Modelos predictivos en la clasificación de nacidos vivos y mortinatos: un estudio comparativo entre técnicas de machine learning y regresión logística en función de variables sociodemográficas y clínicas

Introducción: La mortalidad fetal continúa siendo un problema de salud pública en Colombia, que afecta significativamente el bienestar familiar y social. Es fundamental identificar los factores asociados y predecir el riesgo para implementar intervenciones efectivas. Objetivo: Desarrollar un modelo...

Full description

Autores:: Araujo Zarate, Pedro
Martínez Lobo, Danny
Contreras Chávez, John

Tipo de recurso:: Article of journal

Fecha de publicación:: 2024

Institución:: Universidad de Cartagena

Repositorio:: Repositorio Universidad de Cartagena

Idioma:: spa

id	UCART2_998d3a67a2dfd25507311ee0305dd2c9
oai_identifier_str	oai:repositorio.unicartagena.edu.co:11227/19530
network_acronym_str	UCART2
network_name_str	Repositorio Universidad de Cartagena
repository_id_str
dc.title.spa.fl_str_mv	Modelos predictivos en la clasificación de nacidos vivos y mortinatos: un estudio comparativo entre técnicas de machine learning y regresión logística en función de variables sociodemográficas y clínicas
dc.title.translated.eng.fl_str_mv	Predictive models in the classification of live births and stillbirths: a comparative study between machine learning and logistic regression techniques as a function of sociodemographic and clinical variables
title	Modelos predictivos en la clasificación de nacidos vivos y mortinatos: un estudio comparativo entre técnicas de machine learning y regresión logística en función de variables sociodemográficas y clínicas
spellingShingle	Modelos predictivos en la clasificación de nacidos vivos y mortinatos: un estudio comparativo entre técnicas de machine learning y regresión logística en función de variables sociodemográficas y clínicas Mortalidad fetal Modelos estadísticos Salud pública Machine learning Fetal Death Statistical Models Public Health Machine Learning
title_short	Modelos predictivos en la clasificación de nacidos vivos y mortinatos: un estudio comparativo entre técnicas de machine learning y regresión logística en función de variables sociodemográficas y clínicas
title_full	Modelos predictivos en la clasificación de nacidos vivos y mortinatos: un estudio comparativo entre técnicas de machine learning y regresión logística en función de variables sociodemográficas y clínicas
title_fullStr	Modelos predictivos en la clasificación de nacidos vivos y mortinatos: un estudio comparativo entre técnicas de machine learning y regresión logística en función de variables sociodemográficas y clínicas
title_full_unstemmed	Modelos predictivos en la clasificación de nacidos vivos y mortinatos: un estudio comparativo entre técnicas de machine learning y regresión logística en función de variables sociodemográficas y clínicas
title_sort	Modelos predictivos en la clasificación de nacidos vivos y mortinatos: un estudio comparativo entre técnicas de machine learning y regresión logística en función de variables sociodemográficas y clínicas
dc.creator.fl_str_mv	Araujo Zarate, Pedro Martínez Lobo, Danny Contreras Chávez, John
dc.contributor.author.spa.fl_str_mv	Araujo Zarate, Pedro Martínez Lobo, Danny Contreras Chávez, John
dc.subject.spa.fl_str_mv	Mortalidad fetal Modelos estadísticos Salud pública Machine learning
topic	Mortalidad fetal Modelos estadísticos Salud pública Machine learning Fetal Death Statistical Models Public Health Machine Learning
dc.subject.eng.fl_str_mv	Fetal Death Statistical Models Public Health Machine Learning
description	Introducción: La mortalidad fetal continúa siendo un problema de salud pública en Colombia, que afecta significativamente el bienestar familiar y social. Es fundamental identificar los factores asociados y predecir el riesgo para implementar intervenciones efectivas. Objetivo: Desarrollar un modelo estadístico para clasificar a las gestantes en riesgo de mortalidad fetal en Colombia durante el año 2022. Métodos: Se realizó un estudio de casos y controles utilizando datos de nacidos vivos y defunciones fetales reportados por el Departamento Administrativo Nacional de Estadística. Se aplicaron técnicas de imputación de datos faltantes y balanceo de clases mediante el método SMOTE. Se evaluaron cuatro modelos de clasificación: regresión logística, K-Nearest Neighbors (KNN), árbol de decisión y máquina de soporte vectorial. El rendimiento de los modelos se comparó utilizando métricas de exactitud, sensibilidad, especificidad, puntaje F1 y precisión. Resultados: El conjunto de datos final incluyó 566.806 registros, con 562.828 nacidos vivos y 3.978 muertes fetales. El modelo KNN presentó el mejor rendimiento, con una exactitud de 0,988, sensibilidad de 0,989, especificidad de 0,986 y puntaje F1 de 0,988. Los factores asociados significativamente con la probabilidad de nacer vivo incluyeron el número de hijos, el sexo, el área de residencia, el régimen de afiliación, las semanas de gestación, el peso al nacer, la edad y el nivel educativo de la madre. Conclusión: El modelo KNN demostró ser efectivo en la predicción del riesgo de mortalidad fetal. Los resultados resaltan la importancia de factores socioeconómicos y clínicos en la supervivencia neonatal, sugiriendo la necesidad de intervenciones focalizadas para reducir las muertes fetales en Colombia.
