Desarrollo de un sistema para la predicción de ocurrencia del síndrome metabólico empleando técnicas de inteligencia artificial
El Síndrome Metabólico es un conjunto de afecciones de origen metabólico el cual tiene una estrecha relación con el aumento del riesgo de desarrollar enfermedades crónicas no transmisibles como la diabetes y enfermedades cardiovasculares. Este síndrome ha llegado a niveles pandémicos, por lo que exi...
- Autores:
-
Pinilla Galvis, Angélica Yelitza
Martínez Arguello, Luisa Gabriela
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2021
- Institución:
- Universidad Autónoma de Bucaramanga - UNAB
- Repositorio:
- Repositorio UNAB
- Idioma:
- spa
- OAI Identifier:
- oai:repository.unab.edu.co:20.500.12749/13792
- Acceso en línea:
- http://hdl.handle.net/20.500.12749/13792
- Palabra clave:
- Biomedical engineering
Engineering
Medical electronics
Biological physics
Bioengineering
Medical instruments and apparatus
Medicine
Artificial intelligence
Metabolic syndrome
Clinical engineering
Dimensionality reduction
Neural networks
Chronic diseases
Machine theory
Electronic data processing
Simulation methods
Support vector machines
Euclidean recognizer
Ingeniería biomédica
Ingeniería
Biofísica
Bioingeniería
Medicina
Enfermedades crónicas
Teoría de las máquinas
Procesamiento electrónico de datos
Métodos de simulación
Ingeniería clínica
Electrónica médica
Instrumentos y aparatos médicos
Inteligencia artificial
Síndrome Metabólico
Reducción de dimensionalidad
Redes neuronales
Reconocedor euclideo
Máquinas de vectores de soporte
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-nd/2.5/co/
| id |
UNAB2_57c3e104a7bb23399be855f1d7e6420b |
|---|---|
| oai_identifier_str |
oai:repository.unab.edu.co:20.500.12749/13792 |
| network_acronym_str |
UNAB2 |
| network_name_str |
Repositorio UNAB |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Desarrollo de un sistema para la predicción de ocurrencia del síndrome metabólico empleando técnicas de inteligencia artificial |
| dc.title.translated.spa.fl_str_mv |
Development of a system for predicting the occurrence of metabolic syndrome using artificial intelligence techniques |
| title |
Desarrollo de un sistema para la predicción de ocurrencia del síndrome metabólico empleando técnicas de inteligencia artificial |
| spellingShingle |
Desarrollo de un sistema para la predicción de ocurrencia del síndrome metabólico empleando técnicas de inteligencia artificial Biomedical engineering Engineering Medical electronics Biological physics Bioengineering Medical instruments and apparatus Medicine Artificial intelligence Metabolic syndrome Clinical engineering Dimensionality reduction Neural networks Chronic diseases Machine theory Electronic data processing Simulation methods Support vector machines Euclidean recognizer Ingeniería biomédica Ingeniería Biofísica Bioingeniería Medicina Enfermedades crónicas Teoría de las máquinas Procesamiento electrónico de datos Métodos de simulación Ingeniería clínica Electrónica médica Instrumentos y aparatos médicos Inteligencia artificial Síndrome Metabólico Reducción de dimensionalidad Redes neuronales Reconocedor euclideo Máquinas de vectores de soporte |
| title_short |
Desarrollo de un sistema para la predicción de ocurrencia del síndrome metabólico empleando técnicas de inteligencia artificial |
| title_full |
Desarrollo de un sistema para la predicción de ocurrencia del síndrome metabólico empleando técnicas de inteligencia artificial |
| title_fullStr |
Desarrollo de un sistema para la predicción de ocurrencia del síndrome metabólico empleando técnicas de inteligencia artificial |
| title_full_unstemmed |
Desarrollo de un sistema para la predicción de ocurrencia del síndrome metabólico empleando técnicas de inteligencia artificial |
| title_sort |
Desarrollo de un sistema para la predicción de ocurrencia del síndrome metabólico empleando técnicas de inteligencia artificial |
| dc.creator.fl_str_mv |
Pinilla Galvis, Angélica Yelitza Martínez Arguello, Luisa Gabriela |
| dc.contributor.advisor.none.fl_str_mv |
Franco Arias, Manuel Hernando Valladares Torres, Liliana |
| dc.contributor.author.none.fl_str_mv |
Pinilla Galvis, Angélica Yelitza Martínez Arguello, Luisa Gabriela |
| dc.contributor.cvlac.spa.fl_str_mv |
Franco Arias, Manuel Hernando [0001427755] Valladares Torres, Liliana [0001477919] |
| dc.subject.keywords.spa.fl_str_mv |
Biomedical engineering Engineering Medical electronics Biological physics Bioengineering Medical instruments and apparatus Medicine Artificial intelligence Metabolic syndrome Clinical engineering Dimensionality reduction Neural networks Chronic diseases Machine theory Electronic data processing Simulation methods Support vector machines Euclidean recognizer |
| topic |
Biomedical engineering Engineering Medical electronics Biological physics Bioengineering Medical instruments and apparatus Medicine Artificial intelligence Metabolic syndrome Clinical engineering Dimensionality reduction Neural networks Chronic diseases Machine theory Electronic data processing Simulation methods Support vector machines Euclidean recognizer Ingeniería biomédica Ingeniería Biofísica Bioingeniería Medicina Enfermedades crónicas Teoría de las máquinas Procesamiento electrónico de datos Métodos de simulación Ingeniería clínica Electrónica médica Instrumentos y aparatos médicos Inteligencia artificial Síndrome Metabólico Reducción de dimensionalidad Redes neuronales Reconocedor euclideo Máquinas de vectores de soporte |
| dc.subject.lemb.spa.fl_str_mv |
Ingeniería biomédica Ingeniería Biofísica Bioingeniería Medicina Enfermedades crónicas Teoría de las máquinas Procesamiento electrónico de datos Métodos de simulación |
| dc.subject.proposal.spa.fl_str_mv |
Ingeniería clínica Electrónica médica Instrumentos y aparatos médicos Inteligencia artificial Síndrome Metabólico Reducción de dimensionalidad Redes neuronales Reconocedor euclideo Máquinas de vectores de soporte |
| description |
El Síndrome Metabólico es un conjunto de afecciones de origen metabólico el cual tiene una estrecha relación con el aumento del riesgo de desarrollar enfermedades crónicas no transmisibles como la diabetes y enfermedades cardiovasculares. Este síndrome ha llegado a niveles pandémicos, por lo que existe la necesidad de desarrollar herramientas tecnológicas que permitan su predicción. Sin embargo, en Colombia existen carencias en el desarrollo y diseño de modelos de predicción del Síndrome Metabólico usando técnicas de inteligencia artificial, por lo tanto, en el presente proyecto se desarrolló un sistema para la predicción de ocurrencia del síndrome metabólico en los datos obtenidos del estudio transversal y descriptivo FUPRECOL empleando técnicas de inteligencia artificial de alto rendimiento como lo son Máquinas de Vectores de Soporte y Redes Neuronales, además de clasificadores básicos como Reconocedor Euclideo. Para esto se realizó un procesamiento de los datos con creación de patrones aleatorios por medio de la técnica ADASYN y se emplearon técnicas de reducción de dimensionalidad como FSCNCA y Sequential Forward Selection. Se escogieron los mejores modelos de cada técnica y se evaluaron con patrones de prueba con el fin de validar el porcentaje real de la clasificación del sistema. Se obtuvieron porcentajes de clasificación con Redes Neuronales y Máquinas de Vectores de Soporte del 91,8 % y el 93 % respectivamente, siendo este último la técnica con la mejor predicción. Los resultados obtenidos demuestran que es posible desarrollar sistemas con técnicas de inteligencia artificial para predecir el síndrome metabólico con altos porcentajes de clasificación, los cuales podrían tener gran potencial para predecir desde la juventud la probabilidad que tiene una persona de padecer este síndrome y de esta forma prevenir en edades adultas la aparición de enfermedades relacionadas a este. |
