Printer Friendly

Sistema Predictivo Bayesiano para Deteccion del Cancer de Mama.

Bayesian Predictive System for Detection of Breast Cancer

INTRODUCCION

El cancer de mama es el cancer invasivo mas comun que afecta a las mujeres de todo el mundo. El desarrollo de metodos de deteccion han aumentado la incidencia, pero la mortalidad ha disminuido de manera constante; y aun asi, esta patologia es la segunda causa de muerte por cancer en las mujeres (Ban et al, 2014). Se estima, que en el mundo, aproximadamente se diagnostican al ano 1.4 millones de casos nuevos de cancer de mama, de los cuales al menos 458.000 les ocasiona la muerte (Ban et al, 2014). En Colombia, las tasas de incidencia y de mortalidad de cancer de mama durante el periodo del 2007- 2011, fueron ascendiendo segun el grupo etario considerado, (Ver Tabla 1); igual comportamiento se refleja en el departamento de Caldas (Instituto Nacional de cancerologia, 2017).

La etiologia del cancer de mama es muy heterogenea. Se registra mayor incidencia en la raza blanca, pero con menor tasa de mortalidad y mejor sobrevida a cinco anos; mientras que en la raza afrodescendiente es un poco menor la incidencia, pero hay mayor tasa de mortalidad y menor sobrevida a los cinco anos (Ban et al, 2014). Los aspectos que contribuyen al desarrollo del cancer de mama, son muy heterogeneos; entre ellos se encuentran el estrato socioeconomico, el acceso a los servicios de salud; la disparidad en estos aspectos incide en un oportuno diagnostico, lo cual es de vital importancia para poder iniciar tempranamente el tratamiento. Entre los principales factores influyentes se encuentran:

Factores reproductivos: La edad, a mayor edad hay mayor riesgo a desarrollar esta neoplasia, debido a la tendencia de los receptores de estrogenos positivos, cuya incidencia aumenta con la edad y es mas comun en mujeres postmenopausicas (Kapil et al, 2014; Parkin, 2011; Syamala et al, 2008)-La edad de la menarquia, si ocurre tempranamente, antes de los doce anos, la mujer va a tener un tramo de vida con mayor exposicion a hormonas endogenas, en este caso a estrogenos y a mayor estimulacion hormonal durante mas tiempo y este evento se ha asociado con el desarrollo de cancer de mama.-La edad del primer embarazo a termino, se ha asociado una edad menor del primer embarazo a termino (20 anos), como un factor protector del desarrollo a cancer de mama; si el primer embarazo es a una edad de 35 anos o mayor, el riesgo de desarrollar cancer de mama aumenta.-La paridad; una mujer multipara presenta menos riesgo, con el tiempo, a desarrollar cancer de mama, que una mujer nulipara

A largo plazo, las celulas epiteliales de mama se diferencian despues del primer embarazo, sus ciclos celulares son mas largos y por tanto son menos sensibles a los efectos de los agentes cancerigenos y tienen mas tiempo para someterse a la reparacion del ADN.-La lactancia disminuye el riesgo de desarrollar cancer de mama, porque induce la diferenciacion de los conductos y durante la lactancia se disminuyen los niveles de estrogenos.-El aborto inducido o espontaneo parece aumentar el riesgo a cancer de mama, pero los estudios que se han realizado no son concluyentes (Guo et al, 2015)-La edad de la menopausia, a mayor edad, mayor riesgo a desarrollar cancer de mama. Se ha establecido que una ooferoctomia bilateral, ocasiona una menopausia artificial y reduce dramaticamente el riesgo a cancer de mama.- Exposicion a hormonas exogenas,(anticonceptivos) aumenta ligeramente el riesgo a cancer de mama.-El uso de terapia hormonal despues de la menopausia, incrementa el riesgo a desarrollar cancer de mama, dependiente de la dosis y del tiempo.

Factores geneticos: Se registra mayor incidencia en la raza blanca, pero con menor tasa de mortalidad y mejor sobrevida a cinco anos; mientras que en la raza afrodescendiente es un poco menor la incidencia, pero hay mayor tasa de mortalidad y menor sobrevida a los cinco anos (Ban et al, 2014). Las mujeres hispanas presentan menor incidencia y menor mortalidad; lo anterior sugiere un compromiso de factores geneticos, ambientales y sociales. Pero ya al considerar los grupos familiares se aprecia un compromiso genetico; la historia familiar de cancer de mama ha sido bien documentada como un factor de riesgo; una mujer cuya madre o hermana presentan la patologia, tiene el doble del riesgo, con respecto a la poblacion general, de padecer la neoplasia de mama. Ademas, la predisposicion genetica incluye un comienzo temprano de la enfermedad y en muchas ocasiones mas agresiva; dependiendo de si los genes sean de alto riesgo como mutaciones en BRCA1, BRCA2, P53, PTEN o de bajo riesgo como los que participan en los mecanismos de activacion (CYPs) y detoxificacion de xenobioticos (GSTs). Los de altos riesgo son poco frecuente y los de bajo riesgo son muy frecuentes en la poblacion. En la caracteristica histologica de la neoplasia, puede ocurrir que lesiones benignas se vuelvan malignas; se ha encontrado un ligero incremento de riesgo del cancer de mama, cuando se presentan adenomas, fibroadenomas, o papiloma intraductal (Yoon et al, 2013; Sakoda et al 2008).

Factores relacionados con el estilo de vida: El elevado consumo de alcohol incrementa hasta en un 32% el riesgo de cancer de mama. El consumo de tabaquismo, sobre todo desde edad temprana, elevadas la dosis y por mucho tiempo, se asocian con el desarrollo del cancer de mama; y es de anotar que muchas de las mujeres que consumen alcohol tambien fuman (Knight et al, 2017; Van Emburgh et al, 2008) La actividad fisica regular, sobre todo en mujeres adultas pre menopausicas, disminuye el riesgo a desarrollar el cancer de mama. Respecto a las dietas, hay numerosos factores en las dietas que contienen compuestos potencialmente protectores, como las isoflavonas (fitoestrogenos) que abundan en la soya; otros con propiedades antioxidantes como las vitaminas (A,C,E y beta-carotenos). El peso corporal; el efecto de la obesidad depende del estatus menopausico. Un indice de masa corporal elevado despues de la menopausia esta asociado con un mayor riesgo de presentar cancer de mama. La exposicion a la radiacion aumenta el riesgo a desarrollar el cancer de mama; incluso la mamografia, y por ello no es aconsejable realizar dicho procedimiento en mujeres jovenes.