publishDate	2024
dc.date.accessioned.none.fl_str_mv	2024-10-15T00:00:00Z 2025-05-23T10:00:31Z
dc.date.available.none.fl_str_mv	2024-10-15T00:00:00Z 2025-05-23T10:00:31Z
dc.date.issued.none.fl_str_mv	2024-10-15
dc.type.spa.fl_str_mv	Artículo de revista
dc.type.version.spa.fl_str_mv	info:eu-repo/semantics/publishedVersion
dc.type.coarversion.spa.fl_str_mv	http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.coar.spa.fl_str_mv	http://purl.org/coar/resource_type/c_6501 http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.content.spa.fl_str_mv	Text
dc.type.driver.spa.fl_str_mv	info:eu-repo/semantics/article
dc.type.local.eng.fl_str_mv	Journal article
dc.type.redcol.spa.fl_str_mv	http://purl.org/redcol/resource_type/ART
format	http://purl.org/coar/resource_type/c_6501
status_str	publishedVersion
dc.identifier.issn.none.fl_str_mv	2215-7840
dc.identifier.uri.none.fl_str_mv	https://hdl.handle.net/11227/19530
dc.identifier.doi.none.fl_str_mv	10.32997/rcb-2024-4940
dc.identifier.eissn.none.fl_str_mv	2389-7252
dc.identifier.url.none.fl_str_mv	https://doi.org/10.32997/rcb-2024-4940
identifier_str_mv	2215-7840 10.32997/rcb-2024-4940 2389-7252
url	https://hdl.handle.net/11227/19530 https://doi.org/10.32997/rcb-2024-4940
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.ispartofjournal.spa.fl_str_mv	Revista Ciencias Biomédicas
dc.relation.bitstream.none.fl_str_mv	https://revistas.unicartagena.edu.co/index.php/cbiomedicas/article/download/4940/4025
dc.relation.citationendpage.none.fl_str_mv	189
dc.relation.citationissue.spa.fl_str_mv	4
dc.relation.citationstartpage.none.fl_str_mv	175
dc.relation.citationvolume.spa.fl_str_mv	13
dc.relation.references.spa.fl_str_mv	Goldenberg RL, McClure EM, Belizán JM. Commentary: Reducing the world’s stillbirths. Vol. 9, BMC Pregnancy and Childbirth. 2009. García MV, Cuberos MA, Vera MÁ, Vivas García M, Cuberos MA, Vera MÁ. Mortalidad fetal en madres adolescentes y adultas, un problema de salud pública TT - Fetal mortality in adolescent and adult mothers: a public health problem. Salud(i)Ciencia. 2019;23 (5). Lawn JE, Blencowe H, Pattinson R, Cousens S, Kumar R, Ibiebele I, et al. Stillbirths: Where? When? Why? How to make the data count? Vol. 377, The Lancet. 2011. Departamento Administrativo Nacional de Estadisticas. Boletín técnico Estadísticas Vitales (EEVV) [Internet]. Bogotá D.C.; 2024 Mar [cited 2024 Sep 20]. Available from: https://www.dane.gov.co/files/operaciones/EEVV/bol-EEVV-Defunciones-IVtrim2023.pdf Winkler AM, Ridgway GR, Webster MA, Smith SM, Nichols TE. Permutation inference for the general linear model. Neuroimage. 2014 May 15;92:381–97. Casella G, Fienberg S, Olkin I. Springer Texts in Statistics [Internet]. Available from: www.springer.com/series/417 Chartier S, Faulkner A. General Linear Models: An Integrated Approach to Statistics. Tutor Quant Methods Psychol. 2008 Sep 1;4(2):65–78. Helwig NE. Robust nonparametric tests of general linear model coefficients: A comparison of permutation methods and test statistics. Neuroimage. 2019 Nov 1;201. Aizerman MA, Braverman EM, Rozonoer LI. Theoretical Foundatiosn of the Potential Function Method in Pattern Recognition Learning. Telemekhanika. 1964;25(6):971–936. Huang S, Nianguang CAI, Penzuti Pacheco P, Narandes S, Wang Y, Wayne XU. Applications of support vector machine (SVM) learning in cancer genomics. Vol. 15, Cancer Genomics and Proteomics. International Institute of Anticancer Research; 2018. p. 41–51. Noble WS. What is a support vector machine? [Internet]. Vol. 24, NATURE BIOTECHNOLOGY. 