores a 15 y profundidad del árbol menor a 10), control del podado por reducción de error estándar, no selección del criterio de partición inicial y asignación de probabilidad de las categorías según la original de la base de datos.</p><p id="p0170" class="elsevierStylePara elsevierViewall">Los resultados que se obtienen se muestran en las <a class="elsevierStyleCrossRef" href="#f0015">figuras 2</a> y <a class="elsevierStyleCrossRef" href="#f0020">3</a>. Como se puede apreciar, hay 2 subgrupos diferenciados según la variable sexo.</p><elsevierMultimedia ident="f0015"></elsevierMultimedia><elsevierMultimedia ident="f0020"></elsevierMultimedia><p id="p0175" class="elsevierStylePara elsevierViewall">El árbol sólo ha utilizado 7 variables que, ordenadas según la importancia asignada, son: shock, edad, FV, insuficiencia cardíaca, sexo, ACVA e IRenal. El modelo se resume en 19 reglas de decisión (con las combinaciones de las 7 variables utilizadas).</p><p id="p0180" class="elsevierStylePara elsevierViewall">Por ejemplo una de las reglas de decisión (<a class="elsevierStyleCrossRef" href="#f0015">fig. 2</a>) es:</p><p id="p0185" class="elsevierStylePara elsevierViewall">Si es hombre y no presenta shock, y si tiene menos de 68,5 años y FV, el modelo le asigna una probabilidad de mortalidad hospitalaria del 19,75%.</p><p id="p0190" class="elsevierStylePara elsevierViewall">Simplemente observando los 2 árboles se detectan diferencias entre hombre y mujer. Los 2 árboles se pueden evaluar según aspectos clínicos y demuestran el diferente comportamiento entre hombres y mujeres (con mayor probabilidad de muerte a priori para las mujeres). También se observa el distinto peso de las variables (primero pregunta sobre la existencia de shock por su importancia en el pronóstico), para la edad el punto de corte diferente según sexo y, posteriormente, aparecen las otras variables que se consideran importantes. No hace falta realizar ningún cálculo para obtener la probabilidad asignada siguiendo cada la regla de decisión que nos lleva a cada nodo final.</p></span><span id="s0050" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="st0050">Modelo de regresión logística múltiple</span><p id="p0195" class="elsevierStylePara elsevierViewall">El resultado de la RL se muestra en la <a class="elsevierStyleCrossRef" href="#t0010">tabla 1</a>. La variable arritmia quedó excluida en el análisis por pasos como no significativa. La tabla nos da información sobre la importancia de las variables (orden de los exponentes B), el grado de significación estadística y la posibilidad de cálculo de probabilidad asignada (por el modelo logístico) con los valores de los coeficientes beta por medio de su ecuación matemática.</p><elsevierMultimedia ident="t0010"></elsevierMultimedia></span><span id="s0055" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="st0055">Modelo de red neuronal artificial</span><p id="p0200" class="elsevierStylePara elsevierViewall">La arquitectura óptima para el modelo se seleccionó de forma empírica y consta de 3 capas (una de entrada, una oculta y una de salida). La capa de entrada con las 10 variables predictoras, la oculta con 4 nodos, y la de salida con un nodo que reflejaba la probabilidad de mortalidad hospitalaria, con redes más complejas no obtuvimos mejores resultados. La RNA, aun siendo sencilla, tiene un total de 44 parámetros (10 de la capa de entrada por 4 de la capa oculta más 4 de comunicación entre la capa oculta y el nodo de salida). El programa Qnet nos muestra el orden de importancia de las variables de entrada (que en este caso siguieron un patrón similar al conseguido por regresión logística que sólo utiliza 9 parámetros).</p></span><span id="s0060" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="st0060">Comparación de los distintos modelos</span><p id="p0205" class="elsevierStylePara elsevierViewall">Los 3 modelos obtenidos con el GD se enfrentaron también al GV. El resumen de los resultados se expone en la <a class="elsevierStyleCrossRef" href="#t0015">tabla 2</a>. Se aprecia que hay pocas diferencias entre los modelos en sus propiedades evaluadas. Se aprecia una menor sensibilidad en los modelos CART, pero recordamos que están trabajando con menos variables.</p><elsevierMultimedia ident="t0015"></elsevierMultimedia><p id="p0210" class="elsevierStylePara elsevierViewall">En la <a class="elsevierStyleCrossRef" href="#f0025">figura 4</a> se muestran los gráficos de Bland-Altman obtenidos en el GD, y observamos que entre el modelo de RL y RNA hay menos diferencias (en las probabilidades de muerte hospitalaria individuales) que entre el modelo RL y el tipo CART (que muestra también la característica de ser discreto por sus 19 reglas de decisión). Atribuimos este resultado a que en este ejemplo todas las variables (menos la EDAD) son categóricas, por lo que el modelo RNA presenta más dificultades para encontrar interrelaciones entre las variables y así poder diferenciarse del modelo RL.</p><elsevierMultimedia ident="f0025"></elsevierMultimedia></span></span><span id="s0065" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="st0065">Discusión</span><p id="p0215" class="elsevierStylePara elsevierViewall">En este ejemplo que hemos analizado, los resultados globales no diferencian (en la capacidad de discriminación) un modelo superior a otro, pero puede ser que en otras aplicaciones un modelo supere a los demás. El ejemplo también nos ha señalado que con las mismas variables predictoras los modelos son capaces de asignar, en algunos casos, probabilidades de muerte diferentes.