Desafortunadamente, es dificil evaluar el verdadero efecto de cada uno de los factores de riesgo nombrados, sobre el desarrollo del cancer de mama. No obstante, es necesario implementar modelos que permitan considerar la carga que aportan las diferentes combinaciones de estos factores con el riesgo a desarrollar el cancer de mama, y poder hacer predicciones mas ajustadas a la realidad y permitir detectar a tiempo las personas con alto riesgo, para incluirlas en un programa de vigilancia epidemiologica. Estas detecciones tempranas quizas se puedan hacer con modelos bayesianos ajustados a las mediciones de las caracteristicas de interes. Una revision de las diversas contribuciones en los ultimos 20 anos, muestra que, si bien se han disenado algunos sistemas de deteccion de cancer de mama, basados en tecnicas de inteligencia artificial, estas no han sido exploradas en su totalidad. En la Tabla 2 se relacionan algunos estudios publicados en los ultimos 20 anos.

Como se observa en la Tabla 2, predomina el uso de tecnicas inteligentes como redes neuronales, algoritmos evolutivos, maquinas de soporte vectorial, sistemas difusos, entre otros. Sin embargo el uso de clasificadores bayesianos, no ha sido muy usado en la deteccion del cancer de mama y otros tipos de cancer encontrandose pocos trabajos entre otros (Wang et al, 2014). Asi mismo, es importante resaltar que los trabajos encontrados en la literatura, toman como base el estudio de examenes especializados como analisis de mamografias, y otro tipo de datos. No obstante, en este documento se propone un sistema de diagnostico de cancer de mama tomando como referencia las variables: edad, peso, talla, indice de masa corporal, escolaridad, estrato socioeconomico, seguridad social, fumador, cuando dejo de fumar, fumador pasivo, consume licor, cantidad de licor, herencia familiar de cancer, edad de la menarca, menopausia, embarazos, partos, edad del primer parto, lactancia, consumo de anticonceptivos orales, cuanto anos consumio anticonceptivos orales, tiempo de suspension de anticonceptivos orales, terapia de reemplazo hormonal y presencia del gen GSTM1.

El modelo propuesto emplea un algoritmo evolutivo, con el fin de realizar una seleccion efectiva de las variables descritas. Una vez seleccionadas las variables, se define un modelo bayesiano basado en dos funciones, una para las muestras de personas con cancer y otra para las muestras de personas sin cancer. Definidas las funciones, los nuevos registros de las personas son evaluados en las dos funciones anteriores, suponiendose que el registro pertenece a la clase cuya funcion presente el maximo valor. Los resultados son comparados contra test especializados, con el fin de establecer la efectividad del sistema. Finalmente se encuentra que a partir de las diversas variables empleadas en la construccion de este sistema, se logran porcentajes de aciertos en la deteccion del cancer iguales al 100%.

MATERIALES Y METODOS

La metodologia desarrollada, para la deteccion del cancer de mama, comprende los siguientes pasos metodologicos: Paso 1. Bases de datos; Paso 2. Formalizacion matematica; y Paso 3. Algoritmo de Seleccion y clasificacion.

Paso 1. Bases de datos: Tomando como referencias pacientes de la region central de Colombia-Caldas (Con su respectivo consentimiento), se definieron dos bases de datos, una de personas sin cancer y otra de personas con cancer. La misma base de datos de entrenamiento fue empleada para probar la metodologia. Las columnas de la Tabla 3, representan las caracteristicas de las bases datos definidas:.

En esta tabla, C1 = Edad, C2 = peso, C3 = talla, C4 = indice de masa corporal, C5 = escolaridad, C6 = estrato, C7 = seguridad social, C8 = fumador, C9 = cuando dejo de fumar ?, C10 = fumador pasivo ?, C11 = consume licor ?, C12 = cantidad de licor ?, C13 = herencia familiar de cancer, C14 = merca, C15 = menopausia, C16 = embarazos, C17 = partos, C18 = edad del primer parto, C19 = lactancia, C20 = consumo de anticonceptivos orales, C21 = cuanto anos consumio anticonceptivos orales, C22 = tiempo de suspension de anticonceptivos orales, C23 = terapia de reemplazo hormonal, C24 = presencia del gen GSTM1.

Una vez creadas las bases de datos todos los valores no numericos de los registros fueron transformados en numeros con el fin de poder definir los clasificadores bayesianos. Esta transformacion se realizo segun el siguiente proceso: a) Los valores de respuesta si o no fueron transformados en 1 o 0 respectivamente. b) Las diferentes respuestas para los valores de escolaridad (C5) fueron transformados en valores entre 1 y 7, (1 minimo grado de escolaridad, 7 maximo grado de escolaridad). c) Los valores de seguridad social (C7) fueron transformados en valores entre 1 y 4, segun las respuestas (1 el minimo, 4 el maximo).

Paso 2. Formalizacion matematica: La definicion matematica del clasificador bayesiano es representada en los siguientes conjuntos de ecuaciones: a) Una hiper matriz de tres dimensiones, es definida. Las columnas representan el conjunto de caracteristicas (C1:C24) ilustradas en la Tabla 3. Asi mismo, las filas representan el numero de pacientes en cada base de datos que seran objeto de analisis. La tercera dimension de esta matriz, representara, el numero de clases, en este caso 2 (?tiene Cancer?: Si o No). b) Se calcula el vector de medias y la matriz de covarianza de donde i representa la dimensionalidad de cada una de las matrices expresadas en las ecuaciones 1-4 y K es una constante definida a partir de la matriz Xi. c) Para cada clase se define una funcion de probabilidad segun el sistema de ecuaciones propuesto por Duda, Hart y Stork (2001: pp 41):

[P.sub.i](x) = [X.sup.t][W.sub.i]X + [w.sup.t.sub.i]X + [w.sub.io] (1)

Donde,

[W.sub.i] =-1/2 [[suma de].sup.-1.sub.i] (2)

[w.sub.i] = [[suma de].sup.-1.sub.i][u.sub.i] (3)

[w.sub.io] =-1/2 [u.sup.t.sub.i] [[suma de].sup.-1.sub.i][u.sub.i]-1/2 ln ([valor absoluto de ([suma de]i)]) + ln (k) (4)

Paso 3. Algoritmo de Seleccion y clasificacion. El algoritmo propuesto esta conformado por los siguientes pasos: a) Seleccion del tamano de los padres (Numero de caracteristicas). Este proceso selecciona un numero K (K = 1 ... 24). Este numero definira las caracteristicas que seran analizadas. K, define el tamano de los padres iniciales. b) Poblacion Inicial. El tamano P establecido en el paso anterior, define el tamano de la poblacion inicial. Esta se hace mediante un vector de tamano K, el cual contiene un conjunto de numeros aleatorios, (K = 1 ... 24). Estos numeros definiran las caracteristicas que seran objeto de analisis. c) Operadores Geneticos y Fitness. Con los operadores de mutacion (3%) y combinacion (97%) se definen los nuevos hijos. Con cada uno de los individuos definidos (Padres e Hijos), Se definen las funciones bayesianas establecidas por la ecuacion 1. Dos funciones son definidas, (personas con cancer y sin cancer). Una vez definidas las funciones segun la ecuacion 1, cada registro de la base de datos, establecida para la validacion, son probadas en estas funciones, suponiendose que el registro de datos pertenece aquella funcion cuyo resultado sea mayor. Los resultados establecidos son comparados con los test especializados. El porcentaje de aciertos positivos, sera el resultado de la funcion Fitness d). Condiciones de parada. El procedimiento anterior, se repite hasta que se encuentre un numero determinado de iteraciones, sin que se haya logrado mejorar el porcentaje de aciertos positivos. e) Efectividad del sistema. Se definira como el porcentaje de aciertos positivos, en la clasificacion de la enfermedad. Considerando la revision literaria encontrada, se debera permitir la evolucion del algoritmo hasta que el porcentaje de aciertos sea por lo menos al 95%.