2006. Available from: http://www.nature.com/naturebiotechnology Hu LY, Huang MW, Ke SW, Tsai CF. The distance function effect on k-nearest neighbor classification for medical datasets. Springerplus. 2016;5(1). Ehsani R, Drabløs F. Robust Distance Measures for kNN Classification of Cancer Data. Cancer Inform. 2020;19. Hu J, Szymczak S. A review on longitudinal data analysis with random forest. Vol. 24, Briefings in Bioinformatics. 2023. Breiman L. Random Forests. Vol. 45. 2001. Cutler DR, Edwards TC, Beard KH, Cutler A, Hess KT, Gibson J, et al. Random forests for classification in ecology. Ecology. 2007;88 (11). Graham SE, Clarke SL, Wu KHH, Kanoni S, Zajac GJM, Ramdas S, et al. The power of genetic diversity in genome-wide association studies of lipids. Nature. 2021;600 (7890). Powers DMW. Evaluation: from precision, recall and F-measure to ROC, informedness, markedness and correlation. International Journal of Machine Learning Technology. 2011;2 (1):37–63. Fawcett T. An introduction to ROC analysis. Pattern Recognit Lett. 2006 Jun;27 (8):861–74. He H, Garcia EA. Learning from Imbalanced Data. IEEE Trans Knowl Data Eng. 2009;21 (9):1263–84. Sokolova M, Lapalme G. A systematic analysis of performance measures for classification tasks. Inf Process Manag. 2009 Jul;45 (4):427–37. Van Rijsbergen CJ. Information retrievial. 1979. Manning C, Raghavan P, Schütze H. An introduction to information retrieval. Cambridge; 2009. Japkowicz N, Stephen S. The class imbalance problem: A systematic study. Intell Data Anal. 2002 Oct;6(5):429–49. Departamento Administrativo Nacional de Estadistica DANE. Boletín Técnico Estadísticas Vitales (EEVV) Nacidos Vivos. Bogotá, DC; 2023 Mar. Departamento Administrativo Nacional de Estadistica. Boletín técnico Estadísticas Vitales (EEVV) Defunciones. Bogotá, DC; 2023 Mar. McClure EM, Saleem S, Goudar SS, Garces A, Whitworth R, Esamai F, et al. Stillbirth 2010–2018: a prospective, population-based, multi-country study from the Global Network. Reprod Health. 2020 Nov 30;17 (S2):146. Mgaya AH, Massawe SN, Kidanto HL, Mgaya HN. Grand multiparity: is it still a risk in pregnancy? BMC Pregnancy Childbirth. 2013 Dec 23;13(1):241. Galvis-Aponte L, Rico J. Desigualdades regionales en la salud en Colombia. 2023 Jun. Ministerio S y PS. Informe Nacional de Calidad de la Atención en Salud 2015 [Internet]. Bogotá, DC; 2015 Dec [cited 2024 Nov 10]. Available from: https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/DE/DIJ/informe-nal-calidad-atencion-salud-2015.pdf Cáceres-Manrique F de M, Molina-Marín G. Inequidades sociales en atención materna. Rev Colomb Obstet Ginecol. 2010 Sep 30;61 (3):231–8. Merlano Porras C, Gorbanev I. Health system in Colombia: A systematic review of literature. Revista Gerencia y Políticas de Salud. 2013 Jun 1;12:74–86. Kramer MS. Determinants of low birth weight: methodological assessment and meta-analysis. Bull World Health Organ. 1987;65 (5):663–737. Blencowe H, Cousens S, Chou D, Oestergaard M, Say L, Moller AB, et al. Born Too Soon: The global epidemiology of 15 million preterm births. Reprod Health. 2013 Nov 15;10 (S1):S2. Liu L, Oza S, Hogan D, Chu Y, Perin J, Zhu J, et al. Global, regional, and national causes of under-5 mortality in 2000–15: an updated systematic analysis with implications for the Sustainable Development Goals. The Lancet. 2016 Dec;388 (10063):3027–35. Ganchimeg T, Ota E, Morisaki N, Laopaiboon M, Lumbiganon P, Zhang J, et al. Pregnancy and childbirth outcomes among adolescent mothers: a World Health Organization multicountry study. BJOG. 2014 Mar 18;121 (s1):40–8. Jolly M, Sebire N, Harris J, Robinson S, Regan L. The risks associated with pregnancy in women aged 35 years or older. Human Reproduction. 