| publishDate |
2021 |
| dc.date.accessioned.none.fl_str_mv |
2021-08-12T14:05:11Z |
| dc.date.available.none.fl_str_mv |
2021-08-12T14:05:11Z |
| dc.date.issued.none.fl_str_mv |
2021 |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.local.spa.fl_str_mv |
Trabajo de Grado |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/20.500.12749/13792 |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad Autónoma de Bucaramanga - UNAB |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional UNAB |
| dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repository.unab.edu.co |
| url |
http://hdl.handle.net/20.500.12749/13792 |
| identifier_str_mv |
instname:Universidad Autónoma de Bucaramanga - UNAB reponame:Repositorio Institucional UNAB repourl:https://repository.unab.edu.co |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Amat Rodrigo, J. (2017a, Abril). Máquinas de Vector Soporte (Support Vector Machines, SVMs). From Obtenido de Ciencia de los datos: https://www.cienciadedatos.net/documentos/34_maquinas_de_vector_soporte_suppo rt_vector_machines Amat Rodrigo, J. (2017b, Junio). Análisis de Componentes Principales (Principal Component Analysis, PCA) y t-SNE. From Obtenido de Ciencia de datos: https://www.cienciadedatos.net/documentos/35_principal_component_analysis Argentina, R. d. (n.d.). Portal Huarpe. From http://www.portalhuarpe.com.ar/medhime20/Talleres/Talleres%20Rawson/EPET3/09 %20Contactores/ventajas_aplicaciones.html Avila-Tomás, J., Mayer-Pujadas, M., & V.J., Q.-V. (2020, Deciembre). Artificial intelligence and its applications in medicine I: introductory background to AI and robotics. Atención primaria, 52(10), 778-784. From https://doi.org/10.1016/j.aprim.2020.04.013 Barranco-Ruiz, Y., Villa-González, E., Venegas-Sanabria, L. C., Chavarro-Carvajal, D. A., Cano-Gutiérrez, C. A., Izquierdo, M., & Ramírez-Vélez, R. (2020). Metabolic Syndrome and Its Associated Factors in Older Adults: A Secondary Analysis of SABE Colombia in 2015. Metabolic Syndrome and Related Disorders, 18(8), 389-398. doi:10.1089/met.2019.0066 Basogain Olabe, X. (2010). Curso: Redes Neuronales Artificiales y sus aplicaciones. [Libro de curso]. Escuela Superior de Ingeniería de Bilbao, EHU , Bilbao. From https://ocw.ehu.eus/file.php/102/redes_neuro/contenidos/pdf/libro-del-curso.pdf Bohórquez, L. F., Ibáñez, M., Suárez, I. C., Franco, A., Rodriguez, M., & Soler, S. (2013). Prevalencia de síndrome metabólico y grado de concordancia diagnóstica por OMS, ATPIII, IDF, Y AACE, en pacientes diabéticos de programas de atención primaria en Bogotá, Colombia. Revista Médica Sanitas, 16(2), 8-15. Retrieved from https://www.unisanitas.edu.co/Revista/47/04SINDROME%20METABOLICO.pdf Cameron, A. (2010). The metabolic syndrome: validity and utility of clinical definitions for cardiovascular disease and diabetes risk prediction. Maturitas, 65(2), 117-121. doi:10.1016 / j.maturitas.2009.11.026 Carrasco, N. F., Eduardo Galgani, F. J., & Reyes, J. M. (2013, Septiembre). Síndrome de resistencia a la insulina. estudio y manejo. Revista Médica Clínica Las Condes, 24(5), 827-837. doi:10.1016/S0716-8640(13)70230-X Carvajal Carvajal, C. (2017). Sindrome metabólico: definiciones, epidemiología, etiología, componentes y tratamiento. Medicina Legal de Costa Rica, 34(1), 175-193. From from http://www.scielo.sa.cr/scielo.php?script=sci_arttext&pid=S140900152017000100175&lng=en&tlng=es Castillo Herrera, J. A. (2009). El síndrome metabólico, una epidemia silente. Revista Cubana de Investigaciones Biomédicas, 28(4). From http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S086403002009000400008&lng=es&tlng=es Cheng-Sheng, Y., Yu-Jiun, L., Chang-Hsien, L., Shiyng-Yu, L., Jenny L, W., & Shy-Shin, C. (2020). Development of an Online Health Care Assessment for Preventive Medicine: A Machine Learning Approach. Journal of medical Internet research, 22(6), e18585. doi:10.2196/18585 Eudaskainnova. (s.f). Sistemas de predicción. Machine Learning. Retrieved Septiembre 30, 2020 from https://www.spri.eus/euskadinnova/es/enpresa-digitala/agenda/sistemasprediccion-machine-learning/8580.aspx Fernández-Cortés, C. O. (2017). Reducción de dimensionalidad en problemas de regresión lineal. [Tesis de pregrado]. Universidad Carlos III de Madrid, Madrid. From https://core.ac.uk/download/pdf/79177085.pdf García G., E., De la Llata, M., Kaufer, M., Tusié, M. T., Calzada, R., Vázquez, V., . . . Sotelo, J. (2008). La obesidad y el síndrome metabólico como problema de salud pública: una reflexión. Salud Pública de México, 50(6), 530-547. Retrieved 01 2021, 31, from http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S003636342008000600015&lng=es&tlng=es García Restrepo, M. A. (2010). Sociedad de cirugía de Bogotá: El museo y la revista repertorio* Reinauguración de la exposición permanente. Revista Repertorio De Medicina Y Cirugía, 19(1), 59-61. From https://doi.org/10.31260/repertmedcir.v19.n1.2010.572 Gualdron Guerrero, O. E. (2006). Desarrollo de diferentes métodos de selección de variables para sistemas multisensoriales. [Tesis de pregrado]. Escola Tècnica Superior D’ Enginyeria, Terragona. From https://www.tdx.cat/bitstream/handle/10803/8473/Tesis_Oscar_Gualdron.pdf?...1 Gutiérrez-Esparza, G. O., Infante Vázquez, O., Vallejo, M., & Hernández-Torruco, J. (2020). Prediction of Metabolic Syndrome in a Mexican Population Applying Machine Learning Algorithms. Symmetry, 12(4), 581. doi:10.3390/sym12040581 Haffner, S. M. (2006, Junio). Relationship of metabolic risk factors and development of cardiovascular disease and diabetes. Obesity (Silver Spring), 14(3), 121S-127S. doi:doi: 10.1038/oby.2006.291 Hernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, P. (2008). Metodolodía de la investigación (Sexta ed.). Mexico D.F: Mc Graw Hill. Higuita-Gutiérrez, L. F., Martínez Quiroz, W. J., & Cardona-Arias, J. A. (2020). Prevalence of Metabolic Syndrome and Its Association with Sociodemographic Characteristics in Participants of a Public Chronic Disease Control Program in Medellin, Colombia, in 2018. Diabetes, Metabolic Syndrome and Obesity: Targets and Therapy, 13, 11611169. doi:10.2147/dmso.s242826 Hinestroza Ramírez, D. (2018). El machine learning a través de los tiempos, y los aportes a la humanidad. [Tesis de pregrado, Universidad Libre Seccional Pereira]. Universidad Libre Seccional Pereira, Pereira. From https://repository.unilibre.edu.co/bitstream/handle/10901/17289/EL%20MACHINE%2 0LEARNING.pdf?sequence=1&isAllowed=y Hiregoudar, S., Manjunath, K., & Patil, K. S. (2014). A survey: research summary on neural networks. IJRET: International Journal of Research in Engineering and Technology, 3(3). From https://ijret.org/volumes/2014v03/i15/IJRET20140315076.pdf