Predicción de fracasos en implantes dentales mediante la integración de múltiples clasificadores

Autores
Ganz, Nancy Beatriz; Ares, Alicia Esther; Kuna, Horacio Daniel
Año de publicación
2020
Idioma
español castellano
Tipo de recurso
artículo
Estado
versión publicada
Descripción
Fil: Ganz, Nancy Beatriz. Universidad Nacional de Misiones. Facultad de Ciencias Exactas Químicas y Naturales. Instituto de Materiales de Misiones; Argentina.
Fil: Ganz, Nancy Beatriz. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Materiales de Misiones; Argentina.
Fil: Ares, Alicia E. Universidad Nacional de Misiones. Facultad de Ciencias Exactas Químicas y Naturales. Instituto de Materiales de Misiones; Argentina.
Fil: Ares, Alicia E. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Materiales de Misiones; Argentina.
Fil: Kuna, Horacio Daniel. Universidad Nacional de Misiones. Facultad de Ciencias Exactas Químicas y Naturales. Instituto de Investigación, Desarrollo e Innovación en Informática; Argentina.
El campo de la Ciencia de Datos ha tenido muchos avances respecto a la aplicación y desarrollo de técnicas en el sector de la salud. Estos avances se ven reflejados en la predicción de enfermedades, clasificación de imágenes, identificación y reducción de riesgos, así como muchos otros. Este trabajo tiene por objetivo investigar el beneficio de la utilización de múltiples algoritmos de clasificación, para la predicción de fracasos en Implantes Dentales de la provincia de Misiones, Argentina y proponer un procedimiento validado por expertos humanos. El modelo abarca la integración de varios tipos de clasificadores. La experimentación es realizada con cuatro conjuntos de datos, un conjunto de Implantes Dentales confeccionado para el estudio de caso, un conjunto generado artificialmente y otros dos conjuntos obtenidos de distintos repositorios de datos. Los resultados arrojados del enfoque propuesto sobre el conjunto de datos de Implantes Dentales, es validado con el desempeño en la clasificación por expertos humanos. Nuestro enfoque logra un porcentaje de acierto del 93% de casos correctamente identificados, mientras que los expertos humanos consiguen un 87% de precisión. En base a esto podemos alegar, que los sistemas de múltiple clasificadores son un buen enfoque para predecir fracasos en implantes dentales.
The field of data science has made many advances in the application and development of techniques in several aspects of the health sector, such as in disease prediction, image classification, risk identification and risk reduction. Based on this, the objectives of this work were to investigate the benefit of using multiple classification algorithms to predict dental implant failures in patients from Misiones province, Argentina, and to propose a procedure validated by human experts. The model used the integration of several types of classifiers.The experimentation was performed with four data sets: a data set of dental implants made for the case study, an artificially generated data set, and two other data sets obtained from different data repositories. The results of the approach proposed were validated by the performance in classification made by human experts. Our approach achieved a success rate of 93% of correctly identified cases, whereas human experts achieved 87% accuracy. Based on this, we can argue that multi-classifier systems are a good approach to predict dental implant failures.
Fuente
Revista de Ciencia y Tecnología (Misiones), 11-2020; 34(1): pp. 13-23 https://www.fceqyn.unam.edu.ar/recyt/index.php/recyt
Materia
Combinación de clasificadores
Clasificación
Aprendizaje automático
Implantes dentales
Predicción de fracasos
Combination of classifiers
Classification
Machine learning
Dental implants
Prediction of failures
Nivel de accesibilidad
acceso abierto
Condiciones de uso
Atribución-NoComercial-CompartirIgual 4.0 Internacional
Repositorio
Repositorio Institucional Digital de la Universidad Nacional de Misiones (UNaM)
Institución
Universidad Nacional de Misiones
OAI Identificador
oai:rid.unam.edu.ar:20.500.12219/2833

id RIDUNaM_3477560af52d535c4a624bb430f80ef9
oai_identifier_str oai:rid.unam.edu.ar:20.500.12219/2833
network_acronym_str RIDUNaM
repository_id_str
network_name_str Repositorio Institucional Digital de la Universidad Nacional de Misiones (UNaM)
spelling Predicción de fracasos en implantes dentales mediante la integración de múltiples clasificadoresPredicting dental implant failures by integrating multiple classifiersGanz, Nancy BeatrizAres, Alicia EstherKuna, Horacio DanielCombinación de clasificadoresClasificaciónAprendizaje automáticoImplantes dentalesPredicción de fracasosCombination of classifiersClassificationMachine learningDental implantsPrediction of failuresFil: Ganz, Nancy Beatriz. Universidad Nacional de Misiones. Facultad de Ciencias Exactas Químicas y Naturales. Instituto de Materiales de Misiones; Argentina.Fil: Ganz, Nancy Beatriz. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Materiales de Misiones; Argentina.Fil: Ares, Alicia E. Universidad Nacional de Misiones. Facultad de Ciencias Exactas Químicas y Naturales. Instituto de Materiales de Misiones; Argentina.Fil: Ares, Alicia E. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Materiales de Misiones; Argentina.Fil: Kuna, Horacio Daniel. Universidad Nacional de Misiones. Facultad de Ciencias Exactas Químicas y Naturales. Instituto de Investigación, Desarrollo e Innovación en Informática; Argentina.El campo de la Ciencia de Datos ha tenido muchos avances respecto a la aplicación y desarrollo de técnicas en el sector de la salud. Estos avances se ven reflejados en la predicción de enfermedades, clasificación de imágenes, identificación y reducción de riesgos, así como muchos otros. Este trabajo tiene por objetivo investigar el beneficio de la utilización de múltiples algoritmos de clasificación, para la predicción de fracasos en Implantes Dentales de la provincia de Misiones, Argentina y proponer un procedimiento validado por expertos humanos. El modelo abarca la integración de varios tipos de clasificadores. La experimentación es realizada con cuatro conjuntos de datos, un conjunto de Implantes Dentales confeccionado para el estudio de caso, un conjunto generado artificialmente y otros dos conjuntos obtenidos de distintos repositorios de datos. Los resultados arrojados del enfoque propuesto sobre el conjunto de datos de Implantes Dentales, es validado con el desempeño en la clasificación por expertos humanos. Nuestro enfoque logra un porcentaje de acierto del 93% de casos correctamente identificados, mientras que los expertos humanos consiguen un 87% de precisión. En base a esto podemos alegar, que los sistemas de múltiple clasificadores son un buen enfoque para predecir fracasos en implantes dentales.The field of data science has made many advances in the application and development of techniques in several aspects of the health sector, such as in disease prediction, image classification, risk identification and risk reduction. Based on this, the objectives of this work were to investigate the benefit of using multiple classification algorithms to predict dental implant failures in patients from Misiones province, Argentina, and to propose a procedure validated by human experts. The model used the integration of several types of classifiers.The experimentation was performed with four data sets: a data set of dental implants made for the case study, an artificially generated data set, and two other data sets obtained from different data repositories. The results of the approach proposed were validated by the performance in classification made by human experts. Our approach achieved a success rate of 93% of correctly identified cases, whereas human experts achieved 87% accuracy. Based on this, we can argue that multi-classifier systems are a good approach to predict dental implant failures.Universidad Nacional de Misiones. Facultad de Ciencias Exactas, Químicas y Naturales. Secretaria de Investigación y Posgrado2020-11-27info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfapplication/pdfhttps://hdl.handle.net/20.500.12219/2833https://doi.org/10.36995/j.recyt.2020.34.002https://www.fceqyn.unam.edu.ar/recyt/index.php/recyt/article/view/662Revista de Ciencia y Tecnología (Misiones), 11-2020; 34(1): pp. 13-23 https://www.fceqyn.unam.edu.ar/recyt/index.php/recytreponame:Repositorio Institucional Digital de la Universidad Nacional de Misiones (UNaM)instname:Universidad Nacional de Misionesspainfo:eu-repo/semantics/openAccessAtribución-NoComercial-CompartirIgual 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-sa/4.0/2025-09-29T15:02:24Zoai:rid.unam.edu.ar:20.500.12219/2833instacron:UNAMInstitucionalhttps://rid.unam.edu.ar/Universidad públicahttps://www.unam.edu.ar/https://rid.unam.edu.ar/oai/rsnrdArgentinaopendoar:2025-09-29 15:02:24.818Repositorio Institucional Digital de la Universidad Nacional de Misiones (UNaM) - Universidad Nacional de Misionesfalse
dc.title.none.fl_str_mv Predicción de fracasos en implantes dentales mediante la integración de múltiples clasificadores
Predicting dental implant failures by integrating multiple classifiers
title Predicción de fracasos en implantes dentales mediante la integración de múltiples clasificadores
spellingShingle Predicción de fracasos en implantes dentales mediante la integración de múltiples clasificadores
Ganz, Nancy Beatriz
Combinación de clasificadores
Clasificación
Aprendizaje automático
Implantes dentales
Predicción de fracasos
Combination of classifiers
Classification
Machine learning
Dental implants
Prediction of failures
title_short Predicción de fracasos en implantes dentales mediante la integración de múltiples clasificadores
title_full Predicción de fracasos en implantes dentales mediante la integración de múltiples clasificadores
title_fullStr Predicción de fracasos en implantes dentales mediante la integración de múltiples clasificadores
title_full_unstemmed Predicción de fracasos en implantes dentales mediante la integración de múltiples clasificadores
title_sort Predicción de fracasos en implantes dentales mediante la integración de múltiples clasificadores
dc.creator.none.fl_str_mv Ganz, Nancy Beatriz
Ares, Alicia Esther
Kuna, Horacio Daniel
author Ganz, Nancy Beatriz
author_facet Ganz, Nancy Beatriz
Ares, Alicia Esther
Kuna, Horacio Daniel
author_role author
author2 Ares, Alicia Esther
Kuna, Horacio Daniel
author2_role author
author
dc.subject.none.fl_str_mv Combinación de clasificadores
Clasificación
Aprendizaje automático
Implantes dentales
Predicción de fracasos
Combination of classifiers
Classification
Machine learning
Dental implants
Prediction of failures
topic Combinación de clasificadores
Clasificación
Aprendizaje automático
Implantes dentales
Predicción de fracasos
Combination of classifiers
Classification
Machine learning
Dental implants
Prediction of failures
dc.description.none.fl_txt_mv Fil: Ganz, Nancy Beatriz. Universidad Nacional de Misiones. Facultad de Ciencias Exactas Químicas y Naturales. Instituto de Materiales de Misiones; Argentina.