</p><p id="p0220" class="elsevierStylePara elsevierViewall">Las limitaciones que pueden argumentarse se centran en cada una de las metodologías empleadas: podríamos haber buscado interacciones entre las variables e incluirlas en el modelo de RL, utilizar otros tipos de RNA o arquitecturas más sofisticadas para conseguir mejores resultados con las redes, o aplicar otros algoritmos en el desarrollo de los árboles de decisión<a class="elsevierStyleCrossRef" href="#bb0090"><span class="elsevierStyleSup">17</span></a>. También podrían haberse empleado otras metodologías, como el análisis discriminante o la lógica fuzzy<a class="elsevierStyleCrossRefs" href="#bb0095"><span class="elsevierStyleSup">18,19</span></a>.</p><p id="p0225" class="elsevierStylePara elsevierViewall">En definitiva, con la misma información (mismas variables) pueden construirse distintas aproximaciones en un problema de clasificación. No hay una metodología que sea mejor en todos los casos, pero sí que expresan distintas capacidades que deben ser valoradas (<a class="elsevierStyleCrossRef" href="#t0020">tabla 3</a>):<ul class="elsevierStyleList" id="l0010"><li class="elsevierStyleListItem" id="u0010"><span class="elsevierStyleLabel">–</span><p id="p0230" class="elsevierStylePara elsevierViewall">Accesibilidad. Los paquetes estadísticos de uso habitual incluyen la RLM. Hay infinidad de publicaciones en medicina que emplean esta metodología. Los modelos basados en RNA y CART no son tan accesibles, ya que precisan programas específicos de menor difusión.</p></li><li class="elsevierStyleListItem" id="u0015"><span class="elsevierStyleLabel">–</span><p id="p0235" class="elsevierStylePara elsevierViewall">Posibilidad de utilizar variables continuas o discretas. Los 3 modelos ofrecen esa posibilidad.</p></li><li class="elsevierStyleListItem" id="u0020"><span class="elsevierStyleLabel">–</span><p id="p0240" class="elsevierStylePara elsevierViewall">Selección de variables según la importancia y la aportación de información. En RL y CART se hace de forma automática, y en RNA debe hacerse de forma «manual» (aunque hay otros programas que incorporan esta posibilidad).</p></li><li class="elsevierStyleListItem" id="u0025"><span class="elsevierStyleLabel">–</span><p id="p0245" class="elsevierStylePara elsevierViewall">Modelo de asignación de probabilidad. El modelo RL es parámetrico (asignación según modelo logístico). El basado en CART es no paramétrico y las redes son el paradigma de aproximación universal de funciones.</p></li><li class="elsevierStyleListItem" id="u0030"><span class="elsevierStyleLabel">–</span><p id="p0250" class="elsevierStylePara elsevierViewall">Interrelación de variables. En RL deben incluirse en el modelo, CART analiza las interrelaciones en sus reglas de decisión y en RNA pueden tenerse en cuenta todas las posibilidades.</p></li><li class="elsevierStyleListItem" id="u0035"><span class="elsevierStyleLabel">–</span><p id="p0255" class="elsevierStylePara elsevierViewall">Interpretación de resultados. Aquí la ventaja está a favor del CART, es menor en RL y, en el caso de las RNA, son una caja negra en la interpretación de sus parámetros<a class="elsevierStyleCrossRef" href="#bb0105"><span class="elsevierStyleSup">20</span></a>.</p></li></ul></p><elsevierMultimedia ident="t0020"></elsevierMultimedia><p id="p0260" class="elsevierStylePara elsevierViewall">Los modelos no son excluyentes: ante un mismo problema deben barajarse distintas metodologías que pueden colaborar en la búsqueda de un resultado óptimo<a class="elsevierStyleCrossRef" href="#bb0110"><span class="elsevierStyleSup">21</span></a>.</p><p id="p0265" class="elsevierStylePara elsevierViewall">Como conclusión, podemos afirmar que los modelos basados en árboles de decisión ofrecen como ventaja una simplicidad en su utilización e interpretación ya que sus reglas de decisión no necesitan procesos matemáticos para ser interpretadas.</p><span id="s0070" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="st0070">Agradecimientos</span><p id="p0270" class="elsevierStylePara elsevierViewall">El presente trabajo ha contado con la financiación parcial de la Red Temática de Investigación Cooperativa de Investigación de Resultados y Servicios Sanitarios G03/202.</p></span></span></span>" "textoCompletoSecciones" => array:1 [ "secciones" => array:9 [ 0 => array:2 [ "identificador" => "xres12140" "titulo" => array:5 [ 0 => "Resumen" 1 => "Objetivo" 2 => "Método" 3 => "Resultados" 4 => "Conclusiones" ] ] 1 => array:2 [ "identificador" => "xpalclavsec13594" "titulo" => "Palabras clave" ] 2 => array:2 [ "identificador" => "xres12139" "titulo" => array:5 [ 0 => "Abstract" 1 => "Objective" 2 => "Method" 3 => "Results" 4 => "Conclusions" ] ] 3 => array:2 [ "identificador" => "xpalclavsec13593" "titulo" => "Key words" ] 4 => array:2 [ "identificador" => "s0010" "titulo" => "Introducción" ] 5 => array:3 [ "identificador" => "s0015" "titulo" => "Método" "secciones" => array:4 [ 0 => array:2 [ "identificador" => "s0020" "titulo" => "Base de datos. Variables" ] 1 => array:2 [ "identificador" => "s0025" "titulo" => "Desarrollo de un árbol de clasificación (CART)" ] 2 => array:2 [ "identificador" => "s0030" "titulo" => "Modelo de regresión logística múltiple y red neuronal artificial" ] 3 => array:2 [ "identificador" => "s0035" "titulo" => "Comparación de los modelos" ] ] ] 6 => array:3 [ "identificador" => "s0040" "titulo" => "Resultado" "secciones" => array:4 [ 0 => array:2 [ "identificador" => "s0045" "titulo" => "Modelo de árbol de decisión CART" ] 1 => array:2 [ "identificador" => "s0050" "titulo" => "Modelo de regresión logística múltiple" ] 2 => array:2 [ "identificador" => "s0055" "titulo" => "Modelo de red neuronal artificial" ] 