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
- Institución
- Universidad Nacional de Misiones
- OAI Identificador
- oai:rid.unam.edu.ar:20.500.12219/2833
Ver los metadatos del registro completo
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 |