Herramienta para predecir el riesgo por exposición a radiaciones ionizantes en trabajadores del sector de la salud utilizando técnicas de Machine Learning

Exposure to ionizing radiation induces biological changes that can trigger high-cost or catastrophic diseases in those who handle them, these changes are not immediate, they can take time to appear and additionally these diseases have diverse factors, however, the quantification of ionizing radiatio...

Full description

Autores:: Rincón Arévalo, Guido Marcelo

Tipo de recurso:: Doctoral thesis

Fecha de publicación:: 2021

Institución:: Universidad Antonio Nariño

Repositorio:: Repositorio UAN

Idioma:: spa

id	UAntonioN2_7b663b29457fcaf55e4a110fce8f3de8
oai_identifier_str	oai:repositorio.uan.edu.co:123456789/6616
network_acronym_str	UAntonioN2
network_name_str	Repositorio UAN
repository_id_str
dc.title.es_ES.fl_str_mv	Herramienta para predecir el riesgo por exposición a radiaciones ionizantes en trabajadores del sector de la salud utilizando técnicas de Machine Learning
title	Herramienta para predecir el riesgo por exposición a radiaciones ionizantes en trabajadores del sector de la salud utilizando técnicas de Machine Learning
spellingShingle	Herramienta para predecir el riesgo por exposición a radiaciones ionizantes en trabajadores del sector de la salud utilizando técnicas de Machine Learning Predicción Riesgo Exposición Radiación Ionizante Salud Aprendizaje automático 600 Prediction Risk Radiation Exposure Ionizing Health Machine learning
title_short	Herramienta para predecir el riesgo por exposición a radiaciones ionizantes en trabajadores del sector de la salud utilizando técnicas de Machine Learning
title_full	Herramienta para predecir el riesgo por exposición a radiaciones ionizantes en trabajadores del sector de la salud utilizando técnicas de Machine Learning
title_fullStr	Herramienta para predecir el riesgo por exposición a radiaciones ionizantes en trabajadores del sector de la salud utilizando técnicas de Machine Learning
title_full_unstemmed	Herramienta para predecir el riesgo por exposición a radiaciones ionizantes en trabajadores del sector de la salud utilizando técnicas de Machine Learning
title_sort	Herramienta para predecir el riesgo por exposición a radiaciones ionizantes en trabajadores del sector de la salud utilizando técnicas de Machine Learning
dc.creator.fl_str_mv	Rincón Arévalo, Guido Marcelo
dc.contributor.advisor.spa.fl_str_mv	Sánchez Camargo, Claudia Liliana Rodríguez Suarez, César Augusto
dc.contributor.author.spa.fl_str_mv	Rincón Arévalo, Guido Marcelo
dc.subject.es_ES.fl_str_mv	Predicción Riesgo Exposición Radiación Ionizante Salud Aprendizaje automático
topic	Predicción Riesgo Exposición Radiación Ionizante Salud Aprendizaje automático 600 Prediction Risk Radiation Exposure Ionizing Health Machine learning
dc.subject.ddc.es_ES.fl_str_mv	600
dc.subject.keyword.es_ES.fl_str_mv	Prediction Risk Radiation Exposure Ionizing Health Machine learning
description	Exposure to ionizing radiation induces biological changes that can trigger high-cost or catastrophic diseases in those who handle them, these changes are not immediate, they can take time to appear and additionally these diseases have diverse factors, however, the quantification of ionizing radiation, hazard analysis and radiation weighting manage to categorize risks and prevent them from materializing. Health institutions must comply with scattered radiation measures that can be absorbed by workers while performing the medical act or in the environment where they perform their functions. These measurements are made with equipment such as dosimeters to have a monthly surveillance and to know the exposure values of the workers. This research uses the results of the measurement of the worker and the work environment and performs a risk categorization with the results obtained from health institutions. With the use of Machine Learning, the risk of absorbed and dispersed radiation in the work environment is weighted and with these values it is possible to design a tool that allows knowing and predicting the risk of exposure in which a worker is occupationally exposed.