RESULTADOS Y DISCUSIONES

Como resultado de aplicar la metodologia en las bases de datos definidas, se obtienen los resultados que se presentan en lo que sigue:

Paso 1.Bases de Datos. En esta parte del trabajo, se definieron dos archivos, uno para las personas sin cancer y otro para las personas con cancer.

Posteriormente, siguiendo con lo estipulado en la metodologia todos los valores no numericos fueron trasformados en numeros, con el fin de poder construir los clasificadores bayesianos. Las caracteristicas generales de estos archivos y sus estadisticas basicas son definidas en las Tablas 5, 6, 7, 8, 9, 10 respectivamente para las personas con y sin cancer.

Paso 2. Formalizacion matematica: Como resultado de esta proceso se definieron cada una de las funciones matematicas para las dos clases que deben ser identificadas (personas sin cancer y personas con cancer). Estas funciones son ilustradas en las ecuaciones 5 y 6 respectivamente:

[P.sub.normal](x) = [X.sup.t.sub.(1xk)] [W.sub.i_sincancer(kxk)][X.sub.(kx1)] + [w.sup.t.sub.i_sincancer(1xk)][X.sub.(kx1)] + [w.sub.io_sincancer] (5)

[P.sub.Cancer](x) = [X.sup.t.sub.(1xk)] [W.sub.i_concancer(kxk)][X.sub.(kx1)] + [w.sup.t.sub.i_concancer(1xk)][X.sub.(kx1)] + [w.sub.io_cancer] (6)

Donde, las matrices [W.sub.i_sincancer], [w.sub.i_sincancer] y la constante [W.sub.io_sincancer] y las matrices [W.sub.i_concancer], [w.sub.i_concancer] y la constante [W.sub.io_concancer], son definidas tomando como referencia las ecuaciones 2, 3, 4 y el conjunto de datos de entrenamiento establecidos para los pacientes sin cancer y con cancer. Adicionalmente, la dimensionalidad de cada una de las matrices empleadas en las ecuaciones 6 y 7, es definida en el parentesis anexo al lado de cada matriz X, Wy w como subindice; esto es: (1xk), (kxk) y (kx1).

Paso 3. Algoritmo de Seleccion y clasificacion. Las diferentes ecuaciones de entrenamiento derivadas de las ecuaciones 5 y 6 son definidas para cada uno de los posibles subgrupos de tamano k (Donde, k varia entre 1 y 24). Estas caracteristicas son establecidas por medio del algoritmo evolutivo explicado en el paso 3 de la metodologia. En la definicion de la funcion bayesiana de las personas sin cancer no fue incluida la caracteristica C24, en la definicion de la funcion bayesiana de las personas con cancer si fue incluida esta caracteristica. Esto ultimo con el fin de determinar de manera particular, la incidencia de esta caracteristica en el reconocimiento de la enfermedad.

Las mismas caracteristicas indicadas por cada subgrupo de tamano k, usadas en la fase de entrenamiento, son empleadas para seleccionar cada una de las columnas de la matriz que representa el conjunto de datos de validacion, para las personas con cancer y sin cancer. Estos datos seleccionados, permitiran resolver las ecuaciones 6 y 7. Lo cual dara como resultado un numero real. Se supondra, que el paciente pertenece a la clase cuyo resultado es mayor. Esta clasificacion es comparada, para cada paciente, con los resultados de examenes especializados. El porcentaje de aciertos sera el valor de la funcion fitness del algoritmo evolutivo. La evolucion de este algoritmo se hizo durante 100.000 iteraciones. La Tabla 11, ilustra los principales resultados obtenidos, que permitieron obtener una clasificacion del 100%. En las tablas que siguen, C1 =Edad, C2=peso, C3=talla, C4=indice de masa corporal, C5=escolaridad, C6=estrato, C7=seguridad social, C8=fumador, C9=cuando dejo de fumar?, C10=fumador pasivo, C11=consume licor ?, C12=cantidad de licor?, C13= herencia familiar de cancer, C14=merca, C15=menopausia, C16=embarazos, C17=partos, C18=edad del primer parto, C19=lactancia, C20=consumo de anticonceptivos orales, C21=cuanto anos consumio anticonceptivos orales, C22=tiempo de suspension de anticonceptivos orales, C23=terapia de reemplazo hormonal, C24= presencia del gen GSTM1.

En total, se obtuvieron 216 grupos de 5 caracteristicas, los cuales permitieron una clasificacion de los datos al 100%. A continuacion, se ilustran las caracteristicas mas empleadas en referencia a los 216 grupos de 5 caracteristicas que permitieron una clasificacion de los datos al 100%: GSTM 1 (100%), Merca (45.83%), IMC (37.03%), Edad (32.8%), Lactancia (22.22%), Escolaridad (20.37%), Edad del primer parto(20.37%), Talla(19.9%), Sesofumar(17.59%), Menopausa(16.37%), Fumador(16.2%), Cantidad licor(16.2%), Estrato(15.74%), Gravidez(14.35%), ACOSUP(13.88%), Peso(12.5%), ACOano(9.7%), TRHmes(9.7%), ACO(7.87%), SS(5.5%), HFCAM(5.5%). No obstante, a pesar de que la caracteristicas (C24 = GSTM1) esta en todos los grupos, la misma por si sola, no es suficiente para identificar el cancer de mama. Se requiere de la combinacion de otras caracteristicas.

CONCLUSIONES

Este clasificador bayesiano constituye una herramienta de gran utilidad para ayudar al diagnostico temprano del cancer de mama. El nivel de acierto del sistema es del 100% logrando esta efectividad con un minimo de 5 caracteristicas. Aunque algunas caracteristicas, estan presenten en la mayoria de grupos de 5 caracteristicas que identifican correctamente la enfermedad, las mismas por si solas no son suficientes para identificar la enfermedad.

http://dx.doi.org/ 10.4067/S0718-07642018000300257

AGRADECIMIENTOS

Se agradece la colaboracion a la Universidad Nacional de Colombia y en especial al Departamento de Ingenieria Industrial de la sede Manizales. Igualmente, se agradece a la Universidad de Caldas, especialmente al Programa de Medicina y al Departamento de Sistemas e Informatica.

