Desarrollo de un software predictor para determinar la periodicidad del mantenimiento preventivo de los monitores de signos vitales de la unidad de cuidados intensivos de una institución prestadora de servicios de salud
El objetivo del presente proyecto es desarrollar un software predictor para determinar la cantidad de mantenimientos anuales que tendrá un monitor de signos vitales con el fin de ajustar la periodicidad de mantenimientos preventivos para dichos equipos. Para lograr esto, se realiza la creación de un...
- Autores:
-
Vargas Silva, Juan Pablo
López Salas, Carlos Julián
- 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:20.500.12749/13962
- Acceso en línea:
- http://hdl.handle.net/20.500.12749/13962
- Palabra clave:
- Biomedical engineering
Engineering
Medical electronics
Biological physics
Bioengineering
Medical instruments and apparatus
Medicine
Predictor software
Software
Maintenance
Clinical engineering
Ingeniería biomédica
Ingeniería
Biofísica
Bioingeniería
Medicina
Software
Mantenimiento
Ingeniería clínica
Electrónica médica
Instrumentos y aparatos médicos
Software predictor
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-nd/2.5/co/
| id |
UNAB2_615bfcae1b49c2f56f7eec3b2d31785d |
|---|---|
| oai_identifier_str |
oai:repository.unab.edu.co:20.500.12749/13962 |
| network_acronym_str |
UNAB2 |
| network_name_str |
Repositorio UNAB |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Desarrollo de un software predictor para determinar la periodicidad del mantenimiento preventivo de los monitores de signos vitales de la unidad de cuidados intensivos de una institución prestadora de servicios de salud |
| dc.title.translated.spa.fl_str_mv |
Development of predictive software to determine the periodicity of preventive maintenance of vital signs monitors in the intensive care unit of an institution providing health services |
| title |
Desarrollo de un software predictor para determinar la periodicidad del mantenimiento preventivo de los monitores de signos vitales de la unidad de cuidados intensivos de una institución prestadora de servicios de salud |
| spellingShingle |
Desarrollo de un software predictor para determinar la periodicidad del mantenimiento preventivo de los monitores de signos vitales de la unidad de cuidados intensivos de una institución prestadora de servicios de salud Biomedical engineering Engineering Medical electronics Biological physics Bioengineering Medical instruments and apparatus Medicine Predictor software Software Maintenance Clinical engineering Ingeniería biomédica Ingeniería Biofísica Bioingeniería Medicina Software Mantenimiento Ingeniería clínica Electrónica médica Instrumentos y aparatos médicos Software predictor |
| title_short |
Desarrollo de un software predictor para determinar la periodicidad del mantenimiento preventivo de los monitores de signos vitales de la unidad de cuidados intensivos de una institución prestadora de servicios de salud |
| title_full |
Desarrollo de un software predictor para determinar la periodicidad del mantenimiento preventivo de los monitores de signos vitales de la unidad de cuidados intensivos de una institución prestadora de servicios de salud |
| title_fullStr |
Desarrollo de un software predictor para determinar la periodicidad del mantenimiento preventivo de los monitores de signos vitales de la unidad de cuidados intensivos de una institución prestadora de servicios de salud |
| title_full_unstemmed |
Desarrollo de un software predictor para determinar la periodicidad del mantenimiento preventivo de los monitores de signos vitales de la unidad de cuidados intensivos de una institución prestadora de servicios de salud |
| title_sort |
Desarrollo de un software predictor para determinar la periodicidad del mantenimiento preventivo de los monitores de signos vitales de la unidad de cuidados intensivos de una institución prestadora de servicios de salud |
| dc.creator.fl_str_mv |
Vargas Silva, Juan Pablo López Salas, Carlos Julián |
| dc.contributor.advisor.none.fl_str_mv |
Morales Cordero, Mario Fernando Amado Forero, Lusvin Javier Arizmendi Pereira, Carlos Julio |
| dc.contributor.author.none.fl_str_mv |