publishDate	2021
dc.date.issued.spa.fl_str_mv	2021-12-01
dc.date.accessioned.none.fl_str_mv	2022-05-21T13:29:43Z
dc.date.available.none.fl_str_mv	2022-05-21T13:29:43Z
dc.type.spa.fl_str_mv	Tesis y disertaciones (Maestría y/o Doctorado)
dc.type.coar.spa.fl_str_mv	http://purl.org/coar/resource_type/c_db06
dc.type.coarversion.none.fl_str_mv	http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.local.spa.fl_str_mv	Tesis/Trabajo de grado - Monografía - Doctorado
format	http://purl.org/coar/resource_type/c_db06
dc.identifier.uri.none.fl_str_mv	http://repositorio.uan.edu.co/handle/123456789/6616
dc.identifier.bibliographicCitation.spa.fl_str_mv	Aguirre Gas, H. (1991). Evaluacion y garantia de la calidad de la atencion medica. Salud Publica de Mexico, 33(6), 623–629. http://www.redalyc.org/articulo.oa?id=10633610 Altshuller, G. (1999). The Innovation Algorithm: TRIZ, Systematic Innovation and Technical Creativity. In Technical Innovation Center, INC. ARL-SURA. (2017). Metodología ARL SURA para la identificación de peligros, evaluación y valoración de riesgos. Badel, A. E., Rico-Mesa, J. S., Gaviria, M. C., Arango-Isaza, D., & Hernández Chica, C. A. (2018). Radiación ionizante: revisión de tema y recomendaciones para la práctica. Revista Colombiana de Cardiología, 25(3), 222–229. https://doi.org/10.1016/j.rccar.2017.10.008 Barrientos, R., Cruz, N., Acosta, H., Rabatte, I., Gogeascoechea, M., Pavón, P., & Blázques, S. (2009). Árboles de decisión como herramienta en el diagnóstico médico. Revista Medica UV, 9(2), 19–24. Battineni, G., Sagaro, G. G., Chinatalapudi, N., & Amenta, F. (2020). Applications of machine learning predictive models in the chronic disease diagnosis. Journal of Personalized Medicine, 10(21), 1–11. https://doi.org/10.3390/jpm10020021 Bazyka, D., Prysyazhnyuk, A., Gudzenko, N., Dyagil, I., Belyi, D., Chumak, V., & Buzunov, V. (2018). Epidemiology of Late Health Effects in Ukrainian Chornobyl Cleanup Workers. Health Physics, 115(1), 161–169. https://doi.org/10.1097/HP.0000000000000868 Beauchamp, T., & Childress, J. (2012). Principles of Biomedical Ethics (7th ed.). Oxford University Press. Bernard, M. (2018). The Key Definitions of Artificial Intelligence (AI) That Explain Its Importance. Forbes. Biau, G., & Fr, G. B. (2012). Analysis of a Random Forests Model. Journal of Machine Learning Research, 13, 1063–1095.
dc.identifier.instname.spa.fl_str_mv	instname:Universidad Antonio Nariño
dc.identifier.reponame.spa.fl_str_mv	reponame:Repositorio Institucional UAN
dc.identifier.repourl.spa.fl_str_mv	repourl:https://repositorio.uan.edu.co/
url	http://repositorio.uan.edu.co/handle/123456789/6616
identifier_str_mv	Aguirre Gas, H. (1991). Evaluacion y garantia de la calidad de la atencion medica. Salud Publica de Mexico, 33(6), 623–629. http://www.redalyc.org/articulo.oa?id=10633610 Altshuller, G. (1999). The Innovation Algorithm: TRIZ, Systematic Innovation and Technical Creativity. In Technical Innovation Center, INC. ARL-SURA. (2017). Metodología ARL SURA para la identificación de peligros, evaluación y valoración de riesgos. Badel, A. E., Rico-Mesa, J. S., Gaviria, M. C., Arango-Isaza, D., & Hernández Chica, C. A. (2018). Radiación ionizante: revisión de tema y recomendaciones para la práctica. Revista