Hirose, H., Takayama, T., Hozawa, S., Hibi, T., & Saito, I. (2010). Prediction of metabolic syndrome using artificial neural network system based on clinical data including insulin resistance index and serum adiponectin. Computers in Biology and Medicine, 41(11), 1051-1056. doi:10.1016/j.compbiomed.2011.09.005 Instituto Colombiano de Bienestar Familiar. (2015). ENSIN: Encuesta Nacional de Situación Nutricional. Retrieved Agosto 18, 2020 from https://www.icbf.gov.co/bienestar/nutricion/encuesta-nacional-situacion-nutricional Kassi, E., Pervanidou, P., Kaltsas, G., & Chrousos, G. (2011). Metabolic syndrome: definitions and controversies. BCM medicine, 9(48). From https://doi.org/10.1186/1741-7015-9-48 Kaur, J. (2014). A Comprehensive Review on Metabolic Syndrome. Cardiology Research and Practice. From https://doi.org/10.1155/2014/943162 Lee, S., Lee, H., Choi, J. R., & Koh, S. B. (2020, Junio 19). Development and Validation of Prediction Model for Risk Reduction of Metabolic Syndrome by Body Weight Control: A Prospective Population-based Study. Scientific Reports, 10 Lizarzaburu Robles, J. C. (2013). Síndrome metabólico: concepto y aplicación práctica. Anales de la Facultad de Medicina, 74(4), 315-320. From http://www.scielo.org.pe/scielo.php?script=sci_arttext&pid=S102555832013000400009&lng=es&tlng=es Manzur, F., de la Ossa, M., Trespalacios, E., Abuabara, Y., & Lujan, M. (2008). Prevalencia de síndrome metabólico en el municipio de Arjona, Colombia. Revista Colombiana de Cardiología, 15(5), 215-222. Retrieved agosto 18, 2020 from http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S012056332008000500003&lng=en&tlng=es Martinez Heras, J. (2019, 05 28). Máquinas de Vectores de Soporte (SVM). From IArtificial.net: https://www.iartificial.net/maquinas-de-vectores-de-soporte-svm Maseda Tarin, M. (2019). Reducción de la dimensionalidad mediante métodos de selección de características en microarrays de ADN. [Tesis de grado en informatica Inligencia artificial]. Universitat Oberta de Catalunya, Catalunya. From http://openaccess.uoc.edu/webapps/o2/bitstream/10609/89668/11/mmasedaTFG011 9memoria.pdf MathWorks. (2018a). Cross-Validation. From https://es.mathworks.com/discovery/crossvalidation.html MathWorks. (2018b). Fscnca. From https://es.mathworks.com/help/stats/fscnca.html Miguel Soca, P. E. (2009). Dislipidemias. ACIMED, 20(6), 265-273. From http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S102494352009001200012&lng=es&tlng=es Ministerio de Salud y Protección Social. (2020, 07 19). Tres de cada 100 colombianos tienen diabetes. From Boletín de Prensa No 493 de 2020: https://www.minsalud.gov.co/Paginas/Tres-de-cada-100-colombianos-tienendiabetes.aspx Ministerio de Salud; Colciencias. (2013). Guía de práctica clínica: Hipertensión Arterial primaria (HTA). República de Colombia. From https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/INEC/IETS/GPC_C ompleta_HTA.pdf Mora García, G., Salguedo Madrid, G., Ruíz Díaz, M., Ramos Clason, E., Alario Bello, Á., Fortich, Á., . . . Gómez Alegría, C. (2012). Concordancia entre cinco definiciones de síndrome metabólico. Cartagena, Colombia. Revista Española de Salud Pública, 301-311. Retrieved from http://scielo.isciii.es/scielo.php?script=sci_arttext&pid=S113557272012000300009&lng=es&tlng=es Mustafeez, A. Z. (2021, Febrero 2). Educative. From What is early stopping? Educative: Interactive Courses for Software Developers: https://www.educative.io/edpresso/what-is-early-stopping Observatorio Nacional de Salud & Instituto Nacional de Salud . (2013). Enfermedad cardiovascular: principal causa de muerte en Colombia. Boletin No.1, Diciembre 9 de 2013. Retrieved agosto 2020, 31 from Observatorio Nacional de Salud: https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/IA/INS/Boletintecnico-1-ONS.pdf Organización Mundial de la Salud. (2011). Factores de riesgo. Retrieved Agosto 2020, 20 from Temas de Salud: https://www.who.int/topics/risk_factors/es/ Organización Mundial de la Salud. (2014). Colombia: perfil de enfermedades cardiovasculares. Retrieved agosto 2020, 18 from OMS: https://www.paho.org/hq/dmdocuments/2014/COLOMBIA-PERFIL-ECV-2014.pdf Organización Mundial de la Salud. (2016). Hipertensión. Temas de Salud. Retrieved Agosto 20, 2020 from https://www.who.int/topics/hypertension/es/ Organización Mundial de la Salud. (2017, mayo 17). Enfermedades cardiovasculares. From Organización mundial de la Salud: https://www.who.int/es/news-room/factsheets/detail/cardiovascular-diseases-(cvds) Organización Mundial de la Salud. (2018). ENT Perfiles de países: Colombia. Retrieved Agosto 18, 2020 from https://www.who.int/nmh/countries/col_es.pdf?ua=1 Organización Mundial de la Salud. (2020). Obesidad. Retrieved from Temas de salud: https://www.who.int/topics/obesity/es P. Carvalho, T., Soares, F. A., Vita, R., Francisco, R. d., Basto, J. P., & Alcalá, S. G. (2019). A systematic literature review of machine learning methods applied to predictive maintenance. Computers and Industrial Engineering, 137. Retrieved from https://doi.org/10.1016/j.cie.2019.106024 Ramírez-López, L., Calero-Saa, P., Arias-Holguín, G., Quincos-Echeverry, D., TipazocaNontién, L., & Monroy-Díaz, Á. (2019). Síndrome metabólico en conductores de transporte intermunicipal de Tunja, Boyacá. Revista Ciencias de la Salud, 17(2), 188200. doi:https://doi.org/10.12804/revistas.urosario.edu.co/revsalud/a.7923 Ramírez-Vélez, R., Correa-Bautista, J. E., Sanders-Tordecilla, A., Ojeda-Pardo, M. L., CoboMejía, E. A., Castellanos-Vega, R., . . . González-Ruíz, K. (2017). Percentage of Body Fat and Fat Mass Index as a Screening Tool for Metabolic Syndrome Prediction in Colombian University Students. Nutrients, 9(9), 1009. Retrieved from https://doi.org/10.3390/nu9091009 Ramírez-Vélez, R., Correa-Bautista, J., Carrillo, H., González-Jiménez, E., Schmidt-RioValle, J., Correa-Rodríguez, M., & García-Hermoso, A. (2018a). Fat-to-Muscle Ratio: A New Anthropometric Indicator as a Screening Tool for Metabolic Syndrome in Young Colombian People. Nutrients, 1027. doi:10.3390/nu10081027 Ramírez-Vélez, R., Correa-Bautista, J., Carrillo, H., González-Jiménez, E., Schmidt-RioValle, J., Correa-Rodríguez, M., & García-Hermoso, A. (2018b). Tri-Ponderal Mass Index vs. Fat Mass/Height3 as a Screening Tool for Metabolic Syndrome Prediction in Colombian Children and Young People. Nutrients, 10(4), 412. Retrieved from http://dx.doi.org/10.3390/nu10040412 Shin, J. A., Lee, J. H., Lim, S. Y., Ha, H. S., Kwon, H. S., Park, Y. M., . . . Son, H. Y. (2013). Metabolic syndrome as a predictor of type 2 diabetes, and its clinical interpretations and usefulness. Journal of diabetes investigation, 4(4), 334-343. doi:10.1111/jdi.12075 Silva-Cruz, E. A., & Esparza-Franco, C. H. (2015). Fusión de clasificadores débiles euclidianos, FDA y SVM por a posteriori confidence classification (APCC). Iteckne, 12(2), 119-130. From ://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S169217982015000200003&lng=en&tlng=es Sosa Vedia, M. (2012). Frecuencia de síndrome metabólico en consultantes de centros de salud de atención primaria de la zona noreste de la ciudad de córdoba capital. [Tesis de maestria en salud pública]. Universidad Nacional de Cordoba, Cordoba. From http://lildbi.fcm.unc.edu.ar/lildbi/tesis/Sosa_vedia_mara.pdf Suarez-Ortegón, M. F., & Aguilar-de Plata, C. (2016). Prevalence of metabolic syndrome in children aged 5-9 years from southwest colombia: a cross-sectional study. . World journal of pediatrics, 12(4), 477-483. From https://doi.org/10.1007/s12519-016-0008-z Suescún-Carrero, S. H.