3 => array:2 [ "identificador" => "s0060" "titulo" => "Comparación de los distintos modelos" ] ] ] 7 => array:3 [ "identificador" => "s0065" "titulo" => "Discusión" "secciones" => array:1 [ 0 => array:2 [ "identificador" => "s0070" "titulo" => "Agradecimientos" ] ] ] 8 => array:1 [ "titulo" => "Bibliografía" ] ] ] "pdfFichero" => "main.pdf" "tienePdf" => true "fechaRecibido" => "2006-12-12" "fechaAceptado" => "2007-07-27" "PalabrasClave" => array:2 [ "es" => array:1 [ 0 => array:4 [ "clase" => "keyword" "titulo" => "Palabras clave" "identificador" => "xpalclavsec13594" "palabras" => array:3 [ 0 => "Árboles de decisión" 1 => "Red neuronal artificial" 2 => "Regresión logística" ] ] ] "en" => array:1 [ 0 => array:4 [ "clase" => "keyword" "titulo" => "Key words" "identificador" => "xpalclavsec13593" "palabras" => array:3 [ 0 => "Classification and Regression Trees" 1 => "Artificial Neural Networks" 2 => "Logistic Regression" ] ] ] ] "tieneResumen" => true "resumen" => array:2 [ "es" => array:2 [ "titulo" => "Resumen" "resumen" => "<span class="elsevierStyleSectionTitle">Objetivo</span><p id="sp0060" class="elsevierStyleSimplePara elsevierViewall">Realizar una aproximación a la metodología de árboles de decisión tipo CART (Classification and Regression Trees) desarrollando un modelo para calcular la probabilidad de muerte hospitalaria en infarto agudo de miocardio (IAM).</p> <span class="elsevierStyleSectionTitle">Método</span><p id="sp0065" class="elsevierStyleSimplePara elsevierViewall">Se utiliza el conjunto mínimo básico de datos al alta hospitalaria (CMBD) de Andalucía, Cataluña, Madrid y País Vasco de los años 2001 y 2002, que incluye los casos con IAM como diagnóstico principal. Los 33.203 pacientes se dividen aleatoriamente (70 y 30 %) en grupo de desarrollo (GD<span class="elsevierStyleHsp" style=""></span>=<span class="elsevierStyleHsp" style=""></span>23.277) y grupo de validación (GV<span class="elsevierStyleHsp" style=""></span>=<span class="elsevierStyleHsp" style=""></span>9.926). Como CART se utiliza un modelo inductivo basado en el algoritmo de Breiman, con análisis de sensibilidad mediante el índice de Gini y sistema de validación cruzada. Se compara con un modelo de regresión logística (RL) y una red neuronal artificial (RNA) (<span class="elsevierStyleItalic">multilayer perceptron</span>). Los modelos desarrollados se contrastan en el GV y sus propiedades se comparan con el área bajo la curva ROC (ABC) (intervalo de confianza del 95%).</p> <span class="elsevierStyleSectionTitle">Resultados</span><p id="sp0070" class="elsevierStyleSimplePara elsevierViewall">En el GD el CART con ABC = 0,85 (0,86-0,88), RL 0,87 (0,86-0,88) y RNA 0,85 (0,85-0,86). En el GV el CART con ABC<span class="elsevierStyleHsp" style=""></span>=<span class="elsevierStyleHsp" style=""></span>0,85 (0,85-0,88), RL 0,86 (0,85-0,88) y RNA 0,84 (0,83-0,86).</p> <span class="elsevierStyleSectionTitle">Conclusiones</span><p id="sp0075" class="elsevierStyleSimplePara elsevierViewall">Los 3 modelos obtienen resultados similares en su capacidad de discriminación. El modelo CART ofrece como ventaja su simplicidad de uso y de interpretación, ya que las reglas de decisión que generan pueden aplicarse sin necesidad de procesos matemáticos.</p>" ] "en" => array:2 [ "titulo" => "Abstract" "resumen" => "<span class="elsevierStyleSectionTitle">Objective</span><p id="sp0080" class="elsevierStyleSimplePara elsevierViewall">To provide an overview of decision trees based on CART (Classification and Regression Trees) methodology. As an example, we developed a CART model intended to estimate the probability of intrahospital death from acute myocardial infarction (AMI).</p> <span class="elsevierStyleSectionTitle">Method</span><p id="sp0085" class="elsevierStyleSimplePara elsevierViewall">We employed the minimum data set (MDS) of Andalusia, Catalonia, Madrid and the Basque Country (2001-2002), which included 33,203 patients with a diagnosis of AMI. The 33,203 patients were randomly divided (70% and 30%) into the development (DS; n<span class="elsevierStyleHsp" style=""></span>=<span class="elsevierStyleHsp" style=""></span>23,277) and the validation (VS; n<span class="elsevierStyleHsp" style=""></span>=<span class="elsevierStyleHsp" style=""></span>9,926) sets. The CART inductive model was based on Breiman’s algorithm, with a sensitivity analysis based on the Gini index and cross-validation. We compared the results with those obtained by using both logistic regression (LR) and artificial neural network (ANN) (multilayer perceptron) models. The developed models were contrasted with the VS and their properties were evaluated with the area under the ROC curve (AUC) (95% confidence interval [CI]).</p> <span class="elsevierStyleSectionTitle">Results</span><p id="sp0090" class="elsevierStyleSimplePara elsevierViewall">In the DS, the CART showed an AUC<span class="elsevierStyleHsp" style=""></span>=<span class="elsevierStyleHsp" style=""></span>0.85 (0.86-0.88), LR 0.87 (0.86-0.88) and ANN 0.85 (0.85-0.86). In the VS, the CART showed an AUC = 0.85 (0.85-0.88), LR 0.86 (0.85-0.88) and ANN 0.84 (0.83-0.86).</p> <span class="elsevierStyleSectionTitle">Conclusions</span><p id="sp0095" class="elsevierStyleSimplePara elsevierViewall">None of the methods tested outperformed the others in terms of discriminative ability. We found that the CART model was much easier to use and interpret, because the decision rules generated could be applied without the need for mathematical calculations.