REFERENCIAS

Abbass, H. A., An evolutionary artificial neural networks approach for breast cancer diagnosis, Artificial Intelligence in Medicine, 25(3), 265-281 (2002)

Abbod, M. F.; J.W.F Catto; D. Linkens; y F.C. Hamdy, Application of artificial intelligence to the management of urological cancer, The Journal of Urology, 178(4), 1150-1156 (2007)

Ban K.A.; C.V. Godellas, Epidemiology of breast cancer. Surg Oncol Clin N Am, 23(3), 409-22 (2014)

Calderon C. M.; H. M. Perez; A. M. Benavides. y L. J. Morales, Articulos de desarrollo de un arreglo circular de antenas utilizando herramientas de electromagnetismo computacional, Inf. Tecnologica, 25(1), 41-54 (2014)

Catto, J. W. F.; M.F. Abbod; P.J. Wild; D. Linkens; C. Pilarsky; I. Rehman. Y F.C. Hamdy, The application of artificial intelligence to microarray data: identification of a novel gene signature to identify bladder cancer progression, European Urology, 57(3), 398-406 (2010)

Cedeno, M.; J. Quintanilla-Dominguez. y D. Andina, WBCD breast cancer database classification applying artificial metaplasticity neural network, Expert Systems with Applications, 38(8) 9573-9579 (2011)

Chakraborty, S, Simultaneous cancer classification and gene selection with Bayesian nearest neighbor method: An integrated approach, Computational Statistics & Data Analysis, 53(4), 1462-1474 (2009b)

Chakraborty, S. Bayesian binary kernel probit model for microarray based cancer classification and gene selection, Computational Statistics & Data Analysis, 53(12), 4198-4209 (2009a)

Chou, S.M.; T.S. Lee; Y.E. Shao. Y I.F. Chen, Mining the breast cancer pattern using artificial neural networks and multivariate adaptive regression splines. Expert Systems with Applications, 27(1), 133-142 (2004)

Cruz-Ramirez, N.; H.G. Acosta-Mesa; H. Carrillo-Calvet. y R.E. Barrientos- Martinez, Discovering interobserver variability in the cytodiagnosis of breast cancer using decision trees and Bayesian networks. Applied Soft Computing, 9(4), 1331-1342 (2009)

Cruz-Ramirez, N.; H.G. Acosta-Mesa; H. Carrillo-Calvet; L.A. Nava-Fernandez. y R.E. Barrientos-Martinez, Diagnosis of breast cancer using Bayesian networks: a case study, Computers in Biology and Medicine, 37(11), 1553-64 (2007)

Dheeba, J.; N.A. Singh. y S.T. Selvi, Computer-aided detection of breast cancer on mammograms: A swarm intelligence optimized wavelet neural network approach, Journal of Biomedical Informatics, 49, 45-52 (2014)

Duda, R.; P.E. Hart y D. Stork, (2001). Patter Classification, (2unda ed.), New York: John Wiley. (2001)

Guo, J.; Y. Huang; L. Yang; Z. Xie; S. Song; J. Yin; L. Kuang; W. Qin, Association between abortion and breast cancer: an updated systematic review and meta-analysis based on prospective studies, Cancer Causes Control, 26(6) 811-819 (2015).

Herrera, F.; B. Krawczyk. y M. Galar, Evolutionary under sampling boosting for imbalanced classification of breast cancer malignancy, 38, 714-726 (2016)

Instituto Nacional de Cancerologia ESE, Cancer en cifras, recuperado de http://www.cancer.gov.co/cancer_en_cifras, Mayo de 2016. Consultado agosto de 2016.

Kalderstam, J.; P. Eden, P.O. Bendahl; C. Strand; M. Ferno. y M. Ohlsson, Training artificial neural networks directly on the concordance index for censored data using genetic algorithms, Artificial Intelligence in Medicine, 58(2), 125-32 (2013)

Kapil, U.; AS. Bhadoria; N. Sareen; P. Singh; SN. Dwivedi, Reproductive factors and risk of breast cancer, A Review, Indian J Cancer. 51(4), 571-576 (2014)

Karabatak, M., (2015). A new classifier for breast cancer detection based on Naive Bayesian. Measurement, 72, 32-36 (2015)

Kelec, A.; A. Kelec, A. y U. Yavuz, Expert system based on neuro-fuzzy rules for diagnosis breast cancer, Expert Systems with Applications, 38(5), 5719-5726 (2011)

Kim S.J; J.W. Ha. y B.T. Zhang, Bayesian evolutionary hypergraph learning for predicting cancer clinical outcomes, Journal of Biomedical Informatics, 49, 101-111 (2014)

Knight, JA; J. Fan; KE, Malone; EM. John; CF. Lynch; R. Langballe; L. Bernstein; RE. Shore; JD. Brooks; AS. Reiner; M. Woods; X. Liang; JL. Bernstein; WECARE Study Collaborative Group. Alcohol consumption and cigarette smoking in combination: A predictor of contralateral breast cancer risk in the WECARE study, Int J Cancer, 1, 141(5) 916-924 (2017)

Kozegar E; M. Soryani; H, Behnam; M. Salamati. y T. Tan., Breast cancer detection in automated 3D breast ultrasound using iso-contours and cascaded RUSBoosts, Ultrasonics, 79, 68-80 (2017)

Liu, X. y Z. Zeng, A new automatic mass detection method for breast cancer with false positive reduction. Neurocomputing, 152, 388-402 (2015)

Lopez J.; R. Gozalez; C.L. Parra.; A. Martinez; A. Moreno; J. Peinado; V. Suarez; M. Cabeza; B. Quintana; M. Fernandez; M.J. Ortiz, Application of artificial intelligence for breast cancer classification before radiatiotherapy, Reports of Practical Oncology & Radiotherapy, 18, S391-S392 (2013)

Lopez, G.A.; N.E. Arias, W.A. Arboleda, Cancer incidence and mortality in Manizales 2003-2007, Colomb. Med, 43 (4) 281-89 (2012)

Lopez-Guarnizo G; N. Arias-Ortiz, W. Arboleda-Ruiz; D. MorantesArenas, Registro Poblacional de Manizales-Caldas: Incidencia y Mortalidad 2003-2007, Informe final de investigacion, Lopez- Guarnizo G, ed. Manizales: Universidad de Caldas-Instituto Nacional de Cancerologia; 11-24 (2012)

Magna, G.; P. Casti.; S.V. Jayaraman; M. Salmeri; A. Mencattini; E. Martinelli. y C. Natale, Identification of mammography anomalies for breast cancer detection by an ensemble of classification models based on artificial immune system, Knowledge-Based Systems, 101, 60-70 (2016)

Papageorgiou, E.I.; J. Subramanian; A. Karmegam, y N. Papandrianos, A risk management model for familial breast cancer: A new application using Fuzzy Cognitive Map method, Computer Methods and Programs in Biomedicine, 122(2) 123-35(2015)

Parkin, D. Cancer attributable to exposure to hormones in the UK in 2010, Br J Cancer, 105(52) 542-548 (2011)

Sahan, S.; K. Polat; H. Kodaz. y S. Gunec, A new hybrid method based on fuzzy- artificial immune system and k-nn algorithm for breast cancer diagnosis, Computers in Biology and Medicine, 37(3), 415-23 (2007)

