Modelo de predicción de sepsis a partir de datos históricos de pacientes en una unidad de cuidados intensivos
88 páginas
- Autores:
-
González Muñoz, Zuleimi Esteffanny
Merizalde Maya, Pablo
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2019
- Institución:
- Universidad EIA .
- Repositorio:
- Repositorio EIA .
- Idioma:
- spa
- OAI Identifier:
- oai:repository.eia.edu.co:11190/2375
- Acceso en línea:
- https://repository.eia.edu.co/handle/11190/2375
- Palabra clave:
- Infección
Sepsis
UCI
SIRS
SOFA
qSOFA
SAPS-II
Indicadores
Inteligencia artificial
Infection
Sepsis scores
Artificial intelligence
- Rights
- openAccess
- License
- Derechos Reservados - Universidad EIA, 2019
| id |
REIA2_6c642bf5a91d4e08c20d2a6378b77b6a |
|---|---|
| oai_identifier_str |
oai:repository.eia.edu.co:11190/2375 |
| network_acronym_str |
REIA2 |
| network_name_str |
Repositorio EIA . |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Modelo de predicción de sepsis a partir de datos históricos de pacientes en una unidad de cuidados intensivos |
| title |
Modelo de predicción de sepsis a partir de datos históricos de pacientes en una unidad de cuidados intensivos |
| spellingShingle |
Modelo de predicción de sepsis a partir de datos históricos de pacientes en una unidad de cuidados intensivos Infección Sepsis UCI SIRS SOFA qSOFA SAPS-II Indicadores Inteligencia artificial Infection Sepsis scores Artificial intelligence |
| title_short |
Modelo de predicción de sepsis a partir de datos históricos de pacientes en una unidad de cuidados intensivos |
| title_full |
Modelo de predicción de sepsis a partir de datos históricos de pacientes en una unidad de cuidados intensivos |
| title_fullStr |
Modelo de predicción de sepsis a partir de datos históricos de pacientes en una unidad de cuidados intensivos |
| title_full_unstemmed |
Modelo de predicción de sepsis a partir de datos históricos de pacientes en una unidad de cuidados intensivos |
| title_sort |
Modelo de predicción de sepsis a partir de datos históricos de pacientes en una unidad de cuidados intensivos |
| dc.creator.fl_str_mv |
González Muñoz, Zuleimi Esteffanny Merizalde Maya, Pablo |
| dc.contributor.advisor.spa.fl_str_mv |
Bonet Cruz, Isis |
| dc.contributor.author.spa.fl_str_mv |
González Muñoz, Zuleimi Esteffanny Merizalde Maya, Pablo |
| dc.subject.proposal.spa.fl_str_mv |
Infección Sepsis UCI SIRS SOFA qSOFA SAPS-II Indicadores Inteligencia artificial Infection Sepsis scores Artificial intelligence |
| topic |
Infección Sepsis UCI SIRS SOFA qSOFA SAPS-II Indicadores Inteligencia artificial Infection Sepsis scores Artificial intelligence |
| description |
88 páginas |
| publishDate |
2019 |
| dc.date.accessioned.spa.fl_str_mv |
2019-07-31T15:27:25Z |
| dc.date.available.spa.fl_str_mv |
2019-07-31T15:27:25Z |
| dc.date.issued.spa.fl_str_mv |
2019 |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
https://purl.org/redcol/resource_type/TP |
| dc.type.coarversion.spa.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
publishedVersion |
| dc.identifier.uri.spa.fl_str_mv |
https://repository.eia.edu.co/handle/11190/2375 |