</p>" ] ] "multimedia" => array:10 [ 0 => array:7 [ "identificador" => "f0010" "etiqueta" => "Figura 1" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr1.jpeg" "Alto" => 637 "Ancho" => 1962 "Tamanyo" => 67507 ] ] "descripcion" => array:1 [ "es" => "<p id="sp0010" class="elsevierStyleSimplePara elsevierViewall">Esquema de partición dicotómica en la construcción del árbol de decisión.</p>" ] ] 1 => array:7 [ "identificador" => "f0015" "etiqueta" => "Figura 2" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr2.jpeg" "Alto" => 847 "Ancho" => 1962 "Tamanyo" => 106683 ] ] "descripcion" => array:1 [ "es" => "<p id="sp0015" class="elsevierStyleSimplePara elsevierViewall">Árbol de decisión (subgrupo hombres).</p>" ] ] 2 => array:7 [ "identificador" => "f0020" "etiqueta" => "Figura 3" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr3.jpeg" "Alto" => 824 "Ancho" => 1962 "Tamanyo" => 101944 ] ] "descripcion" => array:1 [ "es" => "<p id="sp0020" class="elsevierStyleSimplePara elsevierViewall">Árbol de decisión (subgrupo mujeres).</p>" ] ] 3 => array:7 [ "identificador" => "f0025" "etiqueta" => "Figura 4" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr4.jpeg" "Alto" => 923 "Ancho" => 1962 "Tamanyo" => 132487 ] ] "descripcion" => array:1 [ "es" => "<p id="sp0025" class="elsevierStyleSimplePara elsevierViewall">Gráficos de Bland-Altman de los modelos de predicción de mortalidad en el grupo de validación.</p>" ] ] 4 => array:7 [ "identificador" => "t0010" "etiqueta" => "Tabla 1" "tipo" => "MULTIMEDIATABLA" "mostrarFloat" => true "mostrarDisplay" => false "tabla" => array:2 [ "leyenda" => "<p id="sp0035" class="elsevierStyleSimplePara elsevierViewall">ACVA: accidente cerebrovascular agudo; DE: desviación estándar; FV: fibrilación ventricular; HTA: hipertensión arterial; IC: intervalo de confianza; IRenal: insuficiencia renal; IResp: insuficiencia respiratoria.</p>" "tablatextoimagen" => array:1 [ 0 => array:2 [ "tabla" => array:1 [ 0 => """ <table border="0" frame="\n \t\t\t\t\tvoid\n \t\t\t\t" class=""><thead title="thead"><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Variable \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Coeficiente beta \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">DE \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">p \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Exponente (B) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">IC del 95% \t\t\t\t\t\t\n \t\t\t\t</td></tr></thead><tbody title="tbody"><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Sexo (Mujer) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,176 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,057 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,002 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">1,192 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">1,067-1,332 \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Edad (años) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,066 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,003 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,000 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">1,068 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">1,062-1,073 \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">HTA \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,399 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,061 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,000 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">1,491 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">1,324-1,679 \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">FV \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">2,074 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,090 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,000 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">7,956 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">6,664-9,499 \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Insuficiencia cardíaca \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,544 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,059 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,000 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">1,722 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">1,534-1,934 \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">ACVA \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">1,921 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,145 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,000 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">6,828 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">5,143-9,066 \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">IResp \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">1,209 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,109 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,000 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">3,351 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">2,708-4,148 \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">IRenal \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,885 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,107 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,000 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">2,422 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">1,966-2,985 \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Shock \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">3,675 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,079 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,000 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">39,439 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">33,802-46,017 \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Constante \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">−7,907 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="char" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,217 \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="" valign="\n \t\t\t\t\ttop\n \t\t\t\t"> \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="" valign="\n \t\t\t\t\ttop\n \t\t\t\t"> \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="" valign="\n \t\t\t\t\ttop\n \t\t\t\t"> \t\t\t\t\t\t\n \t\t\t\t</td></tr></tbody></table> """ ] "imagenFichero" => array:1 [ 0 => "xTab11879.png" ] ] ] ] "descripcion" => array:1 [ "es" => "<p id="sp0030" class="elsevierStyleSimplePara elsevierViewall">Resultados del ajuste del modelo de regresión logística. Variable dependiente: mortalidad hospitalaria por infarto agudo de miocardio</p>" ] ] 5 => array:7 [ "identificador" => "t0015" "etiqueta" => "Tabla 2" "tipo" => "MULTIMEDIATABLA" "mostrarFloat" => true "mostrarDisplay" => false "tabla" => array:2 [ "leyenda" => "<p id="sp0045" class="elsevierStyleSimplePara elsevierViewall">ABC: área bajo la curva ROC; CART: modelo de árbol de clasificación tipo CART E: especificidad; IC: intervalo de confianza; PCC: porcentaje de correcta clasificación; RL: modelo de regresión logística; RNA: modelo de red neuronal artificial; S: sensibilidad.</p>" "tablatextoimagen" => array:1 [ 0 => array:2 [ "tabla" => array:1 [ 0 => """ <table border="0" frame="\n \t\t\t\t\tvoid\n \t\t\t\t" class=""><thead title="thead"><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"> \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">ABC (IC) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">PCC (IC) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">S (IC) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">E (IC) \t\t\t\t\t\t\n \t\t\t\t</td></tr></thead><tbody title="tbody"><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Desarrollo \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="" valign="\n \t\t\t\t\ttop\n \t\t\t\t"> \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="" valign="\n \t\t\t\t\ttop\n \t\t\t\t"> \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="" valign="\n \t\t\t\t\ttop\n \t\t\t\t"> \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="" valign="\n \t\t\t\t\ttop\n \t\t\t\t"> \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>RL \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,87 (0,86-0,88) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">92 (91-92) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">76 (75-77) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">93 (92-93) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>RNA \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,85 (0,84-0,86) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">92 (91-92) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">76 (75-77) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">93 (92-93) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>CART \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,85 (0,85-0,86) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">92 (91-92) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">74 (73-75) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">93 (92-93) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Validación \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="" valign="\n \t\t\t\t\ttop\n \t\t\t\t"> \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="" valign="\n \t\t\t\t\ttop\n \t\t\t\t"> \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="" valign="\n \t\t\t\t\ttop\n \t\t\t\t"> \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="" valign="\n \t\t\t\t\ttop\n \t\t\t\t"> \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>RL \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,86 (0,85-0,88) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">92 (91-92) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">77 (76-78) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">93 (92-94) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>RNA \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,84 (0,83-0,86) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">92 (91-92) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">77 (76-78) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">93 (92-94) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t"><span class="elsevierStyleHsp" style=""></span>CART \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">0,85 (0,83-0,86) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">92 (91-92) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">73 (72-74) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">93 (92-94) \t\t\t\t\t\t\n \t\t\t\t</td></tr></tbody></table> """ ] "imagenFichero" => array:1 [ 0 => "xTab11877.png" ] ] ] ] "descripcion" => array:1 [ "es" => "<p id="sp0040" class="elsevierStyleSimplePara elsevierViewall">Comparación de la precisión de los 3 modelos de clasificación de probabilidad de mortalidad hospitalaria por infarto agudo de miocardio en los grupos de desarrollo (n = 23.277) y validación (n = 9.926)</p>" ] ] 6 => array:7 [ "identificador" => "t0020" "etiqueta" => "Tabla 3" "tipo" => "MULTIMEDIATABLA" "mostrarFloat" => true "mostrarDisplay" => false "tabla" => array:2 [ "leyenda" => "<p id="sp0055" class="elsevierStyleSimplePara elsevierViewall">Se ha graduado desde (−), peor, a (+++), mejor, las propiedades evaluadas.