Colombiana de Cardiología, 25(3), 222–229. https://doi.org/10.1016/j.rccar.2017.10.008 Barrientos, R., Cruz, N., Acosta, H., Rabatte, I., Gogeascoechea, M., Pavón, P., & Blázques, S. (2009). Árboles de decisión como herramienta en el diagnóstico médico. Revista Medica UV, 9(2), 19–24. Battineni, G., Sagaro, G. G., Chinatalapudi, N., & Amenta, F. (2020). Applications of machine learning predictive models in the chronic disease diagnosis. Journal of Personalized Medicine, 10(21), 1–11. https://doi.org/10.3390/jpm10020021 Bazyka, D., Prysyazhnyuk, A., Gudzenko, N., Dyagil, I., Belyi, D., Chumak, V., & Buzunov, V. (2018). Epidemiology of Late Health Effects in Ukrainian Chornobyl Cleanup Workers. Health Physics, 115(1), 161–169. https://doi.org/10.1097/HP.0000000000000868 Beauchamp, T., & Childress, J. (2012). Principles of Biomedical Ethics (7th ed.). Oxford University Press. Bernard, M. (2018). The Key Definitions of Artificial Intelligence (AI) That Explain Its Importance. Forbes. Biau, G., & Fr, G. B. (2012). Analysis of a Random Forests Model. Journal of Machine Learning Research, 13, 1063–1095. instname:Universidad Antonio Nariño reponame:Repositorio Institucional UAN repourl:https://repositorio.uan.edu.co/
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.rights.none.fl_str_mv	Acceso abierto
dc.rights.license.spa.fl_str_mv	Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)
dc.rights.uri.spa.fl_str_mv	https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.spa.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv	http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) Acceso abierto https://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.publisher.spa.fl_str_mv	Universidad Antonio Nariño
dc.publisher.program.spa.fl_str_mv	Doctorado en Ciencia Aplicada
dc.publisher.faculty.spa.fl_str_mv	Doctorado en Ciencia Aplicada
dc.publisher.campus.spa.fl_str_mv	Bogotá - Circunvalar
institution	Universidad Antonio Nariño
bitstream.url.fl_str_mv	https://repositorio.uan.edu.co/bitstreams/fbdb4c5a-8945-41b9-8ab4-ab93cbf07508/download https://repositorio.uan.edu.co/bitstreams/41025b29-e94f-48e7-be30-5fc7a84eec81/download https://repositorio.uan.edu.co/bitstreams/711ae56b-4205-421e-8a06-6702bb758166/download https://repositorio.uan.edu.co/bitstreams/ef34b220-c190-467d-8445-04ddad7c3bc6/download https://repositorio.uan.edu.co/bitstreams/c49c901f-6219-45aa-9cea-b578b838d718/download https://repositorio.uan.edu.co/bitstreams/a0261bb2-1c39-4ca4-aa0e-73115af0677d/download https://repositorio.uan.edu.co/bitstreams/27f6d57d-9265-41ec-aacf-26abe95d04e8/download https://repositorio.uan.edu.co/bitstreams/841bb4e9-ab0d-4a8d-8e17-1cb9b4af5429/download https://repositorio.uan.edu.co/bitstreams/33a3877c-5221-4b2d-b070-ffdfa68c9a06/download
bitstream.checksum.fl_str_mv	ffe69e75af4ff24a82efb2de8d8d15a1 44d0b8a85bde330ac21386f9c4e2a98f 429e5bd570b989e4ec492bbc8327086b 630226aef50bbce4933ac718c069716e 6d93d3216dc4a7f5df47d4876fbec4d3 b731e2aca87f1cd3771a5b3598381d83 19c8df7da5e8fb0a13603f18f3fae1d4 dc5f2ea126c898714ec744861d1c6911 6dd3553d213636bc7bddb12c304ce4ee
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Institucional UAN
repository.mail.fl_str_mv	alertas.repositorio@uan.edu.co
_version_	1812928339250249728