| dc.identifier.bibliographiccitation.spa.fl_str_mv |
González Muñoz, Z.E. y Merizalde Maya, P. (2019). Modelo de predicción de sepsis a partir de datos históricos de pacientes en una unidad de cuidados intensivos. (Trabajo de grado). Recuperado de: http://repository.eia.edu.co/handle/11190/2375 |
| url |
https://repository.eia.edu.co/handle/11190/2375 |
| identifier_str_mv |
González Muñoz, Z.E. y Merizalde Maya, P. (2019). Modelo de predicción de sepsis a partir de datos históricos de pacientes en una unidad de cuidados intensivos. (Trabajo de grado). Recuperado de: http://repository.eia.edu.co/handle/11190/2375 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.rights.spa.fl_str_mv |
Derechos Reservados - Universidad EIA, 2019 |
| dc.rights.uri.spa.fl_str_mv |
https://creativecommons.org/licenses/by-nc/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.creativecommons.spa.fl_str_mv |
Atribución-NoComercial |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Derechos Reservados - Universidad EIA, 2019 https://creativecommons.org/licenses/by-nc/4.0/ Atribución-NoComercial http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad EIA |
| dc.publisher.department.spa.fl_str_mv |
Administrativa, Financiera, Sistemas y Computación |
| dc.publisher.editor.spa.fl_str_mv |
Envigado (Antioquia, Colombia). Universidad EIA, 2019 |
| dc.publisher.program.spa.fl_str_mv |
Ingeniería de Sistemas y Computación |
| institution |
Universidad EIA . |
| bitstream.url.fl_str_mv |
https://repository.eia.edu.co/bitstreams/4d295290-11ae-4e63-80fa-f6c0994f2392/download https://repository.eia.edu.co/bitstreams/7bb37ec6-22f1-4376-8337-3251f0d1ea23/download https://repository.eia.edu.co/bitstreams/98b48f1a-6c88-475d-a845-b7731677e57d/download https://repository.eia.edu.co/bitstreams/d990ff47-268c-4dec-b7f5-2eee234b56f0/download |
| bitstream.checksum.fl_str_mv |
65d580c637c1d6f2d41a59d8197e1eb6 155ac6ac12581614bf1ca633a3091b46 da9276a8e06ed571bb7fc7c7186cd8fe d61f88a577eff983171fa42282d8521f |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad EIA |
| repository.mail.fl_str_mv |
bdigital@metabiblioteca.com |
| _version_ |
1814100903366492160 |
| spelling |
Bonet Cruz, Isisc13b9a24cfe250e70b2062e9caa6400d-1González Muñoz, Zuleimi Esteffanny15754ffb4ef90ef99677e48f29419b3c-1Merizalde Maya, Pablof53287ad9b41657c269d6c91a164558e-12019-07-31T15:27:25Z2019-07-31T15:27:25Z2019https://repository.eia.edu.co/handle/11190/2375González Muñoz, Z.E. y Merizalde Maya, P. (2019). Modelo de predicción de sepsis a partir de datos históricos de pacientes en una unidad de cuidados intensivos. (Trabajo de grado). Recuperado de: http://repository.eia.edu.co/handle/11190/237588 páginasLa creciente disponibilidad de datos y el rápido desarrollo de métodos de análisis de datos, han hecho posible las recientes aplicaciones exitosas de la Inteligencia Artificial en la salud. El uso de estos avances tecnológicos, permiten ayudar en los diferentes procesos de las instituciones de salud como en la predicción y diagnóstico de enfermedades. Dentro de estas, la sepsis es considerada como una afección con