APLICACIÓN DE TRATAMIENTO PREVENTIVO EN ORTODONCIA EN NIÑOS QUE PRESENTEN HÁBITOS DE SUCCIÓN DIGITAL

                                  

                                     DIPLOMADO EN EN INTELIGENCIA ARTIFICIAL

                                                                   MODULO IV

              APRENDIZAJE AUTOMATICO CON PYTHON Y ASISTENTES INTELIGENTES

                         Ortega Irusta Elsy Nilda

                         Este es el enlace con Chat GPT:

                   https://chat.openai.com/c/f0dcb3a7-0b93-4d2b-a2db-2bbffa9eca65

APLICACIÓN DE TRATAMIENTO PREVENTIVO EN ORTODONCIA EN NIÑOS QUE PRESENTEN HÁBITOS DE SUCCIÓN DIGITAL

Para desarrollar una aplicación de tratamiento preventivo en ortodoncia en niños que presenten hábitos de succión digital, podemos utilizar los principios del pensamiento computacional. A continuación, proporcionaré los componentes clave y un ejemplo de script en Python para ambos enfoques: programación tradicional y aprendizaje automático.

1. Programación Tradicional:

Componentes del Pensamiento Computacional:

1. Entrada: 

- Datos del paciente (nombre, edad, historial dental, etc.).

   - Información sobre hábitos de succión digital.

2. Procesamiento (Reglas):

   - Identificación de la gravedad del hábito de succión digital.

   - Determinación de medidas preventivas de ortodoncia.

   - Generación de un plan de tratamiento.

3. Salida:

   - Recomendaciones específicas para el tratamiento.

   - Información para los padres sobre cómo abordar el hábito.

Esta es mi interaccion con google colab

# Entrada

nombre = input("Nombre del niño: ")

edad = int(input("Edad del niño: "))

succion_digital = input("¿Presenta hábito de succión digital? (Sí/No): ")

# Procesamiento (Reglas)

if succion_digital.lower() == "si":

    gravedad = input("¿Qué tan frecuente es el hábito? (Bajo/Medio/Alto): ")

    if gravedad.lower() == "alto":

        tratamiento = "Se recomienda consulta con ortodoncista."

    else:

        tratamiento = "Implementar medidas preventivas en el hogar."

# Salida

print("\nResultados:")

print(f"Nombre: {nombre}")

print(f"Edad: {edad} años")

print(f"Hábito de succión digital: {succion_digital}")

if succion_digital.lower() == "si":

    print(f"Gravedad del hábito: {gravedad}")

    print("Recomendaciones:")

    print(tratamiento)

else:

    print("No se detectaron hábitos de succión digital significativos.")

2. Aprendizaje Automático:

Componentes del Pensamiento Computacional:

1. Entradas:

   - Datos del paciente (características demográficas, historial dental, etc.).

   - Datos relacionados con hábitos de succión digital.

2. Salidas:

   - Modelo de aprendizaje automático que predice la necesidad y gravedad del tratamiento.

3. Reglas (Aprendidas por el Modelo):

   - El modelo aprende patrones a partir de datos de entrada y salida.

Ejemplo de Script en Python (utilizando bibliotecas de aprendizaje automático como scikit-learn):

Esta es mi interaccion con google colab

from sklearn.model_selection import train_test_split

from sklearn.tree import DecisionTreeClassifier

from sklearn.metrics import accuracy_score

# Entradas y Salidas (Datos ficticios)

datos_entrada = [...]  # Datos del paciente

datos_salida = [...]   # Resultados de tratamiento (0: bajo, 1: medio, 2: alto)

# Dividir datos en conjunto de entrenamiento y prueba

X_entrenamiento, X_prueba, y_entrenamiento, y_prueba = train_test_split(datos_entrada, datos_salida, test_size=0.2, random_state=42)

# Entrenar un modelo de clasificación

modelo = DecisionTreeClassifier()

modelo.fit(X_entrenamiento, y_entrenamiento)

# Predecir resultados en el conjunto de prueba

resultados_predichos = modelo.predict(X_prueba)

# Medir la precisión del modelo

precision = accuracy_score(y_prueba, resultados_predichos)

print(f"Precisión del modelo: {precision}")

Ejemplo de script en Python utilizando la biblioteca scikit-learn para un problema de clasificación. En este caso, utilizaremos el conjunto de datos Iris, que es un conjunto de datos comúnmente utilizado para problemas de clasificación.

