Valencia Cabrera, LuisOrellana Martín, David2024-12-022024-12-022024-10-24Hernández Barba, N. (2024). Modelos de Predicción para la Detección Prenatal del Síndrome de Down. (Trabajo Fin de Grado Inédito). Universidad de Sevilla, Sevilla.https://hdl.handle.net/11441/165193Este trabajo aborda el desarrollo de modelos de clasificación para la detección del síndrome de Down en el primer trimestre del embarazo. Se basa en datos sobre las características físicas de la mujer, como el peso, la edad, la altura y la etnia, así como en datos genéticos del ARN obtenido del plasma fetal, utilizando técnicas de aprendizaje automático que permiten una evaluación más precisa de los riesgos asociados. A lo largo del proceso, se llevan a cabo diferentes etapas. Comenzamos con un análisis descriptivo de los datos, intentando extraer características relevantes y patrones que puedan influir en la detección del síndrome de Down. A continuación, implementamos los modelos de clasificación utilizando tidymodels, lo que nos permite gestionar y optimizar los modelos de manera eficiente. Esta implementación se complementa con una discusión detallada sobre los resultados obtenidos, donde analizamos el rendimiento de cada modelo y su capacidad para discriminar entre las clases. Finalmente, se presentan las conclusiones sobre los objetivos planteados que impulsan el estudio, así como propuestas para mejorar ciertos aspectos en investigaciones futuras.This thesis focuses on the development of classification models for the detection of Down syndrome in the first trimester of pregnancy. It is based on data regarding the physical characteristics of the woman, such as weight, age, height, and ethnicity, as well as genetic data from RNA obtained from fetal plasma. Machine learning techniques are employed to facilitate a more accurate assessment of the associated risks. Throughout the process, various stages are undertaken. We begin with a descriptive analysis of the data, aiming to extract relevant features and patterns that may influence the detection of Down syndrome. Next, we implement the classification models using tidymodels, which allows for efficient management and optimization of the models. This implementation is complemented by a detailed discussion of the results obtained, analyzing the performance of each model and its ability to discriminate between classes. Finally, we present conclusions regarding the stated objectives driving the study, along with proposals for improving certain aspects in future research.application/pdf90 p.spaAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/Síndrome de DownTrisomía 21Aprendizaje automáticoBosques aleatoriosRedes neuronalesDown syndromeTrisomy 21Machine learningRandom forestsNeural networksinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/openAccess