2000 Nov 1;15 (11):2433–7. D’Ascoli PT, Alexander GR, Petersen DJ, Kogan MD. Parental factors influencing patterns of prenatal care utilization. J Perinatol. 1997;17(4):283–7. Victora CG, Aquino EM, do Carmo Leal M, Monteiro CA, Barros FC, Szwarcwald CL. Maternal and child health in Brazil: progress and challenges. The Lancet. 2011 May;377 (9780):1863–76. Gakidou E, Cowling K, Lozano R, Murray CJ. Increased educational attainment and its effect on child mortality in 175 countries between 1970 and 2009: a systematic analysis. The Lancet. 2010 Sep;376 (9745):959–74. Fuchs R, Pamuk E, Lutz W. Education or wealth: Which matters more for reducing child mortality in developing countries? Vienna Yearb Popul Res. 2010 Nov;8:175–99. Güneş PM. The role of maternal education in child health: Evidence from a compulsory schooling law. Econ Educ Rev. 2015 Aug;47:1–16. Cover T, Hart P. Nearest neighbor pattern classification. IEEE Trans Inf Theory. 1967 Jan;13 (1):21–7.
dc.rights.spa.fl_str_mv	Pedro Araujo Zarate, Danny Martínez, John Jairo Contreras Chávez - 2024
dc.rights.uri.spa.fl_str_mv	https://creativecommons.org/licenses/by-nc-nd/4.0
dc.rights.coar.spa.fl_str_mv	http://purl.org/coar/access_right/c_abf2
dc.rights.accessrights.spa.fl_str_mv	info:eu-repo/semantics/openAccess
rights_invalid_str_mv	Pedro Araujo Zarate, Danny Martínez, John Jairo Contreras Chávez - 2024 https://creativecommons.org/licenses/by-nc-nd/4.0 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 de Cartagena
dc.source.spa.fl_str_mv	https://revistas.unicartagena.edu.co/index.php/cbiomedicas/article/view/4940
institution	Universidad de Cartagena
bitstream.url.fl_str_mv	https://repositorio.unicartagena.edu.co/bitstreams/e24d7b59-18fd-4b54-982d-47697ebd809b/download
bitstream.checksum.fl_str_mv	749f29438fca7f1d17d76380556556be
bitstream.checksumAlgorithm.fl_str_mv	MD5
repository.name.fl_str_mv	Biblioteca Digital Universidad de Cartagena
repository.mail.fl_str_mv	bdigital@metabiblioteca.com
_version_	1834111402029088768
spelling	Araujo Zarate, PedroMartínez Lobo, DannyContreras Chávez, John2024-10-15T00:00:00Z2025-05-23T10:00:31Z2024-10-15T00:00:00Z2025-05-23T10:00:31Z2024-10-152215-7840https://hdl.handle.net/11227/1953010.32997/rcb-2024-49402389-7252https://doi.org/10.32997/rcb-2024-4940Introducción: La mortalidad fetal continúa siendo un problema de salud pública en Colombia, que afecta significativamente el bienestar familiar y social. Es fundamental identificar los factores asociados y predecir el riesgo para implementar intervenciones efectivas. Objetivo: Desarrollar un modelo estadístico para clasificar a las gestantes en riesgo de mortalidad fetal en Colombia durante el año 2022. Métodos: Se realizó un estudio de casos y controles utilizando datos de nacidos vivos y defunciones fetales reportados por el Departamento Administrativo Nacional de Estadística. Se aplicaron técnicas de imputación de datos faltantes y balanceo de clases mediante el método SMOTE. Se evaluaron cuatro modelos de clasificación: regresión logística, K-Nearest Neighbors (KNN), árbol de decisión y máquina de soporte vectorial. El rendimiento de los modelos se comparó utilizando métricas de exactitud, sensibilidad, especificidad, puntaje F1 y precisión. Resultados: El conjunto de datos final incluyó 566.806 registros, con 562.828 nacidos vivos y 3.978 muertes fetales. El modelo KNN presentó el mejor rendimiento, con una exactitud