Vargas Silva, Juan Pablo López Salas, Carlos Julián |
| dc.contributor.cvlac.spa.fl_str_mv |
Morales Cordero, Mario Fernando [0001460371] Arizmendi Pereira, Carlos Julio [0001381550] |
| dc.contributor.googlescholar.spa.fl_str_mv |
Arizmendi Pereira, Carlos Julio [JgT_je0AAAAJ&hl=es&oi=ao] |
| dc.contributor.orcid.spa.fl_str_mv |
Morales Cordero, Mario Fernando [0000-0001-7536-3162] Amado Forero, Lusvin Javier [0000-0001-5104-9080] |
| dc.contributor.researchgate.spa.fl_str_mv |
Amado Forero, Lusvin Javier [0001376723] Arizmendi Pereira, Carlos Julio [Carlos-Arizmendi] |
| dc.subject.keywords.spa.fl_str_mv |
Biomedical engineering Engineering Medical electronics Biological physics Bioengineering Medical instruments and apparatus Medicine Predictor software Software Maintenance Clinical engineering |
| topic |
Biomedical engineering Engineering Medical electronics Biological physics Bioengineering Medical instruments and apparatus Medicine Predictor software Software Maintenance Clinical engineering Ingeniería biomédica Ingeniería Biofísica Bioingeniería Medicina Software Mantenimiento Ingeniería clínica Electrónica médica Instrumentos y aparatos médicos Software predictor |
| dc.subject.lemb.spa.fl_str_mv |
Ingeniería biomédica Ingeniería Biofísica Bioingeniería Medicina Software Mantenimiento |
| dc.subject.proposal.spa.fl_str_mv |
Ingeniería clínica Electrónica médica Instrumentos y aparatos médicos Software predictor |
| description |
El objetivo del presente proyecto es desarrollar un software predictor para determinar la cantidad de mantenimientos anuales que tendrá un monitor de signos vitales con el fin de ajustar la periodicidad de mantenimientos preventivos para dichos equipos. Para lograr esto, se realiza la creación de una base de datos con la cual se entrena el sistema predictor haciendo uso de métodos de regresión como lo son: regresión logística multinomial, regresión no lineal, regresión lineal y regresión por pasos. Además de esto se implementa PCA (análisis principal de componentes) y FSRNCA (selección de características mediante análisis de componentes de vecindad para regresión) como métodos de reducción de dimensionalidad. Para la codificación del software se hace uso de los lenguajes de programación Matlab y Python, así mismo, se implementa como modelo predictor el método de regresión por pasos junto con el método de reducción de dimensionalidad PCA, obteniendo un porcentaje de acierto en la implementación de aproximadamente 65 % con una desviación estándar de aproximadamente ±24. |
| publishDate |
2021 |
| dc.date.accessioned.none.fl_str_mv |
2021-08-23T21:00:26Z |
| dc.date.available.none.fl_str_mv |
2021-08-23T21:00:26Z |
| 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/20.500.12749/13962 |
| 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/20.500.12749/13962 |
| 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 |
Abdi, H., & Williams, L. J. (2010). Principal component analysis. Wiley Interdisciplinary Reviews: Computational Statistics, 2(4), 433–459. https://doi.org/10.1002/wics.101 Orozco, D., (2013). Aproximación Del Uso De Redes Neuronales En Mantenimiento Azcuy Castro, A., & Miranda Pedroso, R. (2019). Mortalidad en unidad de cuidados intensivos en hospital provincial pinareño. Universidad Médica Pinareña, 15(2), 176-183. Recuperado de http://www.revgaleno.sld.cu/index.php/ump/article/view/338 Badnjević, A., Gurbeta P., Hasičić, M., Bandić, L., Mašetić, Z., Kovačević, Ž., Kevrić, J., & Pecchia, L. (2019). Evidence-based clinical engineering: Machine learning algorithms for prediction of defibrillator performance. Biomedical Signal Processing and Control, 54. https://doi.org/10.1016/j.bspc.2019.101629 Butte, S., Prashanth, A., & Patil, S. (2018) "Machine Learning Based Predictive Maintenance Strategy: A Super Learning Approach with Deep Neural Networks,". https://doi.org/10.1109 /WMED.2018.8360836 Carvalho, T., Soares, F., Vita, R., Francisco, R., Basto, J.P., & Alcalá, S.G. (2019). A systematic literature review of machine learning methods applied to predictive maintenance. Comput. Ind. Eng., 137 Centro Nacional de Excelencia Tecnológica en Salud. (2005). Guía