-C.-P.-S., Fagua-Pacavita, L. H., Bernal-Orduz, F., & CorredorGamba, S. P. (2017). Estilos de vida en estudiantes de una universidad de Boyacá, Colombia. Revista de la Facultad de Medicina, 65(2), 227-231. doi:https://doi.org/10.15446/revfacmed.v65n2.58640 Urina-Jassir, D., Urina-Triana, M., Balaguera-Mendoza, J., Montenegro-Rolong, L., UrinaJassir, M., & Urina-Triana, M. (2016). Prevalencia del síndrome metabólico en hipertensos estadio I. Revista Colombiana de Cardiología, 23(5), 365-374. doi:10.1016/j.rccar.2016.02.004 Villalobos Sánchez, C. J., Mosquera Chacón, J. P., & Tovar Cortés, H. (2011). Prevalencia del síndrome metabólico en consulta de medicina interna Hospital de San José de Bogotá DC. septiembre 2009 - marzo 2010. Revista Repertorio De Medicina Y Cirugía, 20(2), 93-102. From https://doi.org/10.31260/RepertMedCir.v20.n2.2011.682 Villarreal Mendoza, M. (2020). Asociación de los componentes del síndrome metabólico con la fuerza prensil y masa muscular en trabajadores de la Universidad Nacional de Colombia, sede Bogotá. [Tesis de pregrado]. Universidad Nacional de Colombia, Bogotá Y, G. P., J, B. A., & JA., C.-A. (2016). Prevalencia de dislipidemias en una institución prestadora de servicios de Medellín (Colombia). Revista CES Medicina, 2013, 30(1). From http://www.scielo.org.co/pdf/cesm/v30n1/v30n1a01.pdf Yu, C. S., Lin, Y. J., Lin, C. H., Lin, S. Y., Wu, J. L., & Chang, S. S. (2020). Development of an Online Health Care Assessment for Preventive Medicine: A Machine Learning Approach. Journal of medical Internet research, 22(6), e18585. Retrieved from https://doi.org/10.2196/18585 |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ |
| dc.rights.local.spa.fl_str_mv |
Abierto (Texto Completo) |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 |
| dc.rights.creativecommons.*.fl_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2 Atribución-NoComercial-SinDerivadas 2.5 Colombia |
| eu_rights_str_mv |
openAccess |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.spatial.spa.fl_str_mv |
Colombia |
| dc.publisher.grantor.spa.fl_str_mv |
Universidad Autónoma de Bucaramanga UNAB |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad Ingeniería |
| dc.publisher.program.spa.fl_str_mv |
Pregrado Ingeniería Biomédica |
| institution |
Universidad Autónoma de Bucaramanga - UNAB |
| bitstream.url.fl_str_mv |
https://repository.unab.edu.co/bitstream/20.500.12749/13792/1/2021_Tesis_Angelica_Pinilla_Galvis.pdf https://repository.unab.edu.co/bitstream/20.500.12749/13792/2/2021_Licencia_Angelica_Pinilla_Galvis.pdf https://repository.unab.edu.co/bitstream/20.500.12749/13792/3/license.txt https://repository.unab.edu.co/bitstream/20.500.12749/13792/4/2021_Tesis_Angelica_Pinilla_Galvis.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/13792/5/2021_Licencia_Angelica_Pinilla_Galvis.pdf.jpg |
| bitstream.checksum.fl_str_mv |
94d14d3639ee400c82500c03a05fce00 5e9a311581a9074e9ab1c0df7b3bff40 8a4605be74aa9ea9d79846c1fba20a33 2d74b250c8d0ec768add2a014c28163c 1b7e98832b83a0f03f5b837506205b9b |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional | Universidad Autónoma de Bucaramanga - UNAB |
| repository.mail.fl_str_mv |
repositorio@unab.edu.co |
| _version_ |
1814277861967659008 |
| spelling |
Franco Arias, Manuel HernandoValladares Torres, LilianaPinilla Galvis, Angélica YelitzaMartínez Arguello, Luisa GabrielaFranco Arias, Manuel Hernando [0001427755]Valladares Torres, Liliana [0001477919]Colombia2021-08-12T14:05:11Z2021-08-12T14:05:11Z2021http://hdl.handle.net/20.500.12749/13792instname:Universidad Autónoma de Bucaramanga - UNABreponame:Repositorio Institucional UNABrepourl:https://repository.unab.edu.coEl Síndrome Metabólico es un conjunto de afecciones de origen metabólico el cual tiene una estrecha relación con el aumento del riesgo de desarrollar enfermedades crónicas no transmisibles como la diabetes y enfermedades cardiovasculares. Este síndrome ha llegado a niveles pandémicos, por lo que existe la necesidad de desarrollar herramientas tecnológicas que permitan su predicción. Sin embargo, en Colombia existen carencias en el desarrollo y diseño de modelos de predicción del Síndrome Metabólico usando técnicas de inteligencia artificial, por lo tanto, en el presente proyecto se desarrolló un sistema para la predicción de ocurrencia del síndrome metabólico en los datos obtenidos del estudio transversal y descriptivo FUPRECOL empleando técnicas de inteligencia artificial de alto rendimiento como lo son Máquinas de Vectores de Soporte y Redes Neuronales, además de clasificadores básicos como Reconocedor Euclideo. Para esto se realizó un procesamiento de los datos con creación de patrones aleatorios por medio de la técnica ADASYN y se emplearon técnicas de reducción de dimensionalidad como FSCNCA y Sequential Forward Selection. Se escogieron los mejores modelos de cada técnica y se evaluaron con patrones de prueba con el fin de validar el porcentaje real de la clasificación del sistema. Se obtuvieron porcentajes de clasificación con Redes Neuronales y Máquinas de Vectores de Soporte del 91,8 % y el 93 % respectivamente, siendo este último la técnica con la mejor predicción. Los resultados obtenidos demuestran que es posible desarrollar sistemas con técnicas de inteligencia artificial para predecir el síndrome metabólico con altos porcentajes de clasificación, los cuales podrían tener gran potencial para predecir desde la juventud la probabilidad que tiene una persona de padecer este síndrome y de esta forma prevenir en edades adultas la aparición de enfermedades relacionadas a este.Capítulo I ............................................................................................................................ 16 Problema u Oportunidad ............................................................................................... 16 Introducción .................................................................................................................. 16 Descripción del Problema ............................................................................................. 17 Justificación .................................................................................................................. 19 Pregunta Problema ........................................................................................................ 21 Objetivo General ........................................................................................................... 21 Objetivos Específicos .................................................................................................... 21 Limitaciones y Delimitaciones ...................................................................................... 22 Capítulo II .......................................................................................................................... 23 Marco teórico y Estado del Arte .................................................................................... 23 Marco Teórico ................................................................................................................ 