Sakoda, L; C. Blackston; K, Xue; J. Doherty; R. Ray; M. Lin; et al. Glutathione S-transferase M1 and P1 polymorphisms and risk of breast cancer and fibrocystic breast conditions in Chinese women, Breast Cancer Res Treat, 109(1) 143-155 (2008)

Sheikhpour, R.; M. Agha. y R. Sheikhpour, Particle swarm optimization for bandwidth determination and feature selection of kernel density estimation based classifiers in diagnosis of breast cancer. Applied Soft Computing Journal, 40, 113-131 (2016)

Syamala, V.; L. Sreeja; V. Syamala; P. Raveendran; R. Balakrishnan; R. Kuttan, et al, Influence of germline polymorphisms of GSTti, GSTMi, and GSTP1 in familial versus sporadic breast cancer susceptibility and survival, Fam Cancer, 7(3) 213-220 (2008)

Van Emburgh, B. J. Hu; E. Levine; L. Mosley; L. Case; H. Lin; et al, Polymorphisms in drug metabolism genes, smoking, and p53 mutations in breast cancer, Mol Carcinog, 47(2) 88-99 (2008)

Van Zelts, J.C.; T. Tan; B. Platel.; M. de Jong.; A. Steenbakkers.; M. Mourits.; A. Grivegnee.; C. Borelli.; N. Karssemeijer. y R.M. Mann, Improved cancer detection in automated breast ultrasound by radiologists using Computer Aided Detection, European Journal of Radiology, 89, 54-59 (2017)

Wang, K.J.; B. Makond. y K.M. Wang, Modeling and predicting the occurrence of brain metastasis from lung cancer by Bayesian network: a case study of Taiwan, Computers in Biology and Medicine, 47, 147-60 (2014)

Wang, X.; B. Zheng; W. Good; J. King y Y. Chang, Computer-assisted diagnosis of breast cancer using a data-driven Bayesian belief network. International Journal of Medical Informatics, 54(2), 115-126 (1999)

Yoon, JY; D. Chitale, Adenomyoepithelioma of the breast: a brief diagnostic review, Arch Pathol Lab Med, 137(5) 725729 (2013)

Omar D. Castrillon(1), Eduardo Castano(2) y Luis F. Castillo(1,3)

(1)Universidad Nacional de Colombia, Sede Manizales. Facultad de Ingenieria y Arquitectura, Departamento de Ingenieria Industrial, GTA en Innovacion y Desarrollo Tecnologico, Campus la Nubia-Manizales, Colombia. (e-mail: odcastrillong@unal.edu.co, lfcastilloos@unal.edu.co)

(2) Universidad de Caldas. Facultad de Ciencias para la Salud, Programa de Medicina, Colombia. (e-mail: eduardo.castano@ucaldas.edu.co)

(3) Universidad de Caldas, Facultad de Ingenierias, Depto. de Sistemas e Informatica, GITIR Grupo Inv. Tecnologias Informacion y Redes, Manizales, Colombia. (e-mail: luis.castillo@ucaldas.edu.co)

Recibido May. 24, 2017; Aceptado Ago. 3, 2017; Version final Sep. 15, 2017, Publicado Jun. 2018
Tabla 1: Incidencia de Cancer de mama en Colombia y Caldas; periodo
2007-2011 TEI es la tasa especifica de incidencia por 100.000
habitantes y TEM es la tasa especifica de mortalidad por 100.000
habitantes. Elaborada a partir de las siguientes fuentes. (Lopez et
al 2012; Instituto Nacional de Cancerologia, 2016; Lopez-Guarnizo et
al 2012)

                     Colombia

Grupo/anos   Incidencia    TEI    Mortalidad   TEM

15-44           1394      13.2       327       3.1
45-54           1988       78        531       20.8
55-64           2000      123.5      548       33.8
65 +            2245      138.6      820       50.6

                  Caldas

Incidencia      TEI       Mortalid   TEM

29               13         7        3.1
58              92.2       15        23.9
63             145.5       17        39.9
71             158.1       26        57.9

Tabla 2: Contribuciones sobre sistemas inteligentes aplicados a la
deteccion de cancer de mama.

Autores                              Contribucion

(Wang et al, 1999)     Mejora la deteccion del cancer de mama a
                       partir de la mamografia, en un
                       porcentaje superior al 80%, al emplear
                       una red bayesiana simple, en vez de
                       combinaciones hibridas de redes
                       independientes, en la cual se integra la
                       imagen y las caracteristicas que no son
                       imagen.

(Abbass, 2002)         Disena una red artificial para la
                       prediccion del cancer de mama. Este
                       algoritmo trabaja sobre la base datos de
                       Wisconsin. Los resultados son comparados
                       frente a una programacion evolucionaria
                       y programacion hacia atras. Este sistema
                       logra un porcentaje de aciertos en la
                       clasificacion del 98.1%.

(Chou et al, 2004)     Propone un modelo de clasificacion de
                       datos para identificar el cancer de
                       mama, integrando un modelo de regresion
                       adaptativa a una red neuronal,
                       obteniendose resultados del 99.7% de
                       efectividad en la deteccion de esta
                       enfermedad.

(Sahan et al, 2007)    Propone un sistema inmune basado en una
                       maquina de aprendizaje para la deteccion
                       del cancer de mama. Obteniendose
                       clasificaciones efectivas del 99.14%.

(Cruz-Ramirez et al,   Evalua diferentes clasificadores
2007)                  bayesianos en el diagnostico del cancer
                       de mama. Los resultados son comprados
                       frente a datos recolectados por simples
                       observadores y multiples observadores.
                       Obteniendose resultados del 93.04% y
                       83.31% respectivamente.

(Abbod et al, 2007)    En este trabajo hacen una revision de
                       las principales tecnicas inteligentes
                       para el manejo del cancer urologico:
                       Prostata, vejiga, rinon, testiculo. Esto
                       sistemas presentan una efectividad entre
                       el 75% y 100%, segun la tecnica y el
                       tipo de cancer.

Chakraborty, S.        Propone un modelo bayesiano de dos
2009a)                 clases basado en un nucleo, semi
                       parametrico bayesiano. El problema es
                       simplificado reduciendo la
                       dimensionalidad de sus variables. El
                       modelo es probado en 3 diferentes tipos
                       de cancer (Leucemia, prostata y colon)
                       con muy buenos resultados.

Chakraborty, S.        Establece un modelo bayesiano integrado
2009b).                a una tecnica de seleccion de datos,
                       para identificar diferentes clases de
                       cancer: Mama, Colon, Leucemia y Glioma.
                       El modelo es probado con 100.000
                       iteraciones, obteniendose muy bajos
                       errores en la clasificacion (cerca al
                       1%)

(Cruz-Ramirez et al,   Evalua dos arboles de decision y cuatro
2009)                  redes bayesianas (con el apoyo del
                       programa Weka) en el diagnostico del
                       cancer de mama. Se emplearon bases de
                       datos colectadas por simples
                       observadores y multiples observadores.
                       Encontrandose diferencias en ambos
                       resultados.