de 0,988, sensibilidad de 0,989, especificidad de 0,986 y puntaje F1 de 0,988. Los factores asociados significativamente con la probabilidad de nacer vivo incluyeron el número de hijos, el sexo, el área de residencia, el régimen de afiliación, las semanas de gestación, el peso al nacer, la edad y el nivel educativo de la madre. Conclusión: El modelo KNN demostró ser efectivo en la predicción del riesgo de mortalidad fetal. Los resultados resaltan la importancia de factores socioeconómicos y clínicos en la supervivencia neonatal, sugiriendo la necesidad de intervenciones focalizadas para reducir las muertes fetales en Colombia.Introduction: Fetal mortality continues to be a public health problem in Colombia, significantly affecting family and social well-being. It is essential to identify associated factors and predict risk in order to implement effective interventions. Objective: Develop a statistical model to classify pregnant women at risk of fetal mortality in Colombia during 2022. Methods: A case-control study was conducted using data on live births and fetal deaths reported by the National Administrative Department of Statistics. Data imputation and class balancing techniques were applied using the smote method. Four classification models were evaluated: logistic regression, K-Nearest Neighbors (KNN), decision tree, and support vector machine. Model performance was compared using accuracy, sensitivity, specificity, F1 score, and precision metrics. Results: The final dataset included 566,806 records, with 562,828 live births and 3,978 fetal deaths. The KNN model showed the best performance, with an accuracy of 0.988, sensitivity of 0.989, specificity of 0.986, and F1 score of 0.988. Factors significantly associated with the probability of live birth included the number of children, sex, area of residence, affiliation regime, gestational weeks, birth weight, and mother's age and educational level. Conclusions: The KNN model proved effective in predicting the risk of fetal mortality. The results highlight the importance of socioeconomic and clinical factors in neonatal survival, suggesting the need for targeted interventions to reduce fetal deaths in Colombia.application/pdfspaUniversidad de CartagenaRevista Ciencias Biomédicashttps://revistas.unicartagena.edu.co/index.php/cbiomedicas/article/download/4940/4025189417513Goldenberg RL, McClure EM, Belizán JM. Commentary: Reducing the world’s stillbirths. Vol. 9, BMC Pregnancy and Childbirth. 2009.García MV, Cuberos MA, Vera MÁ, Vivas García M, Cuberos MA, Vera MÁ. Mortalidad fetal en madres adolescentes y adultas, un problema de salud pública TT - Fetal mortality in adolescent and adult mothers: a public health problem. Salud(i)Ciencia. 2019;23 (5).Lawn JE, Blencowe H, Pattinson R, Cousens S, Kumar R, Ibiebele I, et al. Stillbirths: Where? When? Why? How to make the data count? Vol. 377, The Lancet. 2011.Departamento Administrativo Nacional de Estadisticas. Boletín técnico Estadísticas Vitales (EEVV) [Internet]. Bogotá D.C.; 2024 Mar [cited 2024 Sep 20]. Available from: https://www.dane.gov.co/files/operaciones/EEVV/bol-EEVV-Defunciones-IVtrim2023.pdfWinkler AM, Ridgway GR, Webster MA, Smith SM, Nichols TE. Permutation inference for the general linear model. Neuroimage. 2014 May 15;92:381–97.Casella G, Fienberg S, Olkin I. Springer Texts in Statistics [Internet]. Available from: www.springer.com/series/417Chartier S, Faulkner A. General Linear Models: An Integrated Approach to Statistics. Tutor Quant Methods Psychol. 