23 Síndrome Metabólico .................................................................................................... 23 Criterios de diagnóstico del MetS .................................................................................. 27 Inteligencia Artificial .................................................................................................... 29 Técnicas de Clasificación y Reconocimiento de Patrones........................................... 31 Redes Neuronales................................................................................................... 31 Máquinas de Vectores de Soporte .......................................................................... 35 Reconocedor Euclídeo: .......................................................................................... 39 Evaluación y Mejora del Rendimiento Predictivo del Sistema. ................................... 40 Métodos de Reducción de Dimensionalidad y Proyección Multidimensional ............. 41 Análisis de Componentes Principales (PCA) .......................................................... 42 Sequential Forward Selection ................................................................................. 43 Selección de Características usando Análisis de Componentes de Vecindad para Clasificación (FSCNCA) ........................................................................................ 43 Técnica para Balancear Clases ADASYN .................................................................. 45 Software de Programación para el Desarrollo del Sistema ............................................. 46 Estado del arte ................................................................................................................ 47 Contexto Internacional .................................................................................................. 47 Contexto Nacional ........................................................................................................ 56 Capítulo III. ........................................................................................................................ 66 Metodología .................................................................................................................... 66 Tipo de Investigación .................................................................................................... 66 Proceso Metodológico ................................................................................................... 66 Análisis Información sobre la Ocurrencia de Síndrome Metabólico Mediante el Uso de una Base de Datos para el Entrenamiento del Sistema de Inteligencia Artificial ......... 67 Análisis de la Base de Datos Propuesta para Identificar las Variables más Relevantes .............................................................................................................................. 67 Análisis y Descripción Estadística de la Base de Datos Empleada .......................... 68 Balanceo de Clases Mediante ADASYN ................................................................ 68 Proyección Multidimensional para la Visualización de Datos ................................. 68 Diseño de Modelos de Predicción Implementando Técnicas de Inteligencia Artificial. .................................................................................................................................. 69 Codificación de Técnicas para Reducción de Dimensionalidad............................... 70 Técnicas de Inteligencia Artificial Clasificadores ................................................... 72 Implementación de Técnica Reconocedor Euclídeo ................................................ 72 Implementación de Técnica de Redes Neuronales .................................................. 73 Implementación de Máquinas de Vectores de Soporte ............................................ 75 Proyección Multidimensional de las Técnicas de Reducción Empleadas................. 76 Evaluación del Rendimiento de las Técnicas de Inteligencia Artificial empleadas. ..... 76 Análisis Estadístico de los Patrones de Prueba ....................................................... 76 Comparar el Rendimiento de las Técnicas de Clasificación .................................... 76 Selección de los 3 Modelos con las Mejores Combinaciones de Redes y Evaluación de estas con los Patrones de Prueba ........................................................................ 77 Selección de las 3 mejores Combinaciones de Modelos de SVM y Evaluación Datos con los Patrones de Prueba ..................................................................................... 78 Comparación Porcentajes de Clasificación de los Mejores Modelos elegidos de SVM y Redes Neuronales ................................................................................................ 79 Población de Muestra .................................................................................................... 79 Capítulo IV ......................................................................................................................... 81 Resultados y Análisis de Resultados .............................................................................. 81 Resultados ....................................................................................................................... 81 11 Análisis Información sobre la Ocurrencia de Síndrome Metabólico mediante el Uso de una Base de Datos para el Entrenamiento del Sistema de Inteligencia Artificial ............ 81 Análisis de la Base de Datos Propuesta para Identificación de Variables más Relevantes ................................................................................................................. 81 Analizar y Describir Estadísticamente la Base de Datos Empleada ............................ 83 Balanceo de Clases Mediante ADASYN ................................................................... 84 Proyección Multidimensional para la Visualización de Datos .................................... 85 Diseño de los Modelos de Predicción Implementando Técnicas de Inteligencia Artificial ..................................................................................................................................... 87 Reducción de Dimensionalidad con FSCNCA ........................................................... 87 Reducción de Dimensionalidad con Forward Selection con Clasificador Reconocedor Euclideo .................................................................................................................... 89 Reducción de Dimensionalidad con Forward Selection + FSCNCA con Clasificador Euclídeo .................................................................................................................... 89 Mejores Porcentajes de Clasificación Obtenidos Durante el Entrenamiento del Sistema con Redes Neuronales ............................................................................................... 90 Implementación de Máquinas de Vectores de Soporte ............................................... 94 Proyección Multidimensional de las Matrices Obtenidas al Emplear Técnicas de Reducción ................................................................................................................. 