Esta es mi interaccion con google colab

# Importar bibliotecas

from sklearn import datasets

from sklearn.model_selection import train_test_split

from sklearn.preprocessing import StandardScaler

from sklearn.neighbors import KNeighborsClassifier

from sklearn.metrics import accuracy_score, classification_report, confusion_matrix

import matplotlib.pyplot as plt

# Cargar el conjunto de datos Iris

iris = datasets.load_iris()

X = iris.data

y = iris.target

# Dividir el conjunto de datos en conjuntos de entrenamiento y prueba

X_entrenamiento, X_prueba, y_entrenamiento, y_prueba = train_test_split(X, y, test_size=0.2, random_state=42)

# Normalizar los datos

escalador = StandardScaler()

X_entrenamiento = escalador.fit_transform(X_entrenamiento)

X_prueba = escalador.transform(X_prueba)

# Entrenar un clasificador k-NN

knn_clasificador = KNeighborsClassifier(n_neighbors=3)

knn_clasificador.fit(X_entrenamiento, y_entrenamiento)

# Hacer predicciones en el conjunto de prueba

predicciones = knn_clasificador.predict(X_prueba)

# Evaluar el rendimiento del clasificador

precision = accuracy_score(y_prueba, predicciones)

matriz_confusion = confusion_matrix(y_prueba, predicciones)

informe_clasificacion = classification_report(y_prueba, predicciones)

# Imprimir resultados

print(f"Precisión del modelo: {precision}")

print("\nMatriz de Confusión:")

print(matriz_confusion)

print("\nInforme de Clasificación:")

print(informe_clasificacion)

# Visualizar la matriz de confusión

plt.imshow(matriz_confusion, interpolation='nearest', cmap=plt.cm.Blues)

plt.title('Matriz de Confusión')

plt.colorbar()

clases = ['Setosa', 'Versicolor', 'Virginica']

ticks = np.arange(len(clases))

plt.xticks(ticks, clases, rotation=45)

plt.yticks(ticks, clases)

plt.xlabel('Clase Predicha')

plt.ylabel('Clase Real')

plt.show()

Precisión del modelo: 1.0 Matriz de Confusión: [[10 0 0] [ 0 9 0] [ 0 0 11]]

Informe de Clasificación: precision recall f1-score support 0 1.00 1.00 1.00 10 1 1.00 1.00 1.00 9 2 1.00 1.00 1.00 11 accuracy 1.00 30 macro avg 1.00 1.00 1.00 30 weighted avg 1.00 1.00 1.00 30

NameError                                 Traceback (most recent call last)

<ipython-input-3-e3f628d3ce45> in <cell line: 46>()
     44 plt.colorbar()
     45 clases = ['Setosa', 'Versicolor', 'Virginica']
---> 46 ticks = np.arange(len(clases))
     47 plt.xticks(ticks, clases, rotation=45)
     48 plt.yticks(ticks, clases)

NameError: name 'np' is not defined

Este script utiliza un clasificador k-NN para clasificar las flores del conjunto de datos Iris en tres clases diferentes. Se muestra la precisión del modelo, la matriz de confusión y el informe de clasificación. Además, se visualiza la matriz de confusión como una imagen. Este es un ejemplo básico, y dependiendo de tu problema específico, puedes ajustar los parámetros del modelo y realizar una optimización más detallada.

En Python, podemos utilizar la biblioteca `matplotlib` para crear gráficos. Aquí te proporcionaré ejemplos básicos de cómo podrías visualizar algunos datos en ambos casos, tanto para la programación tradicional como para el aprendizaje automático.

Esta es mi interaccion con google colab

1. Programación Tradicional:

import matplotlib.pyplot as plt

# Datos ficticios

edades = [2, 4, 6, 3, 5]

gravedades = [1, 2, 3, 1, 2]

# Gráfico de barras para la gravedad del hábito de succión digital

plt.bar(edades, gravedades, color='blue')

plt.xlabel('Edad del niño')

plt.ylabel('Gravedad del hábito')

plt.title('Gravedad del hábito de succión digital por edad')

plt.show()

2. Aprendizaje Automático:

Para visualizar datos en aprendizaje automático, es más común utilizar gráficos que representen la precisión del modelo. Aquí hay un ejemplo básico utilizando el conjunto de datos ficticio del modelo de clasificación:

Esta es mi interaccion con google colab

import matplotlib.pyplot as plt

import numpy as np

# Datos ficticios

precisiones = [0.85, 0.92, 0.78, 0.95, 0.88]