spelling	Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)Acceso abiertohttps://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Sánchez Camargo, Claudia LilianaRodríguez Suarez, César AugustoRincón Arévalo, Guido Marcelo130017212692022-05-21T13:29:43Z2022-05-21T13:29:43Z2021-12-01http://repositorio.uan.edu.co/handle/123456789/6616Aguirre Gas, H. (1991). Evaluacion y garantia de la calidad de la atencion medica. Salud Publica de Mexico, 33(6), 623–629. http://www.redalyc.org/articulo.oa?id=10633610Altshuller, G. (1999). The Innovation Algorithm: TRIZ, Systematic Innovation and Technical Creativity. In Technical Innovation Center, INC.ARL-SURA. (2017). Metodología ARL SURA para la identificación de peligros, evaluación y valoración de riesgos.Badel, A. E., Rico-Mesa, J. S., Gaviria, M. C., Arango-Isaza, D., & Hernández Chica, C. A. (2018). Radiación ionizante: revisión de tema y recomendaciones para la práctica. Revista Colombiana de Cardiología, 25(3), 222–229. https://doi.org/10.1016/j.rccar.2017.10.008Barrientos, R., Cruz, N., Acosta, H., Rabatte, I., Gogeascoechea, M., Pavón, P., & Blázques, S. (2009). Árboles de decisión como herramienta en el diagnóstico médico. Revista Medica UV, 9(2), 19–24.Battineni, G., Sagaro, G. G., Chinatalapudi, N., & Amenta, F. (2020). Applications of machine learning predictive models in the chronic disease diagnosis. Journal of Personalized Medicine, 10(21), 1–11. https://doi.org/10.3390/jpm10020021Bazyka, D., Prysyazhnyuk, A., Gudzenko, N., Dyagil, I., Belyi, D., Chumak, V., & Buzunov, V. (2018). Epidemiology of Late Health Effects in Ukrainian Chornobyl Cleanup Workers. Health Physics, 115(1), 161–169. https://doi.org/10.1097/HP.0000000000000868Beauchamp, T., & Childress, J. (2012). Principles of Biomedical Ethics (7th ed.). Oxford University Press.Bernard, M. (2018). The Key Definitions of Artificial Intelligence (AI) That Explain Its Importance. Forbes.Biau, G., & Fr, G. B. (2012). Analysis of a Random Forests Model. Journal of Machine Learning Research, 13, 1063–1095.instname:Universidad Antonio Nariñoreponame:Repositorio Institucional UANrepourl:https://repositorio.uan.edu.co/Exposure to ionizing radiation induces biological changes that can trigger high-cost or catastrophic diseases in those who handle them, these changes are not immediate, they can take time to appear and additionally these diseases have diverse factors, however, the quantification of ionizing radiation, hazard analysis and radiation weighting manage to categorize risks and prevent them from materializing. Health institutions must comply with scattered radiation measures that can be absorbed by workers while performing the medical act or in the environment where they perform their functions. These measurements are made with equipment such as dosimeters to have a monthly surveillance and to know the exposure values of the workers. This research uses the results of the measurement of the worker and the work environment and performs a risk categorization with the results obtained from health institutions. With the use of Machine Learning, the risk of absorbed and dispersed radiation in the work environment is weighted and with these values it is possible to design a tool that allows knowing and predicting the risk of exposure in which a worker is occupationally exposed.La exposición a la radiación ionizante induce cambios biológicos que pueden desencadenar en enfermedades de alto costo o catastróficas en quien las manipula, estos cambios no son inmediatos, pueden tardar tiempo en aparecer, sin embargo, la cuantificación de la radiación ionizante, análisis de peligros y la ponderación del riesgo logran categorizarlos y evitar que puedan ser materializados. Las instituciones de salud deben cumplir con mediciones de radiación dispersa que pueden ser absorbidas por los trabajadores mientras realizan el acto médico o en el ambiente donde desarrollan sus funciones. Estas mediciones se realizan con equipos como los dosímetros para tener una vigilancia mensual y conocer valores de exposición de los trabajadores. Esta investigación utiliza los resultados de la medición del trabajador y del