alta tasa de mortalidad especialmente en las unidades de cuidados intensivos. Esta afección, puede llegar a ser muy grave debido a las diferentes maneras de manifestarse, lo que dificulta su diagnóstico. La verificación de algunas variables generales inflamatorias, permiten indicar la letalidad de la infección. Actualmente, lo más común es el uso de indicadores como: SOFA, qSOFA y SAPS-II para predecir la posibilidad de sepsis, ya que ésta está muy ligada a la mortalidad. Aunque, en países desarrollados ya se están usando métodos basados en datos históricos con algoritmos de inteligencia artificial para poder hacer una predicción temprana. En el presente trabajo se analizaron los datos almacenados en la base de datos libre MIMIC-III, la cual contiene información de pacientes admitidos en la unidad de cuidados intensivos de The Beth Israel Deaconess Medical Center en Boston, Massachusetts. Se usaron una serie de variables clínicas de los pacientes, las cuales se pasaron por unas reglas duras que generan un valor numérico o probabilidad que se relaciona con la severidad del padecimiento. Las variables elegidas, corresponden a las que se utilizan en los indicadores mencionados para poder predecir la existencia o no de sepsis y la mortalidad de los pacientes. Por lo que el objetivo del trabajo es realizar un modelo de predicción de sepsis temprana, utilizando métodos de inteligencia artificial y compararlos con loa diferentes indicadores para el diagnóstico de esta afección. El procedimiento realizado, se basó en la metodología CRISP-DM, donde se inició con la obtención de los datos, se realizó un análisis de calidad de estos, se procedió a seleccionar las variables de los indicadores mencionados, se realizó una limpieza de estos datos y se obtuvo la vista única, la cual fue utilizada para entrenar clasificadores supervisados seleccionados: árbol de decisiones, KNN, naive bayes, red neuronal y máquinas de vector soporte. Para esta clasificación, se dividieron primero los datos en datos de aprendizaje y validación, se implementaron los modelos, y por último se corroboraron los resultados, eligiendo los mejores modelos y comparando los algoritmos entre sí, por medio de la evaluación de métricas utilizando validación cruzada. Los resultados indicaron que los modelos de machine learning y deep learning implementados, son capaces de igualar e incluso mejorar las predicciones de los modelos de reglas duras, rompiendo los paradigmas y sirviendo como un apoyo en la toma de decisiones de los profesionales de la salud.PregradoIngeniero(a) de Sistemas y Computaciónapplication/pdfspaUniversidad EIAAdministrativa, Financiera, Sistemas y ComputaciónEnvigado (Antioquia, Colombia). Universidad EIA, 2019Ingeniería de Sistemas y ComputaciónDerechos Reservados - Universidad EIA, 2019https://creativecommons.org/licenses/by-nc/4.0/El autor de la obra, actuando en nombre propio, hace entrega del ejemplar respectivo y de sus anexos en formato digital o electrónico y autoriza a la ESCUELA DE INGENIERIA DE ANTIOQUIA, para que en los términos establecidos en la Ley 23 de 1982, Ley 44 de 1993, Decisión