Fil: Ganz, Nancy Beatriz. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Materiales de Misiones; Argentina.
Fil: Ares, Alicia E. Universidad Nacional de Misiones. Facultad de Ciencias Exactas Químicas y Naturales. Instituto de Materiales de Misiones; Argentina.
Fil: Ares, Alicia E. Consejo Nacional de Investigaciones Científicas y Técnicas. Instituto de Materiales de Misiones; Argentina.
Fil: Kuna, Horacio Daniel. Universidad Nacional de Misiones. Facultad de Ciencias Exactas Químicas y Naturales. Instituto de Investigación, Desarrollo e Innovación en Informática; Argentina.
El campo de la Ciencia de Datos ha tenido muchos avances respecto a la aplicación y desarrollo de técnicas en el sector de la salud. Estos avances se ven reflejados en la predicción de enfermedades, clasificación de imágenes, identificación y reducción de riesgos, así como muchos otros. Este trabajo tiene por objetivo investigar el beneficio de la utilización de múltiples algoritmos de clasificación, para la predicción de fracasos en Implantes Dentales de la provincia de Misiones, Argentina y proponer un procedimiento validado por expertos humanos. El modelo abarca la integración de varios tipos de clasificadores. La experimentación es realizada con cuatro conjuntos de datos, un conjunto de Implantes Dentales confeccionado para el estudio de caso, un conjunto generado artificialmente y otros dos conjuntos obtenidos de distintos repositorios de datos. Los resultados arrojados del enfoque propuesto sobre el conjunto de datos de Implantes Dentales, es validado con el desempeño en la clasificación por expertos humanos. Nuestro enfoque logra un porcentaje de acierto del 93% de casos correctamente identificados, mientras que los expertos humanos consiguen un 87% de precisión. En base a esto podemos alegar, que los sistemas de múltiple clasificadores son un buen enfoque para predecir fracasos en implantes dentales.
The field of data science has made many advances in the application and development of techniques in several aspects of the health sector, such as in disease prediction, image classification, risk identification and risk reduction. Based on this, the objectives of this work were to investigate the benefit of using multiple classification algorithms to predict dental implant failures in patients from Misiones province, Argentina, and to propose a procedure validated by human experts. The model used the integration of several types of classifiers.The experimentation was performed with four data sets: a data set of dental implants made for the case study, an artificially generated data set, and two other data sets obtained from different data repositories. The results of the approach proposed were validated by the performance in classification made by human experts. Our approach achieved a success rate of 93% of correctly identified cases, whereas human experts achieved 87% accuracy. Based on this, we can argue that multi-classifier systems are a good approach to predict dental implant failures.
description Fil: Ganz, Nancy Beatriz. Universidad Nacional de Misiones. Facultad de Ciencias Exactas Químicas y Naturales. Instituto de Materiales de Misiones; Argentina.
publishDate 2020
dc.date.none.fl_str_mv 2020-11-27
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.12219/2833
https://doi.org/10.36995/j.recyt.2020.34.002
https://www.fceqyn.unam.edu.ar/recyt/index.php/recyt/article/view/662
url https://hdl.handle.net/20.500.12219/2833
https://doi.org/10.36995/j.recyt.2020.34.002
https://www.fceqyn.unam.edu.ar/recyt/index.php/recyt/article/view/662
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
Atribución-NoComercial-CompartirIgual 4.0 Internacional
http://creativecommons.org/licenses/by-nc-sa/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv Atribución-NoComercial-CompartirIgual 4.0 Internacional
http://creativecommons.org/licenses/by-nc-sa/4.0/
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.publisher.none.fl_str_mv Universidad Nacional de Misiones. Facultad de Ciencias Exactas, Químicas y Naturales. Secretaria de Investigación y Posgrado
publisher.none.fl_str_mv Universidad Nacional de Misiones. Facultad de Ciencias Exactas, Químicas y Naturales. Secretaria de Investigación y Posgrado
dc.source.none.fl_str_mv Revista de Ciencia y Tecnología (Misiones), 11-2020; 34(1): pp. 13-23 https://www.fceqyn.unam.edu.ar/recyt/index.php/recyt
reponame:Repositorio Institucional Digital de la Universidad Nacional de Misiones (UNaM)
instname:Universidad Nacional de Misiones
reponame_str Repositorio Institucional Digital de la Universidad Nacional de Misiones (UNaM)
collection Repositorio Institucional Digital de la Universidad Nacional de Misiones (UNaM)
instname_str Universidad Nacional de Misiones
repository.name.fl_str_mv Repositorio Institucional Digital de la Universidad Nacional de Misiones (UNaM) - Universidad Nacional de Misiones
repository.mail.fl_str_mv
_version_ 1844623286493773824
score 12.559606