ambiente laboral y realiza una categorización del riesgo con los resultados obtenidos de las instituciones de salud. Con el uso de Machine Learning se realiza la ponderación del riesgo (predicción) de la radiación absorbida y la dispersa en el ambiente laboral y utilizando estos valores se logra diseñar una herramienta que permite conocer y predecir el riesgo de exposición en el que se encuentra un trabajador ocupacionalmente expuesto.Doctor(a) en Ciencia AplicadaDoctoradoPresencialInvestigaciónspaUniversidad Antonio NariñoDoctorado en Ciencia AplicadaDoctorado en Ciencia AplicadaBogotá - CircunvalarPredicciónRiesgoExposiciónRadiaciónIonizanteSaludAprendizaje automático600PredictionRiskRadiationExposureIonizingHealthMachine learningHerramienta para predecir el riesgo por exposición a radiaciones ionizantes en trabajadores del sector de la salud utilizando técnicas de Machine LearningTesis y disertaciones (Maestría y/o Doctorado)http://purl.org/coar/resource_type/c_db06http://purl.org/coar/version/c_970fb48d4fbd8a85Tesis/Trabajo de grado - Monografía - DoctoradoEspecializadaORIGINAL2021_GuidoMarceloRincónArévalo.pdf2021_GuidoMarceloRincónArévalo.pdfTesis de doctoradoapplication/pdf3769655https://repositorio.uan.edu.co/bitstreams/fbdb4c5a-8945-41b9-8ab4-ab93cbf07508/downloadffe69e75af4ff24a82efb2de8d8d15a1MD512021_GuidoMarceloRincónArévalo_Autorización.pdf2021_GuidoMarceloRincónArévalo_Autorización.pdfAutorización uso consultaapplication/pdf821322https://repositorio.uan.edu.co/bitstreams/41025b29-e94f-48e7-be30-5fc7a84eec81/download44d0b8a85bde330ac21386f9c4e2a98fMD522021_GuidoMarceloRincónArévalo_Acta.pdf2021_GuidoMarceloRincónArévalo_Acta.pdfActa de sustentación firmadaapplication/pdf1599962https://repositorio.uan.edu.co/bitstreams/711ae56b-4205-421e-8a06-6702bb758166/download429e5bd570b989e4ec492bbc8327086bMD53TEXT2021_GuidoMarceloRincónArévalo.pdf.txt2021_GuidoMarceloRincónArévalo.pdf.txtExtracted texttext/plain101723https://repositorio.uan.edu.co/bitstreams/ef34b220-c190-467d-8445-04ddad7c3bc6/download630226aef50bbce4933ac718c069716eMD542021_GuidoMarceloRincónArévalo_Autorización.pdf.txt2021_GuidoMarceloRincónArévalo_Autorización.pdf.txtExtracted texttext/plain6https://repositorio.uan.edu.co/bitstreams/c49c901f-6219-45aa-9cea-b578b838d718/download6d93d3216dc4a7f5df47d4876fbec4d3MD562021_GuidoMarceloRincónArévalo_Acta.pdf.txt2021_GuidoMarceloRincónArévalo_Acta.pdf.txtExtracted texttext/plain37https://repositorio.uan.edu.co/bitstreams/a0261bb2-1c39-4ca4-aa0e-73115af0677d/downloadb731e2aca87f1cd3771a5b3598381d83MD58THUMBNAIL2021_GuidoMarceloRincónArévalo.pdf.jpg2021_GuidoMarceloRincónArévalo.pdf.jpgGenerated Thumbnailimage/jpeg6626https://repositorio.uan.edu.co/bitstreams/27f6d57d-9265-41ec-aacf-26abe95d04e8/download19c8df7da5e8fb0a13603f18f3fae1d4MD552021_GuidoMarceloRincónArévalo_Autorización.pdf.jpg2021_GuidoMarceloRincónArévalo_Autorización.pdf.jpgGenerated Thumbnailimage/jpeg17093https://repositorio.uan.edu.co/bitstreams/841bb4e9-ab0d-4a8d-8e17-1cb9b4af5429/downloaddc5f2ea126c898714ec744861d1c6911MD572021_GuidoMarceloRincónArévalo_Acta.pdf.jpg2021_GuidoMarceloRincónArévalo_Acta.pdf.jpgGenerated Thumbnailimage/jpeg16497https://repositorio.uan.edu.co/bitstreams/33a3877c-5221-4b2d-b070-ffdfa68c9a06/download6dd3553d213636bc7bddb12c304ce4eeMD59123456789/6616oai:repositorio.uan.edu.co:123456789/66162024-10-09 23:00:03.95https://creativecommons.org/licenses/by-nc-nd/4.0/Acceso abiertoopen.accesshttps://repositorio.uan.edu.coRepositorio Institucional UANalertas.repositorio@uan.edu.co

Herramienta para predecir el riesgo por exposición a radiaciones ionizantes en trabajadores del sector de la salud utilizando técnicas de Machine Learning

Publicaciones similares