# Gráfico de barras para la precisión del modelo

nombres_modelos = ['Modelo 1', 'Modelo 2', 'Modelo 3', 'Modelo 4', 'Modelo 5']

plt.bar(nombres_modelos, precisiones, color='green')

plt.ylim(0, 1)  # Establecer el rango del eje y de 0 a 1

plt.xlabel('Modelos')

plt.ylabel('Precisión del modelo')

plt.title('Precisión de modelos de clasificación')

plt.show()

Recuerda que estos son solo ejemplos básicos y que la representación gráfica puede variar según los datos y la información que estés manejando en tu aplicación específica. Puedes personalizar los gráficos según tus necesidades y preferencias.

Desarrollaremos paso a paso ambos ejmplos para un problema de optimizacion

Vamos a desarrollar ejemplos paso a paso para un problema de optimización en ambos casos: programación tradicional y aprendizaje automático. En este caso, consideraremos un problema simple de asignación de recursos para el tratamiento de ortodoncia en niños, optimizando los recursos disponibles para obtener el mejor resultado posible.

Desarrollaremos ejemplos paso a paso para un problema de optimización en ambos casos: programación tradicional y aprendizaje automático. En este caso, consideraremos un problema simple de asignación de recursos para el tratamiento de ortodoncia en niños, optimizando los recursos disponibles para obtener el mejor resultado posible.

1. Programación Tradicional para un Problema de Optimización:

Componentes del Pensamiento Computacional:

1. Entrada:

   - Datos del paciente (nombre, edad, historial dental, etc.).

   - Información sobre hábitos de succión digital.

   - Recursos disponibles (por ejemplo, horas de tratamiento por día).

2. Procesamiento (Reglas):

   - Identificación de la gravedad del hábito de succión digital.

   - Definición de criterios de asignación de recursos.

   - Asignación óptima de recursos para maximizar el impacto del tratamiento.

3. Salida:

   - Plan de asignación de recursos óptimo.

Ejemplo de Script en Python:

Esta es mi interaccion con google colab

import numpy as np

from scipy.optimize import linprog

# Datos ficticios

edades = [2, 4, 6, 3, 5]

gravedades = [1, 2, 3, 1, 2]

recursos_disponibles = 10  # Ejemplo: horas de tratamiento por día

# Definir la función objetivo y las restricciones para el problema de optimización lineal

coef_objetivo = [-gravedad for gravedad in gravedades]  # Maximizar la gravedad

coef_restricciones = np.ones(len(edades))

rhs_restriccion = recursos_disponibles

# Resolver el problema de optimización lineal

resultados = linprog(coef_objetivo, A_ub=[coef_restricciones], b_ub=[rhs_restriccion])

# Salida

print("Asignación óptima de recursos:")

for i, asignacion in enumerate(resultados.x):

    print(f"Niño {i + 1}: {asignacion} horas")

Asigancion optima de recursos

Niño 1: 0.0 horas

Niño 2: 0.0 horas

Niño 3: 0.0 horas

Niño 4: 0.0 horas

Niño 5: 0.0 horas

2. Aprendizaje Automático para un Problema de Optimización:

Componentes del Pensamiento Computacional:

1. Entradas:

   - Datos del paciente (características demográficas, historial dental, etc.).

   - Datos relacionados con hábitos de succión digital.

   - Recursos disponibles.

2. Salidas:

   - Modelo de aprendizaje automático que predice la asignación óptima de recursos.

3. Reglas (Aprendidas por el Modelo):

   - El modelo aprende patrones a partir de datos de entrada y salida.

Ejemplo de Script en Python (utilizando bibliotecas de aprendizaje automático):

Esta es mi interaccion con google colab

from sklearn.model_selection import train_test_split

from sklearn.linear_model import LinearRegression

import numpy as np

# Datos ficticios

edades = np.array([2, 4, 6, 3, 5]).reshape(-1, 1)

gravedades = [1, 2, 3, 1, 2]

recursos_disponibles = 10  # Ejemplo: horas de tratamiento por día

# Entrenar un modelo de regresión lineal

modelo = LinearRegression()

modelo.fit(edades, gravedades)

# Predecir la gravedad para cada niño

gravedades_predichas = modelo.predict(edades)

# Normalizar las predicciones para obtener la asignación óptima de recursos

asignacion_optima = recursos_disponibles * (gravedades_predichas / np.sum(gravedades_predichas))