andina 351 de 1993, Decreto 460 de 1995, y demás normas generales sobre la materia, utilice y use por cualquier medio conocido o por conocer, los derechos patrimoniales de reproducción, comunicación pública, transformación y distribución de la obra objeto del presente documento. PARÁGRAFO: La presente autorización se hace extensiva no sólo a las dependencias y derechos de uso sobre la obra en formato o soporte material, sino también para formato virtual, electrónico, digital, y en red, internet, extranet, intranet, etc., y en general en cualquier formato conocido o por conocer. EL AUTOR, manifiesta que la obra objeto de la presente autorización es original y la realiza sin violar o usurpar derechos de autor de terceros, por lo tanto la obra es de exclusiva autoría y tiene la titularidad sobre la misma. PARÁGRAFO: En caso de presentarse cualquier reclamación o acción por parte de un tercero en cuanto a los derechos de autor sobre la obra en cuestión, EL AUTOR, asumirá toda la responsabilidad, y saldrá en defensa de los derechos aquí autorizados; para todos los efectos la ESCUELA DE INGENIERÍA DE ANTIOQUIA actúa como un tercero de buena fe.info:eu-repo/semantics/openAccessAtribución-NoComercialhttp://purl.org/coar/access_right/c_abf2Modelo de predicción de sepsis a partir de datos históricos de pacientes en una unidad de cuidados intensivosTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionTexthttps://purl.org/redcol/resource_type/TPhttp://purl.org/coar/version/c_970fb48d4fbd8a85InfecciónSepsisUCISIRSSOFAqSOFASAPS-IIIndicadoresInteligencia artificialInfectionSepsis scoresArtificial intelligenceINFO0073PublicationTHUMBNAILGonzalezZuleimi_2019_ModeloPrediccionSepsis.pdf.jpgGonzalezZuleimi_2019_ModeloPrediccionSepsis.pdf.jpgGenerated Thumbnailimage/jpeg9276https://repository.eia.edu.co/bitstreams/4d295290-11ae-4e63-80fa-f6c0994f2392/download65d580c637c1d6f2d41a59d8197e1eb6MD54ORIGINALGonzalezZuleimi_2019_ModeloPrediccionSepsis.pdfGonzalezZuleimi_2019_ModeloPrediccionSepsis.pdfTrabajo de gradoapplication/pdf1874598https://repository.eia.edu.co/bitstreams/7bb37ec6-22f1-4376-8337-3251f0d1ea23/download155ac6ac12581614bf1ca633a3091b46MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-82515https://repository.eia.edu.co/bitstreams/98b48f1a-6c88-475d-a845-b7731677e57d/downloadda9276a8e06ed571bb7fc7c7186cd8feMD52TEXTGonzalezZuleimi_2019_ModeloPrediccionSepsis.pdf.txtGonzalezZuleimi_2019_ModeloPrediccionSepsis.pdf.txtExtracted texttext/plain128666https://repository.eia.edu.co/bitstreams/d990ff47-268c-4dec-b7f5-2eee234b56f0/downloadd61f88a577eff983171fa42282d8521fMD5311190/2375oai:repository.eia.edu.co:11190/23752023-07-25 17:10:20.777https://creativecommons.org/licenses/by-nc/4.0/Derechos Reservados - Universidad EIA, 2019open.accesshttps://repository.eia.edu.coRepositorio Institucional Universidad