(Catto et al, 2010)    Logra buenos resultados en el diseno de
                       un sistema inteligente basado en logica
                       difusa y redes neuronales, para la
                       identificacion del cancer de vejiga

(Cedeno et al 2011)    Presenta un nuevo metodo en el
                       entrenamiento de las redes neuronales,
                       en el cual se da prioridad a la
                       actualizacion de los pesos, variando las
                       activaciones. Encontrandose resultados
                       de clasificacion del 99.26%

Autores                              Contribucion

(Kelec et al, 2011)    Desarrolla un sistema experto para la
                       deteccion del cancer de mama, a partir
                       de la mamografia. Con un 96% efectividad
                       en predicciones positivas y 81%
                       predicciones negativas.

(Kalderstam et al,     Construye una red neuronal para la
2013)                  deteccion del cancer de mama la cual es
                       entrenada por medio de un algoritmo
                       genetico con la mitad de los datos, con
                       resultados superiores al 90%.

(Lopez et al, 2013)    En este trabajo se desarrolla un sistema
                       para la identificacion automatica del
                       tamano de los tumores de cancer de mama.
                       Esta metodologia se basa en los
                       algoritmos: J48, LADtree, Naive-Bayes.
                       Obteniendose resultados superiores al
                       96%.

(Dheeba et al,         Emplea un algoritmo basado particulas
2014)                  inteligentes optimizadas por la red
                       neuronal de wavelet, en la deteccion del
                       cancer de mama a partir de mamografias.
                       Con resultados superiores al 94%.

(Kim et al, 2014)      Se realiza un algoritmo de aprendizaje
                       evolucionario en la deteccion del cancer
                       de mama y mieloma multiple, el cual es
                       optimizado por medio de un secuencia
                       bayesiana simple, con muy buenos
                       resultados

(Calderon et al,       Se propone una metodologia para la
2014)                  deteccion de cancer de mama, con
                       frecuencias no ionizantes.

(Karabatak et al,      Emplea un clasificador bayesiano
2015)                  ponderado en la deteccion del cancer de
                       mama. con resultados superiores al 98%

(Liu et al, 2015)      Propone un sistema de deteccion de
                       cancer de mama sobre las mamografias.
                       Este sistema emplea una tecnica basada
                       en maquinas de soporte vectorial (SVM).
                       Obteniendose solo un 5.3% de fallos en
                       la deteccion.

(Papageorgiou et al    Desarrolla un soporte de decision medico
2015)                  basado en logica difusa, con un 95% en
                       el diagnostico del cancer de mama.

(Magna et al, 2016)    Disena un sistema basado en un conjunto
                       adaptativo de redes inmunes para
                       detectar el cancer de mama partiendo de
                       una mamografia. Como resultado se
                       obtiene un nivel de precision maxima de
                       0,90, la sensibilidad de 0,93 y
                       especificidad de 0,87.

(Sheikhpou et al,      Se propone un modelo basado en
2016)                  particulas inteligentes para clasificar
                       y distinguir si un tumor de cancer de
                       mama es maligno o no. Con este sistema
                       se encuentran resultados correctos de
                       clasificacion del 98.53%.

(Herrera et al,        Se propone un sistema automatizado,
2016)                  basado en maquinas de aprendizaje y el
                       procesamiento de imagenes, para detectar
                       el grado de malignidad de un tumor de
                       cancer de mama, obteniendose muy buenos
                       resultados.

(Kozegar et al,        Propone un sistema de deteccion de
2017)                  cancer de mama basado en ultrasonidos.
                       Mediante un clasificador se delimitan
                       los limites de los tumores.

(Van Zelst et al,      Analiza el software para la deteccion de
2017)                  cancer de mama por medio de
                       ultrasonidos.

Tabla 3: Caracteristicas de la base de datos

Paciente                 Caracteristicas

            C1     C2     C3    ...    ...    ...     ..
1
.
N

Paciente                 Caracteristicas            ?Cancer?

           ...    ...    ...    C22    C23    C24
1
.
N

Tabla 4: Datos Generales.

Nombre                 Definicion                 Numero
                                               de registros

Sin Cancer   Persona sin Cancer                     4
             -Entrenamiento y Validacion.

Con Cancer   Personas con Cancer                    44
             -Entrenamiento y Validacion.

Tabla 5: Estadisticas basicas. Personas sin Cancer
(Caracteristicas [C.sub.1]-[C.sub.8])

Parametro    [C.sub.1]   [C.sub.2]   [C.sub.3]   [C.sub.4]

Promedio        57,50       57,75        1,60       22,48
Desviacion      15,00       11,09        0,10        3,11
Minimo          37,00       46,00        1,48       18,90
Maximo          73,00       72,00        1,69       25,82
Mediana         60,00       56,50        1,62       22,60
Varianza       225,00      122,92        0,01        9,68

Parametro    [C.sub.5]   [C.sub.6]   [C.sub.7]   [C.sub.8]

Promedio         3,25        3,25        1,25        0,25
Desviacion       1,71        0,96        0,50        0,50
Minimo           1,00        2,00        1,00        0,00
Maximo           5,00        4,00        2,00        1,00
Mediana          3,50        3,50        1,00        0,00
Varianza         2,92        0,92        0,25        0,25

Tabla 6: Estadisticas basicas. Personas sin Cancer
(Caracteristicas [C.sub.9]-[C.sub.16])

Parametro    [C.sub.9]   [C.sub.10]   [C.sub.11]   [C.sub.12]

Promedio         2,50         0,50         0,50         1,00
Desviacion       5,00         0,58         0,58         1,15
Minimo           0,00         0,00         0,00         0,00
Maximo          10,00         1,00         1,00         2,00
Mediana          0,00         0,50         0,50         1,00
Varianza        25,00         0,33         0,33         1,33

Parametro    [C.sub.13]   [C.sub.14]   [C.sub.15]   [C.sub.16]

Promedio          0,25        14,00        32,50         2,00
Desviacion        0,50         0,82        21,89         2,45
Minimo            0,00        13,00         0,00         0,00
Maximo            1,00        15,00        46,00         5,00
Mediana           0,00        14,00        42,00         1,50
Varianza          0,25         0,67       479,00         6,00

Tabla 7: Estadisticas basicas. Personas sin Cancer
(Caracteristicas [C.sub.17]-[C.sub.24])

Parametro    [C.sub.17]   [C.sub.18]   [C.sub.19]   [C.sub.20]

Promedio          1,25        13,25         7,25         0,25
Desviacion        1,50        15,31         9,91         0,50
Minimo            0,00         0,00         0,00         0,00
Maximo            3,00        27,00        21,00         1,00
Mediana           1,00        13,00         4,00         0,00
Varianza          2,25       234,25        98,25         0,25