# Salida

print("Asignación óptima de recursos:")

for i, asignacion in enumerate(asignacion_optima):

    print(f"Niño {i + 1}: {asignacion:.2f} horas")

Asignacion optima de recursos:

Niño 1: 0. 89 horas

Niño 2: 2. 00 horas

Niño 3: 3. 11 horas

Niño 4: 1. 44 horas

Niño 5: 2. 56 horas

Estos son ejemplos simples para ilustrar cómo abordar un problema de optimización con programación tradicional y aprendizaje automático. Ten en cuenta que la elección entre estos enfoques dependerá de la naturaleza específica del problema y de los datos disponibles. Además, estos ejemplos son bastante básicos y pueden necesitar ajustes según la complejidad real de tu problema.

Diferentes tipos de gráficos para cada uno de los scripts en Python que generé. Estos gráficos se enfocarán en visualizar diferentes aspectos de los datos o resultados obtenidos en cada caso.

 1. Programación Tradicional:

Gráfico 1: Distribución de la gravedad del hábito de succión digital

Esta es mi interaccion con google colab

import matplotlib.pyplot as plt

# Datos ficticios

gravedades = [10, 20, 30]  # Cantidad de casos para cada nivel de gravedad

# Gráfico de barras

plt.bar(["Bajo", "Medio", "Alto"], gravedades)

plt.xlabel("Gravedad del hábito")

plt.ylabel("Número de casos")

plt.title("Distribución de la gravedad del hábito de succión digital")

plt.show()

Gráfico 2: Edad versus Gravedad del hábito (scatter plot)

Esta es mi interaccion con google colab

import matplotlib.pyplot as plt

import numpy as np

# Datos ficticios

edades = np.array([2, 4, 6, 3, 5])

gravedades = [1, 2, 3, 1, 2]

# Scatter plot

plt.scatter(edades, gravedades, color='red')

plt.xlabel('Edad del niño')

plt.ylabel('Gravedad del hábito')

plt.title('Edad versus Gravedad del hábito de succión digital')

plt.show()

2. Aprendizaje Automático:

Gráfico 1: Precisión del modelo en el conjunto de prueba.

Esta es mi interaccion con google colab

import matplotlib.pyplot as plt

# Datos ficticios

precision = 0.85  # Precisión del modelo

# Gráfico de barras

plt.bar(["Modelo 1"], [precision], color='green')

plt.ylim(0, 1)  # Establecer el rango del eje y de 0 a 1

plt.xlabel('Modelos')

plt.ylabel('Precisión del modelo')

plt.title('Precisión del modelo de clasificación en el conjunto de prueba')

plt.show()

Gráfico 2: Predicciones del modelo (scatter plot)

Esta es mi interaccion con google colab

from sklearn.model_selection import train_test_split

from sklearn.tree import DecisionTreeClassifier

import matplotlib.pyplot as plt

import numpy as np

# Datos ficticios

datos_entrada = np.array([[2, 1], [4, 2], [6, 3], [3, 1], [5, 2]])

datos_salida = np.array([0, 1, 2, 0, 1])

# Gráfico de dispersión para visualizar las predicciones del modelo

modelo = DecisionTreeClassifier()

modelo.fit(datos_entrada, datos_salida)

# Crear una cuadrícula de puntos para visualizar la clasificación

x_min, x_max = 1, 7

y_min, y_max = 0, 4

xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.01), np.arange(y_min, y_max, 0.01))

Z = modelo.predict(np.c_[xx.ravel(), yy.ravel()])

Z = Z.reshape(xx.shape)

plt.contourf(xx, yy, Z, cmap=plt.cm.Paired, alpha=0.8)

# Scatter plot de los datos de entrada

plt.scatter(datos_entrada[:, 0], datos_entrada[:, 1], c=datos_salida, cmap=plt.cm.Paired, edgecolors='k')

plt.xlabel('Edad del niño')

plt.ylabel('Gravedad del hábito')

plt.title('Predicciones del Modelo de Clasificación')

plt.show()

Estos gráficos son ejemplos y se pueden personalizar según nuestras necesidades y preferencias. Debemos recordar que la visualización de datos es una herramienta valiosa para comprender mejor tus resultados y comunicar la información de manera efectiva.

Conclusiones y reflexiones: Los principios del pensamiento computacional nos permite desarrollar una aplicación de tratamiento preventivo en ortodoncia en niños que presenten hábitos de succión digital, esta interacción me ayudo a aclarar mis conocimientos sobre los problemas de maloclusion que presentan los niños por este hábito.