97 Evaluación del Rendimiento de las Técnicas de Inteligencia Artificial Empleadas. ........ 99 Análisis Estadístico de los Patrones de Prueba ........................................................... 99 Comparación del Rendimiento de las Técnicas de Inteligencia Artificial Empleadas 100 Selección de los Modelos con las Mejores Combinaciones de Redes Neuronales y Evaluación de estas con los Patrones de Prueba ....................................................... 100 Selección de los Modelos con las Mejores Combinaciones de SVM y Evaluación de estas con los Patrones de Prueba .............................................................................. 103 Rendimiento de las Técnicas de Inteligencia Artificial Empleadas. .......................... 105 Análisis de Resultados .................................................................................................. 108 Análisis Procesamiento de la Base de Datos Propuesta ................................................ 108 Diseño de los Modelos de Predicción Implementando Técnicas de Inteligencia Artificial ................................................................................................................................... 112 Entrenamiento del Sistema Empleando Redes Neuronales ....................................... 113 Implementación de Máquinas de Vectores de Soporte ............................................. 115 Evaluación del Rendimiento de las Técnicas de Inteligencia Artificial Empleadas. ...... 118 Rendimiento de las Técnicas de Inteligencia Artificial Empleadas. .......................... 118 Capítulo V. ....................................................................................................................... 122 Conclusiones y Recomendaciones ................................................................................ 122 Conclusiones ................................................................................................................. 122 Recomendaciones .......................................................................................................... 123 Bibliografía ....................................................................................................................... 124 Apéndice ........................................................................................................................... 129PregradoThe Metabolic Syndrome is a group of conditions of metabolic origin which is closely related to the increased risk of developing chronic non-communicable diseases such as diabetes and cardiovascular diseases. This syndrome has reached pandemic levels, so there is a need to develop technological tools that allow its prediction. However, in Colombia there are shortcomings in development and design of prediction models of the Metabolic Syndrome using artificial intelligence techniques, therefore, in the present project a system was developed to predict the occurrence of the metabolic syndrome in the data obtained from the cross-sectional and descriptive study FUPRECOL using artificial intelligence techniques from high performance such as Support Vector Machines and Neural Networks, as well as basic classifiers such as Euclidean Recognizer. For this, the data was processed with the creation of random patterns by using the ADASYN technique and dimensionality reduction techniques such as FSCNCA and Sequential Forward Selection were used. The best models of each technique were chosen and evaluated with test patterns in order to validate the real percentage of the system classification. Classification percentages with Neural Networks and Support Vector Machines of 91.8% and 93% respectively were obtained, the latter being the technique with the best prediction. The results obtained show that it is possible to develop systems with artificial intelligence techniques to predict metabolic syndrome with high classification percentages, which could have great potential to predict from youth the probability that a person has this syndrome and thus prevent in adult ages the appearance of diseases related to this.application/pdfspahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Atribución-NoComercial-SinDerivadas 2.5 ColombiaDesarrollo de un sistema para la predicción de ocurrencia del síndrome metabólico empleando técnicas de inteligencia artificialDevelopment of a system for predicting the occurrence of metabolic syndrome using artificial intelligence techniquesIngeniero BiomédicoUniversidad Autónoma de Bucaramanga UNABFacultad IngenieríaPregrado Ingeniería Biomédicainfo:eu-repo/semantics/bachelorThesisTrabajo de Gradohttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/redcol/resource_type/TPBiomedical engineeringEngineeringMedical electronicsBiological physicsBioengineeringMedical instruments and apparatusMedicineArtificial intelligenceMetabolic syndromeClinical engineeringDimensionality reductionNeural networksChronic diseasesMachine theoryElectronic data processingSimulation methodsSupport vector machinesEuclidean recognizerIngeniería biomédicaIngenieríaBiofísicaBioingenieríaMedicinaEnfermedades crónicasTeoría de las máquinasProcesamiento electrónico de datosMétodos de simulaciónIngeniería clínicaElectrónica médicaInstrumentos y aparatos médicosInteligencia artificialSíndrome MetabólicoReducción de dimensionalidadRedes neuronalesReconocedor euclideoMáquinas de vectores de soporteAmat Rodrigo, J. (2017a, Abril). Máquinas de Vector Soporte (Support Vector Machines, SVMs). From Obtenido de Ciencia de los datos: https://www.cienciadedatos.net/documentos/34_maquinas_de_vector_soporte_suppo rt_vector_machinesAmat Rodrigo, J. (2017b, Junio). Análisis de Componentes Principales (Principal Component Analysis, PCA) y t-SNE. From Obtenido de Ciencia de datos: https://www.cienciadedatos.net/documentos/35_principal_component_analysisArgentina, R. d. (n.d.). Portal Huarpe. From http://www.portalhuarpe.com.ar/medhime20/Talleres/Talleres%20Rawson/EPET3/09 %20Contactores/ventajas_aplicaciones.htmlAvila-Tomás, J., Mayer-Pujadas, M., & V.J., Q.-V. (2020, Deciembre). Artificial intelligence and its applications in medicine I: introductory background to AI and robotics. Atención primaria, 52(10), 778-784. From https://doi.org/10.1016/j.aprim.2020.04.013Barranco-Ruiz, Y., Villa-González, E., Venegas-Sanabria, L. C., Chavarro-Carvajal, D. A., Cano-Gutiérrez, C. A., Izquierdo, M., & Ramírez-Vélez, R. (2020). Metabolic Syndrome and Its Associated Factors in Older Adults: A Secondary Analysis of SABE Colombia in 2015. Metabolic Syndrome and Related Disorders, 18(8), 389-398. doi:10.1089/met.2019.0066Basogain Olabe, X. (2010). Curso: Redes Neuronales Artificiales y sus aplicaciones. [Libro de curso]. Escuela Superior de Ingeniería de Bilbao, EHU , Bilbao. From https://ocw.ehu.eus/file.php/102/redes_neuro/contenidos/pdf/libro-del-curso.pdfBohórquez, L. F., Ibáñez, M., Suárez, I. C., Franco, A., Rodriguez, M., & Soler, S. (2013). Prevalencia de síndrome metabólico y grado de concordancia diagnóstica por OMS, ATPIII, IDF, Y AACE, en pacientes diabéticos de programas de atención primaria en Bogotá, Colombia. Revista Médica Sanitas, 16(2), 8-15. Retrieved from https://www.unisanitas.edu.co/Revista/47/04SINDROME%20METABOLICO.pdfCameron, A. (2010). The