</p>" "tablatextoimagen" => array:1 [ 0 => array:2 [ "tabla" => array:1 [ 0 => """ <table border="0" frame="\n \t\t\t\t\tvoid\n \t\t\t\t" class=""><thead title="thead"><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="" valign="\n \t\t\t\t\ttop\n \t\t\t\t"> \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">RL \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">RNA \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">CART \t\t\t\t\t\t\n \t\t\t\t</td></tr></thead><tbody title="tbody"><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Accesibilidad \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">++ \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">− \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">− \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Tipos de variables \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">++ \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">++ \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">++ \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Selección de variables \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">++ \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">− \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">++ \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Importancia de variables \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">++ \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">+ \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">++ \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Interrelación de variables \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">+ \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">+++ \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">++ \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Modelo \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">+ \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">+++ \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">++ \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Interpretación de resultados \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">++ \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">− \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="center" valign="\n \t\t\t\t\ttop\n \t\t\t\t">+++ \t\t\t\t\t\t\n \t\t\t\t</td></tr></tbody></table> """ ] "imagenFichero" => array:1 [ 0 => "xTab11878.png" ] ] ] ] "descripcion" => array:1 [ "es" => "<p id="sp0050" class="elsevierStyleSimplePara elsevierViewall">Comparación de propiedades generales entre los modelos basados en regresión logística (RL), red neuronal artificial (RNA) y árbol de decisión tipo CART</p>" ] ] 7 => array:5 [ "identificador" => "fo0010" "tipo" => "MULTIMEDIAFORMULA" "mostrarFloat" => false "mostrarDisplay" => true "Formula" => array:5 [ "Matematica" => "g(t)=∑J≠ip(j/t)p(i/t)" "Fichero" => "si1.jpeg" "Tamanyo" => 2283 "Alto" => 31 "Ancho" => 166 ] ] 8 => array:5 [ "identificador" => "fo0015" "tipo" => "MULTIMEDIAFORMULA" "mostrarFloat" => false "mostrarDisplay" => true "Formula" => array:5 [ "Matematica" => "Φ(s,t)=g(t)−pLg(tL)−pRg(tR)" "Fichero" => "si2.jpeg" "Tamanyo" => 2992 "Alto" => 21 "Ancho" => 249 ] ] 9 => array:5 [ "identificador" => "fo0020" "tipo" => "MULTIMEDIAFORMULA" "mostrarFloat" => false "mostrarDisplay" => true "Formula" => array:5 [ "Matematica" => "Φ(s*,1)=<span class="elsevierStyleItalic">max</span>Φ<span class="elsevierStyleItalic">seS</span>(s,1)" "Fichero" => "si3.jpeg" "Tamanyo" => 2470 "Alto" => 26 "Ancho" => 181 ] ] ] "bibliografia" => array:2 [ "titulo" => "Bibliografía" "seccion" => array:1 [ 0 => array:2 [ "identificador" => "bs0010" "bibliografiaReferencia" => array:21 [ 0 => array:3 [ "identificador" => "bb0010" "etiqueta" => "1." "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Mathematical models in decision analysis" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "E. Tom" 1 => "K.A. Schulman" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Infect Control Hosp Epidemiol" "fecha" => "1997" "volumen" => "18" "paginaInicial" => "65" "paginaFinal" => "73" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/9013249" "web" => "Medline" ] ] ] ] ] ] ] ] 1 => array:3 [ "identificador" => "bb0015" "etiqueta" => "2." "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Models for diagnosing chest pain: is CART helpful?" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "N.J. Crichton" 1 => "J.P. Hinde" 2 => "J. Marchini" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Stat Med" "fecha" => "1997" "volumen" => "16" "paginaInicial" => "717" "paginaFinal" => "727" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/9131760" "web" => "Medline" ] ] ] ] ] ] ] ] 2 => array:3 [ "identificador" => "bb0020" "etiqueta" => "3." "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Decision support tools for clinical diagnosis of disease in cows with suspected bovine spongiform encephalopathy" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "C. Saegerman" 1 => "N. Speybroeck" 2 => "S. Roels" 3 => "E. Vanopdenbosch" 4 => "E. Thiry" 5 => "D. Berkvens" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "J Clin Microbiol" "fecha" => "2004" "volumen" => "42" "paginaInicial" => "172" "paginaFinal" => "178" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/14715749" "web" => "Medline" ] ] ] ] ] ] ] ] 3 => array:3 [ "identificador" => "bb0025" "etiqueta" => "4." "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Predictive model for serious bacterial infection among infants younger than 3 months of age" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "R.G. Bachur" 1 => "M.B. Harper" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Pediatrics" "fecha" => "2001" "volumen" => "108" "paginaInicial" => "311" "paginaFinal" => "316" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/11483793" "web" => "Medline" ] ] ] ] ] ] ] ] 4 => array:3 [ "identificador" => "bb0030" "etiqueta" => "5." "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "A decision tree for tuberculosis contact investigation" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "L.B. Gerald" 1 => "S. Tang" 2 => "F. Bruce" 3 => "D. Redden" 4 => "M.E. Kimerling" 5 => "N. Brook" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1164/rccm.200202-124OC" "Revista" => array:6 [ "tituloSerie" => "Am J Respir Crit Care Med" "fecha" => "2002" "volumen" => "166" "paginaInicial" => "1122" "paginaFinal" => "1127" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/12379558" "web" => "Medline" ] ] ] ] ] ] ] ] 5 => array:3 [ "identificador" => "bb0035" "etiqueta" => "6." "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Diagnostic decision rule for support in clinical assessment of the need for surgical intervention in horses with acute abdominal pain" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "M.B. Thoefner" 1 => "B.K. Ersboll" 2 => "N. Jansson" 3 => "M. Hesselholt" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Can J Vet Res" "fecha" => "2003" "volumen" => "67" "paginaInicial" => "20" "paginaFinal" => "29" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/12528825" "web" => "Medline" ] ] ] ] ] ] ] ] 6 => array:3 [ "identificador" => "bb0040" "etiqueta" => "7." "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Diagnosis of ovarian cancer using decision tree classification of mass spectral data" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "A. Vlahou" 1 => "J.O. Schorge" 2 => "B.W. Gregory" 3 => "R.L. Coleman" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "J Biomed Biotechnol" "fecha" => "2003" "volumen" => "5" "paginaInicial" => "308" "paginaFinal" => "314" ] ] ] ] ] ] 7 => array:3 [ "identificador" => "bb0045" "etiqueta" => "8." "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "A decision tree-based method for the differential diagnosis of aortic stenosis from mitral regurgitation using heart sounds" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "S.A. Pavlopoulos" 1 => "A.C.H. Stasis" 2 => "E.N. Loukis" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1186/1475-925X-3-21" "Revista" => array:6 [ "tituloSerie" => "Biomed Eng Online" "fecha" => "2004" "volumen" => "3" "paginaInicial" => "21" "paginaFinal" => "37" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/15225347" "web" => "Medline" ] ] ] ] ] ] ] ] 8 => array:3 [ "identificador" => "bb0050" "etiqueta" => "9." "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Cost-effectiveness analysis of diagnostic strategies for suspected pulmonary embolism including helical computed tomography" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "A. Perrier" 1 => "M.R. Nendaz" 2 => "F.P. Sarasin" 3 => "N. Howarth" 4 => "H. Bounameaux" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1164/rccm.2106128" "Revista" => array:6 [ "tituloSerie" => "Am J Respir Crit Care Med" "fecha" => "2002" "volumen" => "167" "paginaInicial" => "39" "paginaFinal" => "44" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/12502474" "web" => "Medline" ] ] ] ] ] ] ] ] 9 => array:3 [ "identificador" => "bb0055" "etiqueta" => "10." "referencia" => array:1 [ 0 => array:1 [ "referenciaCompleta" => "Electronic Statistics Textbook. Tulsa, OK: StatSoft [citado 8 Feb 2006]. Disponible en: <a class="elsevierStyleInterRef" href="http://www.statsoft.com/textbook/stcart.htm">http://www.statsoft.com/textbook/stcart.htm</a>" ] ] ] 10 => array:3 [ "identificador" => "bb0060" "etiqueta" => "11." "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Factores asociados a la mortalidad intrahospitalaria del infarto de miocardio. Resultados de un estudio observacional" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "J.M. Sendra" 1 => "A. Sarria-Santamera" 2 => "J. Inigo" 3 => "E. Regidor" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "Med Clin (Barc)" "fecha" => "2005" "volumen" => "125" "paginaInicial" => "641" "paginaFinal" => "646" ] ] ] ] ] ] 11 => array:3 [ "identificador" => "bb0065" "etiqueta" => "12." "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Aproximación metodológica al uso de redes neuronales artificiales para la predicción de resultados en medicina" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "J. Trujillano" 1 => "J. March" 2 => "A. Sorribas" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:7 [ "tituloSerie" => "Med Clin (Barc)" "fecha" => "2004" "volumen" => "122" "numero" => "Supl 1" "paginaInicial" => "59" "paginaFinal" => "67" "itemHostRev" => array:3 [ "pii" => "S0213911109003306" "estado" => "S300" "issn" => "02139111" ] ] ] ] ] ] ] 12 => array:3 [ "identificador" => "bb0070" "etiqueta" => "13." "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Aplicación de las Redes Neuronales Artificiales para la estratificación de riesgo de mortalidad hospitalaria" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "J. Trujillano" 1 => "J. March" 2 => "M. Badia" 3 => "A. Rodríguez" 4 => "A. Sorribas" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Gac Sanit" "fecha" => "2003" "volumen" => "17" "paginaInicial" => "504" "paginaFinal" => "511" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/14670258" "web" => "Medline" ] ] ] ] ] ] ] ] 13 => array:3 [ "identificador" => "bb0075" "etiqueta" => "14." "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "The meaning and use of the area under a receiver operating characteristic (ROC) curve" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "J.A. Hanley" 