EIAbdigital@metabiblioteca.comICAgICAgICAgICAgICAgICAgICAgICAgPGNlbnRlcj5BVklTTyBERSBQUklWQUNJREFEPC9jZW50ZXI+CgpMYSBFc2N1ZWxhIGRlIEluZ2VuaWVyw61hIGRlIEFudGlvcXVpYSBhIHRyYXbDqXMgZGUgZXN0ZSBhdmlzbywgaW5mb3JtYSBhIGxvcyB0aXR1bGFyZXMgZGUgZGF0b3MgcGVyc29uYWxlcyBxdWUgc2UgZW5jdWVudHJlbiBlbiBzdXMgYmFzZXMgZGUgZGF0b3MgcXVlIGxhcyBwb2zDrXRpY2FzIGRlIHRyYXRhbWllbnRvIGRlIGRhdG9zIHBlcnNvbmFsZXMgbGEgRUlBIHNvbjoKCkFsIHRpdHVsYXIgZGUgbG9zIGRhdG9zIHBlcnNvbmFsZXMgZW4gdHJhdGFtaWVudG8sIHNlIGxlIHJlc3BldGFyw6FuIHN1cyBkZXJlY2hvcyBhIGNvbm9jZXIgw61udGVncmFtZW50ZSB5IGRlIGZvcm1hIGdyYXR1aXRhIHN1cyBkYXRvcyBwZXJzb25hbGVzLCBhc8OtIGNvbW8gYSBhY3R1YWxpemFybG9zIHkgcmVjdGlmaWNhcmxvcyBmcmVudGUgYSBsYSBFSUEgbyBsb3MgZW5jYXJnYWRvcyBkZWwgdHJhdGFtaWVudG8uCgpBbCB0aXR1bGFyIGRlIGxvcyBkYXRvcyBwZXJzb25hbGVzIGVuIHRyYXRhbWllbnRvLCBwb2Ryw6EgY29ub2NlciBlbCB1c28gcXVlIHNlIGxlIGhhIGRhZG8gYSBzdXMgZGF0b3MgcGVyc29uYWxlcywgcHJldmlhIHNvbGljaXR1ZC4KCkVsIHRpdHVsYXIgZGUgbG9zIGRhdG9zIHBlcnNvbmFsZXMgZW4gdHJhdGFtaWVudG8sIHBvZHLDoSBzb2xpY2l0YXIgcHJ1ZWJhIGRlIGxhIGF1dG9yaXphY2nDs24gb3RvcmdhZGEgYSBsYSBFSUEuIHNhbHZvIGN1YW5kbyBleHByZXNhbWVudGUgc2UgZXhjZXB0w7plIGNvbW8gcmVxdWlzaXRvIHBhcmEgZWwgdHJhdGFtaWVudG8sIGRlIGNvbmZvcm1pZGFkIGNvbiBsYSBsZXkuCgpFbCB0aXR1bGFyIGRlIGxvcyBkYXRvcyBwdWVkZSByZXZvY2FyIGxhIGF1dG9yaXphY2nDs24geSBzb2xpY2l0YXIgbGEgc3VwcmVzacOzbiBkZWwgZGF0byBjdWFuZG8gZW4gZWwgdHJhdGFtaWVudG8gbm8gc2UgcmVzcGV0ZW4gbG9zIHByaW5jaXBpb3MsIGRlcmVjaG9zIHkgZ2FyYW50w61hcyBjb25zdGl0dWNpb25hbGVzIHkgbGVnYWxlcy4gTGEgcmV2b2NhdG9yaWEgeSBzdXByZXNpw7NuIHByb2NlZGVyw6EgY3VhbmRvIGxhIFN1cGVyaW50ZW5kZW5jaWEgZGUgSW5kdXN0cmlhIHkgQ29tZXJjaW8gKFNJQykgaGF5YSBkZXRlcm1pbmFkbyBxdWUgZW4gZWwgdHJhdGFtaWVudG8sIGxhIEVTQ1VFTEEgREUgSU5HRU5JRVLDjUEgREUgQU5USU9RVUlBIGhhIGluY3VycmlkbyBlbiBjb25kdWN0YXMgY29udHJhcmlhcyBhIGVzdGEgTGV5IHkgYSBsYSBDb25zdGl0dWNpw7NuIFBvbMOtdGljYS4KClBhcmEgZWZlY3RvcyBkZSBlamVyY2VyIHN1cyBkZXJlY2hvcyBkZSBjb25vY2VyLCBhY3R1YWxpemFyLCByZWN0aWZpY2FyIHkgc3VwcmltaXIgaW5mb3JtYWNpw7NuLCByZXZvY2FyIGxhIGF1dG9yaXphY2nDs24sIGVudHJlIG90cm9zOyBlbCB0aXR1bGFyIGRlIGxvcyBkYXRvcyBwb2Ryw6EgYWN1ZGlyIGEgbGEgRVNDVUVMQSBERSBJTkdFTklFUsONQSBERSBBTlRJT1FVSUEsIGNvbW8gcmVzcG9uc2FibGUgZGVsIHRyYXRhbWllbnRvIGRlIGRhdG9zIGFsIMOhcmVhIGRlIGNvbXVuaWNhY2lvbmVzLCBtZWRpYW50ZSBjb3JyZW8gZWxlY3Ryw7NuaWNvIGEgd2VibWFzdGVyQGVpYS5lZHUuY28gLgoKRW4gY2FzbyBkZSBpbmZyYWNjaW9uZXMgYSBsYSBsZXkgMTU4MSBkZSAyMDEyLCBlbCB0aXR1bGFyIGRlIGxvcyBkYXRvcyBwb2Ryw6EgcHJlc2VudGFyIHF1ZWphIGFudGUgbGEgU3VwZXJpbnRlbmRlbmNpYSBkZSBJbmR1c3RyaWEgeSBDb21lcmNpbyAoU0lDKS4KCkVsIHRpdHVsYXIgc2Vyw6EgaW5mb3JtYWRvIGFjZXJjYSBkZSBsYSBubyBvYmxpZ2F0b3JpZWRhZCBkZSBsYXMgcmVzcHVlc3RhcyBhIGxhcyBwcmVndW50YXMgcXVlIGxlIHNlYW4gaGVjaGFzLCBjdWFuZG8gw6lzdGFzIHZlcnNlbiBzb2JyZSBkYXRvcyBzZW5zaWJsZXMsIHRhbGVzIGNvbW8gb3JpZ2VuIHJhY2lhbCBvIMOpdG5pY28sIG9yaWVudGFjacOzbiBwb2zDrXRpY2EsIGNvbnZpY2Npb25lcyByZWxpZ2lvc2FzICwgcGVydGVuZW5jaWEgYSBzaW5kaWNhdG9zLCBvcmdhbml6YWNpb25lcyBzb2NpYWxlcyBkZSBkZXJlY2hvcyBodW1hbm9zLCBkYXRvcyByZWxhdGl2b3MgYSBsYSBzYWx1ZCwgYSBsYSB2aWRhIHNleHVhbCB5IGRhdG9zIGJpb23DqXRyaWNvcyBvIHNvYnJlIGxvcyBkYXRvcyBkZSBsb3MgbmnDsW9zLCBuacOxYXMgeSBhZG9sZXNjZW50ZXMuCgpFbCB0aXR1bGFyIHBvZHLDoSBjb25vY2VyIG51ZXN0cmEgcG9sw610aWNhIGRlIHRyYXRhbWllbnRvLCBsb3MgZGF0b3Mgc3VzdGFuY2lhbGVzIHF1ZSBzZSBsbGVndWVuIGEgcHJvZHVjaXIgZW4gZWwgcHJlc2VudGUgYXZpc28gbyBlbiBsYXMgcG9sw610aWNhcyBkZSB0cmF0YW1pZW50bywgc2Vyw6FuIHB1YmxpY2FkYXMgZW4gbnVlc3RybyBzaXRpbyB3ZWIsIG1lZGlvIGVsZWN0csOzbmljbyBoYWJpdHVhbCBkZSBjb250YWN0byBjb24gbG9zIHRpdHVsYXJlcy4KCg== |