metabolic syndrome: validity and utility of clinical definitions for cardiovascular disease and diabetes risk prediction. Maturitas, 65(2), 117-121. doi:10.1016 / j.maturitas.2009.11.026Carrasco, N. F., Eduardo Galgani, F. J., & Reyes, J. M. (2013, Septiembre). Síndrome de resistencia a la insulina. estudio y manejo. Revista Médica Clínica Las Condes, 24(5), 827-837. doi:10.1016/S0716-8640(13)70230-XCarvajal Carvajal, C. (2017). Sindrome metabólico: definiciones, epidemiología, etiología, componentes y tratamiento. Medicina Legal de Costa Rica, 34(1), 175-193. From from http://www.scielo.sa.cr/scielo.php?script=sci_arttext&pid=S140900152017000100175&lng=en&tlng=esCastillo Herrera, J. A. (2009). El síndrome metabólico, una epidemia silente. Revista Cubana de Investigaciones Biomédicas, 28(4). From http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S086403002009000400008&lng=es&tlng=esCheng-Sheng, Y., Yu-Jiun, L., Chang-Hsien, L., Shiyng-Yu, L., Jenny L, W., & Shy-Shin, C. (2020). Development of an Online Health Care Assessment for Preventive Medicine: A Machine Learning Approach. Journal of medical Internet research, 22(6), e18585. doi:10.2196/18585Eudaskainnova. (s.f). Sistemas de predicción. Machine Learning. Retrieved Septiembre 30, 2020 from https://www.spri.eus/euskadinnova/es/enpresa-digitala/agenda/sistemasprediccion-machine-learning/8580.aspxFernández-Cortés, C. O. (2017). Reducción de dimensionalidad en problemas de regresión lineal. [Tesis de pregrado]. Universidad Carlos III de Madrid, Madrid. From https://core.ac.uk/download/pdf/79177085.pdfGarcía G., E., De la Llata, M., Kaufer, M., Tusié, M. T., Calzada, R., Vázquez, V., . . . Sotelo, J. (2008). La obesidad y el síndrome metabólico como problema de salud pública: una reflexión. Salud Pública de México, 50(6), 530-547. Retrieved 01 2021, 31, from http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S003636342008000600015&lng=es&tlng=esGarcía Restrepo, M. A. (2010). Sociedad de cirugía de Bogotá: El museo y la revista repertorio* Reinauguración de la exposición permanente. Revista Repertorio De Medicina Y Cirugía, 19(1), 59-61. From https://doi.org/10.31260/repertmedcir.v19.n1.2010.572Gualdron Guerrero, O. E. (2006). Desarrollo de diferentes métodos de selección de variables para sistemas multisensoriales. [Tesis de pregrado]. Escola Tècnica Superior D’ Enginyeria, Terragona. From https://www.tdx.cat/bitstream/handle/10803/8473/Tesis_Oscar_Gualdron.pdf?...1Gutiérrez-Esparza, G. O., Infante Vázquez, O., Vallejo, M., & Hernández-Torruco, J. (2020). Prediction of Metabolic Syndrome in a Mexican Population Applying Machine Learning Algorithms. Symmetry, 12(4), 581. doi:10.3390/sym12040581Haffner, S. M. (2006, Junio). Relationship of metabolic risk factors and development of cardiovascular disease and diabetes. Obesity (Silver Spring), 14(3), 121S-127S. doi:doi: 10.1038/oby.2006.291Hernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, P. (2008). Metodolodía de la investigación (Sexta ed.). Mexico D.F: Mc Graw Hill.Higuita-Gutiérrez, L. F., Martínez Quiroz, W. J., & Cardona-Arias, J. A. (2020). Prevalence of Metabolic Syndrome and Its Association with Sociodemographic Characteristics in Participants of a Public Chronic Disease Control Program in Medellin, Colombia, in 2018. Diabetes, Metabolic Syndrome and Obesity: Targets and Therapy, 13, 11611169. doi:10.2147/dmso.s242826Hinestroza Ramírez, D. (2018). El machine learning a través de los tiempos, y los aportes a la humanidad. [Tesis de pregrado, Universidad Libre Seccional Pereira]. Universidad Libre Seccional Pereira, Pereira. From https://repository.unilibre.edu.co/bitstream/handle/10901/17289/EL%20MACHINE%2 0LEARNING.pdf?sequence=1&isAllowed=yHiregoudar, S., Manjunath, K., & Patil, K. S. (2014). A survey: research summary on neural networks. IJRET: International Journal of Research in Engineering and Technology, 3(3). From https://ijret.org/volumes/2014v03/i15/IJRET20140315076.pdfHirose, H., Takayama, T., Hozawa, S., Hibi, T., & Saito, I. (2010). Prediction of metabolic syndrome using artificial neural network system based on clinical data including insulin resistance index and serum adiponectin. Computers in Biology and Medicine, 41(11), 1051-1056. doi:10.1016/j.compbiomed.2011.09.005Instituto Colombiano de Bienestar Familiar. (2015). ENSIN: Encuesta Nacional de Situación Nutricional. Retrieved Agosto 18, 2020 from https://www.icbf.gov.co/bienestar/nutricion/encuesta-nacional-situacion-nutricionalKassi, E., Pervanidou, P., Kaltsas, G., & Chrousos, G. (2011). Metabolic syndrome: definitions and controversies. BCM medicine, 9(48). From https://doi.org/10.1186/1741-7015-9-48Kaur, J. (2014). A Comprehensive Review on Metabolic Syndrome. Cardiology Research and Practice. From https://doi.org/10.1155/2014/943162Lee, S., Lee, H., Choi, J. R., & Koh, S. B. (2020, Junio 19). Development and Validation of Prediction Model for Risk Reduction of Metabolic Syndrome by Body Weight Control: A Prospective Population-based Study. Scientific Reports, 10Lizarzaburu Robles, J. C. (2013). Síndrome metabólico: concepto y aplicación práctica. Anales de la Facultad de Medicina, 74(4), 315-320. From http://www.scielo.org.pe/scielo.php?script=sci_arttext&pid=S102555832013000400009&lng=es&tlng=esManzur, F., de la Ossa, M., Trespalacios, E., Abuabara, Y., & Lujan, M. (2008). Prevalencia de síndrome metabólico en el municipio de Arjona, Colombia. Revista Colombiana de Cardiología, 15(5), 215-222. Retrieved agosto 18, 2020 from http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S012056332008000500003&lng=en&tlng=esMartinez Heras, J. (2019, 05 28). Máquinas de Vectores de Soporte (SVM). From IArtificial.net: https://www.iartificial.net/maquinas-de-vectores-de-soporte-svmMaseda Tarin, M. (2019). Reducción de la dimensionalidad mediante métodos de selección de características en microarrays de ADN. [Tesis de grado en informatica Inligencia artificial]. Universitat Oberta de Catalunya, Catalunya. From http://openaccess.uoc.edu/webapps/o2/bitstream/10609/89668/11/mmasedaTFG011 9memoria.pdfMathWorks. (2018a). Cross-Validation. From https://es.mathworks.com/discovery/crossvalidation.htmlMathWorks. (2018b). Fscnca. From https://es.mathworks.com/help/stats/fscnca.htmlMiguel Soca, P. E. (2009). Dislipidemias. ACIMED, 20(6), 265-273. From http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S102494352009001200012&lng=es&tlng=esMinisterio de Salud y Protección Social. (2020, 07 19). Tres de cada 100 colombianos tienen diabetes. From Boletín de Prensa No 493 de 2020: https://www.minsalud.gov.co/Paginas/Tres-de-cada-100-colombianos-tienendiabetes.aspxMinisterio de Salud; Colciencias. (2013). Guía de práctica clínica: Hipertensión Arterial primaria (HTA). República de Colombia. From https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/INEC/IETS/GPC_C ompleta_HTA.pdfMora García, G., Salguedo Madrid, G., Ruíz Díaz, M., Ramos Clason, E., Alario Bello, Á., Fortich, Á., . . . Gómez Alegría, C. (2012). Concordancia entre cinco definiciones de síndrome metabólico. Cartagena, Colombia. Revista Española de Salud Pública, 301-311. Retrieved from http://scielo.isciii.es/scielo.php?script=sci_arttext&pid=S113557272012000300009&lng=es&tlng=esMustafeez, A. Z. (2021, Febrero 