Parametro    [C.sub.21]   [C.sub.22]   [C.sub.23]   [C.sub.24]

Promedio          1,00         4,50        15,00         0,00
Desviacion        2,00         9,00        30,00         0,00
Minimo            0,00         0,00         0,00         0,00
Maximo            4,00        18,00        60,00         0,00
Mediana           0,00         0,00         0,00         0,00
Varianza          4,00        81,00       900,00         0,00

Tabla 8: Estadisticas basicas. Personas con Cancer
(Caracteristicas [C.sub.1]-[C.sub.8])

Parametro    [C.sub.1]   [C.sub.2]   [C.sub.3]   [C.sub.4]

Promedio        56,23       59,41        1,55       24,75
Desviacion      13,00        8,21        0,05        3,14
Minimo          33,00       45,00        1,46       18,49
Maximo          82,00       76,00        1,68       31,63
Mediana         56,00       59,00        1,55       24,89
Varianza       169,13       67,41        0,00        9,84

Parametro    [C.sub.5]   [C.sub.6]   [C.sub.7]   [C.sub.8]

Promedio         3,87        3,05        1,44        0,36
Desviacion       2,09        1,32        0,88        0,49
Minimo           1,00        1,00        1,00        0,00
Maximo           7,00        6,00        4,00        1,00
Mediana          4,00        3,00        1,00        0,00
Varianza         4,38        1,73        0,78        0,24

Tabla 9: Estadisticas basicas. Personas con Cancer
(Caracteristicas [C.sub.9]-[C.sub.16])

Parametro    [C.sub.9]   [C.sub.10]   [C.sub.11]   [C.sub.12]

Promedio         4,59         0,23         0,33         1,38
Desviacion      10,59         0,43         0,48         2,25
Minimo           0,00         0,00         0,00         0,00
Maximo          50,00         1,00         1,00         6,00
Mediana          0,00         0,00         0,00         0,00
Varianza       112,25         0,18         0,23         5,09

Parametro    [C.sub.13]   [C.sub.14]   [C.sub.15]   [C.sub.16]

Promedio          0,21        12,54        38,67         2,97
Desviacion        0,41         2,57        18,79         2,56
Minimo            0,00         0,00         0,00         0,00
Maximo            1,00        17,00        56,00        11,00
Mediana           0,00        13,00        48,00         3,00
Varianza          0,17         6,62       353,12         6,55

Tabla 10: Estadisticas basicas. Personas con Cancer
(Caracteristicas [C.sub.17]-[C.sub.24])

Parametro    [C.sub.17]   [C.sub.18]   [C.sub.19]   [C.sub.20]

Promedio          2,46        20,05        10,21         0,18
Desviacion        2,32        10,22        12,56         0,39
Minimo            0,00         0,00         0,00         0,00
Maximo           11,00        38,00        48,00         1,00
Mediana           2,00        21,00         5,00         0,00
Varianza          5,36       104,52       157,80         0,15

Parametro    [C.sub.21]   [C.sub.22]   [C.sub.23]   [C.sub.24]

Promedio          1,26         1,62         2,85         0,69
Desviacion        3,35         5,07        10,51         0,47
Minimo            0,00         0,00         0,00         0,00
Maximo           16,00        20,00        60,00         1,00
Mediana           0,00         0,00         0,00         1,00
Varianza         11,20        25,66       110,55         0,22

Tabla 11: Grupos de 5 Caracteristicas que permitieron
una clasificacion del 100%

(a)

C1    C2    C3    C4    C5    C6    C7    C8    C9    C10   C11   C12

1                                                1
1                  1
             1     1     1

1                                                                  1
                   1                                   1
                               1
                   1     1                             1
             1                 1                 1
1                              1           1
                   1     1                             1
1                                                1
1                                                                  1
                   1     1                       1
             1     1                                         1
             1                 1
1                                                1
             1     1                                   1
                                                                   1
             1                                   1           1
1                                                                  1
                   1           1
1                                                1
1                  1
1                                          1
                                                 1
                   1     1                             1
1            1     1                                               1
1                  1           1                       1
1                              1
1                                                1
1                                                            1
                   1           1

(b)

C1    C2    C3    C4    C5    C6    C7    C8    C9    C10   C11   C12

1                                                1
1
             1     1                                               1
1
                   1     1                                   1
             1                 1
1                  1                                               1
1      1           1
             1     1           1                                   1
1                  1                                               1
                   1     1                             1
                   1     1                             1
                   1
                                                       1
                   1                             1                 1
       1                       1
1                                                      1
             1
1
1                                                            1
1                        1                 1
                                                             1
1                                                1
1
             1                 1
                   1     1                                         1
                   1                             1     1
                                                       1

                                                             1
             1           1                             1
1                                          1
1                                                1
       1                 1                                   1
                   1     1                                   1
1            1     1                                   1
1                  1
1                                          1
                   1                                         1
                                     1
       1                 1                                         1
       1                                         1
1
1            1
             1                 1
1                                                            1
       1                 1                             1
                         1                 1

                               1     1
1                  1                 1                 1
1                  1
                   1                             1                 1
             1     1                                               1
                   1     1                             1

(c)

C1    C2    C3    C4    C5    C6    C7    C8    C9    C10   C11   C12

1                        1                       1
             1                 1

1                                                                  1
1      1                                   1
                         1                       1
1      1
       1                                   1           1
             1
1
1
                   1                                   1
                                                       1
             1     1     1                             1
                   1     1                                         1
                               1
       1                 1                             1
             1                 1
1                        1
             1                 1
       1                 1                                         1
                                                 1
1
                   1                             1     1
1                                                            1
             1           1                                   1
1                  1     1                             1
1                                                            1
             1                 1
1
                   1                             1                 1
1                  1                                         1
             1     1           1                       1
                                     1
       1                       1
1                                                                  1
1                                          1     1
1            1
             1     1                                               1
                                                                   1
1                                                1
1                                          1
                   1                             1           1
                   1     1                       1
1
                                           1
             1           1                                         1
1                              1
                   1                                               1
1            1                             1
             1                             1                       1
                                     1
                   1     1                                         1
1      1                                         1
             1     1                                   1
                   1     1                 1                 1

(d)

C1    C2    C3    C4    C5    C6    C7    C8    C9    C10   C11   C12

                   1     1                                         1
             1                                   1                 1
             1                             1                 1
                                                 1
             1                 1           1
                   1     1                                   1
1                  1
                   1                                               1
1                  1                                   1
                   1           1     1
             1                 1
1
                               1
       1           1                                         1
       1           1                       1
                   1                             1           1
                   1     1     1
1                                          1
1
                   1     1                 1           1
       1                                         1                 1
1
             1                 1
       1                       1
             1
                   1                       1                       1
1                                                1
             1                 1

                                     1

1
       1                                   1                 1
                                           1
1                                    1     1
                   1                       1                       1
             1
       1           1                                               1
                   1     1                                   1
                                                       1
                               1
       1                 1                 1