2008 Sep 1;4(2):65–78.Helwig NE. Robust nonparametric tests of general linear model coefficients: A comparison of permutation methods and test statistics. Neuroimage. 2019 Nov 1;201.Aizerman MA, Braverman EM, Rozonoer LI. Theoretical Foundatiosn of the Potential Function Method in Pattern Recognition Learning. Telemekhanika. 1964;25(6):971–936.Huang S, Nianguang CAI, Penzuti Pacheco P, Narandes S, Wang Y, Wayne XU. Applications of support vector machine (SVM) learning in cancer genomics. Vol. 15, Cancer Genomics and Proteomics. International Institute of Anticancer Research; 2018. p. 41–51.Noble WS. What is a support vector machine? [Internet]. Vol. 24, NATURE BIOTECHNOLOGY. 2006. Available from: http://www.nature.com/naturebiotechnologyHu LY, Huang MW, Ke SW, Tsai CF. The distance function effect on k-nearest neighbor classification for medical datasets. Springerplus. 2016;5(1).Ehsani R, Drabløs F. Robust Distance Measures for kNN Classification of Cancer Data. Cancer Inform. 2020;19.Hu J, Szymczak S. A review on longitudinal data analysis with random forest. Vol. 24, Briefings in Bioinformatics. 2023.Breiman L. Random Forests. Vol. 45. 2001.Cutler DR, Edwards TC, Beard KH, Cutler A, Hess KT, Gibson J, et al. Random forests for classification in ecology. Ecology. 2007;88 (11).Graham SE, Clarke SL, Wu KHH, Kanoni S, Zajac GJM, Ramdas S, et al. The power of genetic diversity in genome-wide association studies of lipids. Nature. 2021;600 (7890).Powers DMW. Evaluation: from precision, recall and F-measure to ROC, informedness, markedness and correlation. International Journal of Machine Learning Technology. 2011;2 (1):37–63.Fawcett T. An introduction to ROC analysis. Pattern Recognit Lett. 2006 Jun;27 (8):861–74.He H, Garcia EA. Learning from Imbalanced Data. IEEE Trans Knowl Data Eng. 2009;21 (9):1263–84.Sokolova M, Lapalme G. A systematic analysis of performance measures for classification tasks. Inf Process Manag. 2009 Jul;45 (4):427–37.Van Rijsbergen CJ. Information retrievial. 1979.Manning C, Raghavan P, Schütze H. An introduction to information retrieval. Cambridge; 2009.Japkowicz N, Stephen S. The class imbalance problem: A systematic study. Intell Data Anal. 2002 Oct;6(5):429–49.Departamento Administrativo Nacional de Estadistica DANE. Boletín Técnico Estadísticas Vitales (EEVV) Nacidos Vivos. Bogotá, DC; 2023 Mar.Departamento Administrativo Nacional de Estadistica. Boletín técnico Estadísticas Vitales (EEVV) Defunciones. Bogotá, DC; 2023 Mar.McClure EM, Saleem S, Goudar SS, Garces A, Whitworth R, Esamai F, et al. Stillbirth 2010–2018: a prospective, population-based, multi-country study from the Global Network. Reprod Health. 2020 Nov 30;17 (S2):146.Mgaya AH, Massawe SN, Kidanto HL, Mgaya HN. Grand multiparity: is it still a risk in pregnancy? BMC Pregnancy Childbirth. 2013 Dec 23;13(1):241.Galvis-Aponte L, Rico J. Desigualdades regionales en la salud en Colombia. 2023 Jun.Ministerio S y PS. Informe Nacional de Calidad de la Atención en Salud 2015 [Internet]. Bogotá, DC; 2015 Dec [cited 2024 Nov 10]. Available from: https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/DE/DIJ/informe-nal-calidad-atencion-salud-2015.pdfCáceres-Manrique F de M, Molina-Marín G. Inequidades sociales en atención materna. Rev Colomb Obstet Ginecol. 2010 Sep 30;61 (3):231–8.Merlano Porras C, Gorbanev I. Health system in Colombia: A systematic review of literature. Revista Gerencia y Políticas de Salud. 2013 Jun 1;12:74–86.Kramer MS. Determinants of low birth weight: methodological assessment and meta-analysis. Bull World Health Organ. 