1 => "B.J. McNeil" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1148/radiology.143.1.7063747" "Revista" => array:6 [ "tituloSerie" => "Radiology" "fecha" => "1982" "volumen" => "143" "paginaInicial" => "29" "paginaFinal" => "36" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/7063747" "web" => "Medline" ] ] ] ] ] ] ] ] 14 => array:3 [ "identificador" => "bb0080" "etiqueta" => "15." "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Statistical methods for assessing agreement between two methods of clinical measurement" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "J.M. Bland" 1 => "D.G. Altman" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Lancet" "fecha" => "1986" "volumen" => "1" "paginaInicial" => "307" "paginaFinal" => "310" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/2563462" "web" => "Medline" ] ] ] ] ] ] ] ] 15 => array:3 [ "identificador" => "bb0085" "etiqueta" => "16." "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Decision trees: an overview and their use in medicine" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "V. Podgorelec" 1 => "P. Kokol" 2 => "B. Stiglic" 3 => "I. Rozman" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "J Med Syst" "fecha" => "2002" "volumen" => "26" "paginaInicial" => "445" "paginaFinal" => "463" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/12182209" "web" => "Medline" ] ] ] ] ] ] ] ] 16 => array:3 [ "identificador" => "bb0090" "etiqueta" => "17." "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Models to predict cardiovascular risk: comparison of CART. Multilayer perceptron and logistic regression" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "I. Colombet" 1 => "A. Ruelland" 2 => "G. Chatellier" 3 => "F. Gueyffier" 4 => "P. Degoulet" 5 => "M.C. Jaulent" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:4 [ "tituloSerie" => "Proc AMIA Symp" "fecha" => "2000" "paginaInicial" => "156" "paginaFinal" => "160" ] ] ] ] ] ] 17 => array:3 [ "identificador" => "bb0095" "etiqueta" => "18." "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "A review and comparison of classification algorithms for medical decision making" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:1 [ 0 => "P.R. Harper" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.healthpol.2004.05.002" "Revista" => array:6 [ "tituloSerie" => "Health Policy" "fecha" => "2005" "volumen" => "71" "paginaInicial" => "315" "paginaFinal" => "331" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/15694499" "web" => "Medline" ] ] ] ] ] ] ] ] 18 => array:3 [ "identificador" => "bb0100" "etiqueta" => "19." "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Comparison of fuzzy inference, logistic regression, and classification trees (CART). Prediction of cervical lymph node metastasis in carcinoma of the tongue" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "G. Schwarzer" 1 => "T. Nagata" 2 => "D. Mattern" 3 => "R. Schmelzeisen" 4 => "M. Schumacher" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Methods Inf Med" "fecha" => "2003" "volumen" => "42" "paginaInicial" => "572" "paginaFinal" => "577" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/14654893" "web" => "Medline" ] ] ] ] ] ] ] ] 19 => array:3 [ "identificador" => "bb0105" "etiqueta" => "20." "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "ROC curves for classification trees" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "R.F. Raubertas" 1 => "L.E. Rodewald" 2 => "S.G. Humiston" 3 => "P.G. Szilagyi" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Med Decis Making" "fecha" => "1994" "volumen" => "14" "paginaInicial" => "169" "paginaFinal" => "174" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/8028469" "web" => "Medline" ] ] ] ] ] ] ] ] 20 => array:3 [ "identificador" => "bb0110" "etiqueta" => "21." "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Binary classification of dyslipidemia from the waist-to-hip ratio and body mass index: a comparison of linear, logistic, and CART models" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "M.C. Costanza" 1 => "F. Paccaud" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1186/1471-2288-4-7" "Revista" => array:6 [ "tituloSerie" => "BMC Medical Research Methodology" "fecha" => "2004" "volumen" => "4" "paginaInicial" => "7" "paginaFinal" => "17" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/15068489" "web" => "Medline" ] ] ] ] ] ] ] ] ] ] ] ] ] "idiomaDefecto" => "es" "url" => "/02139111/0000002200000001/v1_201301221328/S0213911108712044/v1_201301221328/es/main.assets" "Apartado" => array:4 [ "identificador" => "636" "tipo" => "SECCION" "es" => array:2 [ "titulo" => "Nota Metodológica" "idiomaDefecto" => true ] "idiomaDefecto" => "es" ] "PDF" => "https://static.elsevier.es/multimedia/02139111/0000002200000001/v1_201301221328/S0213911108712044/v1_201301221328/es/main.pdf?idApp=WGSE&text.app=https://gacetasanitaria.org/" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S0213911108712044?idApp=WGSE" ]
Idioma original: Español
año/Mes | Html | Total | |
---|---|---|---|
2024 Noviembre | 9 | 2 | 11 |
2024 Octubre | 97 | 46 | 143 |
2024 Septiembre | 93 | 33 | 126 |
2024 Agosto | 101 | 24 | 125 |
2024 Julio | 75 | 28 | 103 |
2024 Junio | 61 | 16 | 77 |
2024 Mayo | 93 | 23 | 116 |
2024 Abril | 76 | 13 | 89 |
2024 Marzo | 83 | 29 | 112 |
2024 Febrero | 58 | 45 | 103 |
2024 Enero | 52 | 18 | 70 |
2023 Diciembre | 47 | 20 | 67 |
2023 Noviembre | 48 | 12 | 60 |
2023 Octubre | 40 | 16 | 56 |
2023 Septiembre | 44 | 17 | 61 |
2023 Agosto | 35 | 13 | 48 |
2023 Julio | 53 | 26 | 79 |
2023 Junio | 40 | 12 | 52 |
2023 Mayo | 22 | 11 | 33 |