2). Educative. From What is early stopping? Educative: Interactive Courses for Software Developers: https://www.educative.io/edpresso/what-is-early-stoppingObservatorio Nacional de Salud & Instituto Nacional de Salud . (2013). Enfermedad cardiovascular: principal causa de muerte en Colombia. Boletin No.1, Diciembre 9 de 2013. Retrieved agosto 2020, 31 from Observatorio Nacional de Salud: https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/IA/INS/Boletintecnico-1-ONS.pdfOrganización Mundial de la Salud. (2011). Factores de riesgo. Retrieved Agosto 2020, 20 from Temas de Salud: https://www.who.int/topics/risk_factors/es/Organización Mundial de la Salud. (2014). Colombia: perfil de enfermedades cardiovasculares. Retrieved agosto 2020, 18 from OMS: https://www.paho.org/hq/dmdocuments/2014/COLOMBIA-PERFIL-ECV-2014.pdfOrganización Mundial de la Salud. (2016). Hipertensión. Temas de Salud. Retrieved Agosto 20, 2020 from https://www.who.int/topics/hypertension/es/Organización Mundial de la Salud. (2017, mayo 17). Enfermedades cardiovasculares. From Organización mundial de la Salud: https://www.who.int/es/news-room/factsheets/detail/cardiovascular-diseases-(cvds)Organización Mundial de la Salud. (2018). ENT Perfiles de países: Colombia. Retrieved Agosto 18, 2020 from https://www.who.int/nmh/countries/col_es.pdf?ua=1Organización Mundial de la Salud. (2020). Obesidad. Retrieved from Temas de salud: https://www.who.int/topics/obesity/esP. Carvalho, T., Soares, F. A., Vita, R., Francisco, R. d., Basto, J. P., & Alcalá, S. G. (2019). A systematic literature review of machine learning methods applied to predictive maintenance. Computers and Industrial Engineering, 137. Retrieved from https://doi.org/10.1016/j.cie.2019.106024Ramírez-López, L., Calero-Saa, P., Arias-Holguín, G., Quincos-Echeverry, D., TipazocaNontién, L., & Monroy-Díaz, Á. (2019). Síndrome metabólico en conductores de transporte intermunicipal de Tunja, Boyacá. Revista Ciencias de la Salud, 17(2), 188200. doi:https://doi.org/10.12804/revistas.urosario.edu.co/revsalud/a.7923Ramírez-Vélez, R., Correa-Bautista, J. E., Sanders-Tordecilla, A., Ojeda-Pardo, M. L., CoboMejía, E. A., Castellanos-Vega, R., . . . González-Ruíz, K. (2017). Percentage of Body Fat and Fat Mass Index as a Screening Tool for Metabolic Syndrome Prediction in Colombian University Students. Nutrients, 9(9), 1009. Retrieved from https://doi.org/10.3390/nu9091009Ramírez-Vélez, R., Correa-Bautista, J., Carrillo, H., González-Jiménez, E., Schmidt-RioValle, J., Correa-Rodríguez, M., & García-Hermoso, A. (2018a). Fat-to-Muscle Ratio: A New Anthropometric Indicator as a Screening Tool for Metabolic Syndrome in Young Colombian People. Nutrients, 1027. doi:10.3390/nu10081027Ramírez-Vélez, R., Correa-Bautista, J., Carrillo, H., González-Jiménez, E., Schmidt-RioValle, J., Correa-Rodríguez, M., & García-Hermoso, A. (2018b). Tri-Ponderal Mass Index vs. Fat Mass/Height3 as a Screening Tool for Metabolic Syndrome Prediction in Colombian Children and Young People. Nutrients, 10(4), 412. Retrieved from http://dx.doi.org/10.3390/nu10040412Shin, J. A., Lee, J. H., Lim, S. Y., Ha, H. S., Kwon, H. S., Park, Y. M., . . . Son, H. Y. (2013). Metabolic syndrome as a predictor of type 2 diabetes, and its clinical interpretations and usefulness. Journal of diabetes investigation, 4(4), 334-343. doi:10.1111/jdi.12075Silva-Cruz, E. A., & Esparza-Franco, C. H. (2015). Fusión de clasificadores débiles euclidianos, FDA y SVM por a posteriori confidence classification (APCC). Iteckne, 12(2), 119-130. From ://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S169217982015000200003&lng=en&tlng=esSosa Vedia, M. (2012). Frecuencia de síndrome metabólico en consultantes de centros de salud de atención primaria de la zona noreste de la ciudad de córdoba capital. [Tesis de maestria en salud pública]. Universidad Nacional de Cordoba, Cordoba. From http://lildbi.fcm.unc.edu.ar/lildbi/tesis/Sosa_vedia_mara.pdfSuarez-Ortegón, M. F., & Aguilar-de Plata, C. (2016). Prevalence of metabolic syndrome in children aged 5-9 years from southwest colombia: a cross-sectional study. . World journal of pediatrics, 12(4), 477-483. From https://doi.org/10.1007/s12519-016-0008-zSuescún-Carrero, S. H.-C.-P.-S., Fagua-Pacavita, L. H., Bernal-Orduz, F., & CorredorGamba, S. P. (2017). Estilos de vida en estudiantes de una universidad de Boyacá, Colombia. Revista de la Facultad de Medicina, 65(2), 227-231. doi:https://doi.org/10.15446/revfacmed.v65n2.58640Urina-Jassir, D., Urina-Triana, M., Balaguera-Mendoza, J., Montenegro-Rolong, L., UrinaJassir, M., & Urina-Triana, M. (2016). Prevalencia del síndrome metabólico en hipertensos estadio I. Revista Colombiana de Cardiología, 23(5), 365-374. doi:10.1016/j.rccar.2016.02.004Villalobos Sánchez, C. J., Mosquera Chacón, J. P., & Tovar Cortés, H. (2011). Prevalencia del síndrome metabólico en consulta de medicina interna Hospital de San José de Bogotá DC. septiembre 2009 - marzo 2010. Revista Repertorio De Medicina Y Cirugía, 20(2), 93-102. From https://doi.org/10.31260/RepertMedCir.v20.n2.2011.682Villarreal Mendoza, M. (2020). Asociación de los componentes del síndrome metabólico con la fuerza prensil y masa muscular en trabajadores de la Universidad Nacional de Colombia, sede Bogotá. [Tesis de pregrado]. Universidad Nacional de Colombia, BogotáY, G. P., J, B. A., & JA., C.-A. (2016). Prevalencia de dislipidemias en una institución prestadora de servicios de Medellín (Colombia). Revista CES Medicina, 2013, 30(1). From http://www.scielo.org.co/pdf/cesm/v30n1/v30n1a01.pdfYu, C. S., Lin, Y. J., Lin, C. H., Lin, S. Y., Wu, J. L., & Chang, S. S. (2020). Development of an Online Health Care Assessment for Preventive Medicine: A Machine Learning Approach. Journal of medical Internet research, 22(6), e18585. Retrieved from https://doi.org/10.2196/18585ORIGINAL2021_Tesis_Angelica_Pinilla_Galvis.pdf2021_Tesis_Angelica_Pinilla_Galvis.pdfTesisapplication/pdf2717672https://repository.unab.edu.co/bitstream/20.500.12749/13792/1/2021_Tesis_Angelica_Pinilla_Galvis.pdf94d14d3639ee400c82500c03a05fce00MD51open access2021_Licencia_Angelica_Pinilla_Galvis.pdf2021_Licencia_Angelica_Pinilla_Galvis.pdfLicenciaapplication/pdf1703247https://repository.unab.edu.co/bitstream/20.500.12749/13792/2/2021_Licencia_Angelica_Pinilla_Galvis.pdf5e9a311581a9074e9ab1c0df7b3bff40MD52metadata only accessLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repository.unab.edu.co/bitstream/20.500.12749/13792/3/license.txt8a4605be74aa9ea9d79846c1fba20a33MD53open accessTHUMBNAIL2021_Tesis_Angelica_Pinilla_Galvis.pdf.jpg2021_Tesis_Angelica_Pinilla_Galvis.pdf.jpgIM Thumbnailimage/jpeg4740https://repository.unab.edu.co/bitstream/20.500.12749/13792/4/2021_Tesis_Angelica_Pinilla_Galvis.pdf.jpg2d74b250c8d0ec768add2a014c28163cMD54open access2021_Licencia_Angelica_Pinilla_Galvis.pdf.jpg2021_Licencia_Angelica_Pinilla_Galvis.pdf.jpgIM Thumbnailimage/jpeg13224https://repository.unab.edu.co/bitstream/20.500.12749/13792/5/2021_Licencia_Angelica_Pinilla_Galvis.pdf.jpg1b7e98832b83a0f03f5b837506205b9bMD55metadata only access20.500.12749/13792oai:repository.unab.edu.co:20.500.12749/137922021-08-12 18:01:20.844open accessRepositorio Institucional | Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.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 |