1987;65 (5):663–737.Blencowe H, Cousens S, Chou D, Oestergaard M, Say L, Moller AB, et al. Born Too Soon: The global epidemiology of 15 million preterm births. Reprod Health. 2013 Nov 15;10 (S1):S2.Liu L, Oza S, Hogan D, Chu Y, Perin J, Zhu J, et al. Global, regional, and national causes of under-5 mortality in 2000–15: an updated systematic analysis with implications for the Sustainable Development Goals. The Lancet. 2016 Dec;388 (10063):3027–35.Ganchimeg T, Ota E, Morisaki N, Laopaiboon M, Lumbiganon P, Zhang J, et al. Pregnancy and childbirth outcomes among adolescent mothers: a World Health Organization multicountry study. BJOG. 2014 Mar 18;121 (s1):40–8.Jolly M, Sebire N, Harris J, Robinson S, Regan L. The risks associated with pregnancy in women aged 35 years or older. Human Reproduction. 2000 Nov 1;15 (11):2433–7.D’Ascoli PT, Alexander GR, Petersen DJ, Kogan MD. Parental factors influencing patterns of prenatal care utilization. J Perinatol. 1997;17(4):283–7.Victora CG, Aquino EM, do Carmo Leal M, Monteiro CA, Barros FC, Szwarcwald CL. Maternal and child health in Brazil: progress and challenges. The Lancet. 2011 May;377 (9780):1863–76.Gakidou E, Cowling K, Lozano R, Murray CJ. Increased educational attainment and its effect on child mortality in 175 countries between 1970 and 2009: a systematic analysis. The Lancet. 2010 Sep;376 (9745):959–74.Fuchs R, Pamuk E, Lutz W. Education or wealth: Which matters more for reducing child mortality in developing countries? Vienna Yearb Popul Res. 2010 Nov;8:175–99.Güneş PM. The role of maternal education in child health: Evidence from a compulsory schooling law. Econ Educ Rev. 2015 Aug;47:1–16.Cover T, Hart P. Nearest neighbor pattern classification. IEEE Trans Inf Theory. 1967 Jan;13 (1):21–7.Pedro Araujo Zarate, Danny Martínez, John Jairo Contreras Chávez - 2024https://creativecommons.org/licenses/by-nc-nd/4.0http://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessEsta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.https://revistas.unicartagena.edu.co/index.php/cbiomedicas/article/view/4940Mortalidad fetalModelos estadísticosSalud públicaMachine learningFetal DeathStatistical ModelsPublic HealthMachine LearningModelos predictivos en la clasificación de nacidos vivos y mortinatos: un estudio comparativo entre técnicas de machine learning y regresión logística en función de variables sociodemográficas y clínicasPredictive models in the classification of live births and stillbirths: a comparative study between machine learning and logistic regression techniques as a function of sociodemographic and clinical variablesArtículo de revistainfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/version/c_970fb48d4fbd8a85http://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1Textinfo:eu-repo/semantics/articleJournal articlehttp://purl.org/redcol/resource_type/ARTPublicationOREORE.xmltext/xml2904https://repositorio.unicartagena.edu.co/bitstreams/e24d7b59-18fd-4b54-982d-47697ebd809b/download749f29438fca7f1d17d76380556556beMD5111227/19530oai:repositorio.unicartagena.edu.co:11227/195302025-05-23 05:00:31.81https://creativecommons.org/licenses/by-nc-nd/4.0Pedro Araujo Zarate, Danny Martínez, John Jairo Contreras Chávez - 2024metadata.onlyhttps://repositorio.unicartagena.edu.coBiblioteca Digital Universidad de Cartagenabdigital@metabiblioteca.com

Modelos predictivos en la clasificación de nacidos vivos y mortinatos: un estudio comparativo entre técnicas de machine learning y regresión logística en función de variables sociodemográficas y clínicas

Publicaciones similares