                   1     1                             1

                   1     1                             1
                               1     1                       1
       1           1     1
       1                                   1
                                           1
             1
             1                 1     1
                   1                       1                 1
       1                 1
                               1     1                       1

(e)

C1    C2    C3    C4    C5    C6    C7    C8    C9    C10   C11   C12

                   1                       1           1
1
       1                                         1     1
             1                                                     1
                   1                             1                 1
       1                 1                                   1
                   1                             1     1
                   1     1                 1
                                     1
                   1     1                       1
       1     1
                   1                             1           1

                   1                             1           1
       1           1                             1

                   1     1                                         1
                   1                       1                 1
1                  1                                   1

(a)

C13   C14   C15   C16   C17   C18   C19   C20   C21   C22   C23   C24

             1     1                                               1
                   1                 1                             1
                         1                                         1
       1     1     1     1                                         1
                   1                             1                 1
       1                       1                                   1
       1                             1     1                       1
 1                                                                 1
             1                                                     1
       1                                                           1
                                     1                             1
       1                       1                                   1
       1     1                                                     1
                                                             1     1
       1                                                           1
 1                             1                                   1
       1                 1                                         1
       1                                                           1
       1                 1           1                             1
                                     1                             1
                   1                                   1           1
                   1           1                                   1
       1     1                                                     1
       1                 1                                         1
       1     1                                                     1
       1     1     1                                               1
       1                                                           1
                                                                   1
                                                                   1
       1           1                                               1
       1                                               1           1
       1     1                                                     1
 1                 1                                               1

(b)

C13   C14   C15   C16   C17   C18   C19   C20   C21   C22   C23   C24

       1                                   1                       1
       1     1                             1                       1
                               1                                   1
             1     1           1                                   1
       1                                                           1
                                     1           1                 1
 1                                                                 1
                               1                                   1
                                                                   1
       1                                                           1
             1                                                     1
                   1                                               1
             1           1           1                             1
             1                 1                       1           1
                                                             1     1
                         1                             1           1
                   1                                   1           1
       1                             1           1                 1
 1     1                 1                                         1
                   1                       1                       1
                                     1                             1
       1           1                 1                             1
       1           1                                               1
       1     1                                         1           1
       1                 1                                         1
       1                                                           1
                                                       1           1
             1                 1           1                       1
 1     1                       1                             1     1
 1     1                       1                       1           1
       1                 1           1                             1
                               1                                   1
       1                       1                                   1
       1                                                     1     1
                                                 1                 1
                                     1                             1
                                                                   1
                         1           1                             1
             1                 1                                   1
       1                             1                             1
       1                             1           1                 1
                                                 1                 1
       1                             1                             1
       1     1           1                                         1
       1                       1                                   1
                               1                 1                 1
                   1                             1                 1
                                                 1                 1
             1                       1                             1
       1                       1                                   1
                                                                   1
       1           1                                               1
                                                 1                 1
       1                                                           1
                         1                                         1

(c)

C13   C14   C15   C16   C17   C18   C19   C20   C21   C22   C23   C24

                                     1                             1
                               1     1                             1
       1                                                     1     1
                                     1                             1
             1                       1                             1
       1                             1                             1
                                                       1           1
       1                       1           1                       1
       1     1     1                                               1
       1           1                 1                             1
       1                             1                             1
       1                 1           1                             1
                                                                   1
                                           1                       1
 1                 1                                         1     1
                                                       1           1
       1                       1                                   1
       1                             1                             1
                               1                       1           1
                                                       1           1
       1     1                 1                                   1
       1           1           1                                   1
                                                             1     1
                   1                                   1           1
                               1                                   1
                                                                   1
       1                                                     1     1
                                     1                 1           1
       1     1                                               1     1
                                                       1           1
       1                                                           1
                                                                   1
       1                       1                       1           1
                         1                       1                 1
                   1                       1                       1
       1                                                           1
       1                 1                                         1
                                     1                             1
       1           1                 1                             1
       1                                         1                 1
       1                 1                                         1
                                                 1                 1
                                                       1           1
       1     1                                   1                 1
       1     1                 1                                   1
                               1                                   1
       1                 1                                         1
       1                       1                                   1
       1                                                           1
                                     1                             1
       1                             1     1                       1
                               1                                   1
       1                                                           1
                               1                                   1
                                                                   1

(d)

C13   C14   C15   C16   C17   C18   C19   C20   C21   C22   C23   C24

                                                 1                 1
                                     1                             1
                                     1                             1
       1     1           1                                         1
             1                                                     1
                                           1                       1
       1     1                                                     1
       1                             1                             1
                               1                                   1
                         1                                         1
                                     1     1                       1
       1     1                       1                             1
       1           1     1                                         1
                                                             1     1
                                                       1           1
                                           1                       1
       1                                                           1
       1           1                                               1
       1                 1     1                                   1
                                                                   1
                                                       1           1
       1                 1                             1           1
                               1                             1     1
       1                       1                                   1
       1                             1                 1           1
                                                       1           1
             1                 1                                   1
                               1           1                       1
       1     1           1     1                                   1
       1                       1                             1     1
       1     1                 1                                   1
                                                       1           1
       1     1           1                                         1
       1                                                           1
                                                 1                 1
       1                             1                       1     1
                                     1                             1
                               1                                   1
       1           1                 1                             1
       1                             1           1                 1
                                                             1     1
 1     1                             1                       1     1
                               1                                   1
       1     1     1           1                                   1
                                                 1                 1
                   1                                               1
                                                       1           1
       1                             1                             1
       1     1     1                                               1
       1                       1                       1           1
                               1                                   1
                                                       1           1
       1                                                     1     1
                         1                                         1

(e)

C13   C14   C15   C16   C17   C18   C19   C20   C21   C22   C23   C24

                                                       1           1
       1                 1                                   1     1
                                           1                       1
 1           1                                                     1
                                           1                       1
                                                       1           1
                                           1                       1
                                           1                       1
       1                             1                       1     1
                                                 1                 1
                   1                 1                             1
                                                       1           1
 1     1                             1                 1           1
                                                             1     1
                                                 1                 1
 1     1                             1           1                 1
                                     1                             1
                                                             1     1
       1                                                           1
COPYRIGHT 2018 Centro de Informacion Tecnologica
No portion of this article can be reproduced without the express written permission from the copyright holder.
Copyright 2018 Gale, Cengage Learning. All rights reserved.

Article Details
Printer friendly Cite/link Email Feedback
Author:Castrillon, Omar D.; Castano, Eduardo; Castillo, Luis F.
Publication:Informacion Tecnologica
Date:Jun 1, 2018
Words:8191
Previous Article:Gobierno de las Tecnologias de la Informacion. Uso y Practicas en las Entidades Publicas del Triangulo del Cafe, Colombia.
Next Article:Huella del Carbono: Cambio Climatico, Gestion Sustentable y Eficiencia Energetica.
Topics:

Terms of use | Privacy policy | Copyright © 2019 Farlex, Inc. | Feedback | For webmasters