Tecnológica No. 13: Monitor de Signos Vitales. http://www.cenetec.salud.gob.mx/descargas/biomedica/guias _tecnologicas/13gt_monitores.pdf Chandler, D. (2020). Machine-learning tool could help develop tougher materials [online]. MIT News. Retrieved on September 29, 2020 from:https://news.mit.edu/ 2020/machine-learning-develop-materials-0520 Cruz, A., Barr, C., & Puñales-Pozo, E. (2008). Building a New Predictor for Multiple Linear Regression Technique-based Corrective Maintenance Turnaround Time. Revista de Salud Pública, 10(5), 808–817. https://doi.org/10.1590/s0124-0064200800050001. Directions, A. (2007). Principal Component Analysis ( PCA ) Principal Component Analysis ( PCA ). Statistics, June, 1–12. Dueñas, M. (2011). Modelos de respuesta discreta en R y aplicación con datos reales, pp. 3–11 Elsheikh, A. H., Sharshir, S. W., Abd Elaziz, M., Kabeel, A. E., Guilan, W., & Haiou, Z. (2019). Modeling of solar energy systems using artificial neural network: A comprehensive review. Solar Energy, 180(January), 622–639. https://doi.org/10.1016/j.solener.2019.01.037 Faraway, J. (2004). Linear Models with R, pp. 2-14. ISBN 9781439887332 Finn, V. & Zabezhailo, M. (2017). Intelligent data analysis and machine learning: Are they really equivalent Concepts?. Second Russia and Pacific Conference on Computer Technology and Applications (RPC), Vladivostok, pp. 59-63. https://ieeexplore.ieee.org/document/8168068 Fundación Cardiovascular de Colombia. (2017). Monitor de Signos Vitales – Sing Care. http://www.fcv.org/site/investigacion/innovacion/monitor-de-signos-vitales-sing-care Gregory, A. (2014). At least 1,400 'killed by NHS equipment failures' - and worker shortage means fatalities are rising [online]. Daily Mirror. Recuperado el 4 de septiembre de 2020 de https://www.mirror.co.uk/news/uk-news/least-1400-killed-nhs-equipment-3909340 Hrvat, F., Spahic, L., Pokvic, L., & Badnjevic, A. (2020). Artificial Neural Networks for Prediction of Medical Device Performance based on Conformity Assessment Data: Infusion and perfusor pumps case study. 2020 9th Mediterranean Conference on Embded Computing, MECO 2020, 8–11. https://doi.org/10.1109/MECO49872.2020. 9134359 Iadanza, E., Gonnelli, V., Satta, F., & Gherardelli, M. (2019). Evidence-based medical equipment management: a convenient implementation. Medical and Biological Engineering and Computing, 57(10), 2215–2230. https://doi.org/10.1007/s11517-019-02021-x Instituto Nacional de Vigilancia de Medicamentos y Alimentos. (2019). Guía para Manejo, Mantenimiento y Limpieza de Equipos Utilizados en Bancos de Tejidos y Banco de Gametos. https://www.invima.gov.co/documents/20143/492008/ASS-AYC-GU016.pdf Jamshidi, A., Rahimi, S. A., Ait-Kadi, D., & Bartolome, A. R. (2014). Medical devices inspection and maintenance; a literature review. IIE Annual Conference and Expo 2014, January, 3895–3904 Jollife, I. T., & Cadima, J. (2016). Principal component analysis: A review and recent developments. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 374(2065). https://doi.org/10.1098/rsta.2015.0202 Le, T., Luo, M., Zhou, J., & Chan, H. L. (2014). Predictive maintenance decision using statistical linear regression and kernel methods. 19th IEEE International Conference on Emerging Technologies and Factory Automation, ETFA 2014. https://doi.org/10.1109/ETFA.2014.7005357 Lee, W. J., Wu, H., Yun, H., Kim, H., Jun, M. B. G., & Sutherland, J. W. (2019). Predictive maintenance of machine tool systems using artificial intelligence techniques applied to machine condition data. Procedia CIRP, 80, 506–511. https://doi.org/10.1016/j.procir.2018.12.019 Leyes, L., Verga, F., Godino, M., & Barbato, M. (2016). Tiempo de deterioro clínico extra UCI y sobrevida: una casuística. Revista Médica Del Uruguay, 32(4), 281–288. Marín Diazaraque, J. M. (2007). Introducción a las redes neuronales aplicadas. Manual Data, 1–31. halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/DM/tema3dm.pdf MathWorks. (2020). Centro de ayuda. 2021.https://la.mathworks.com/help/stats/ fitnlm.html Medrano, J., Medrano, E., & Medrano, J. (2016). Utilización de la Unidad de Cuidados Intensivos en el Hospital Vladimir Ilich Lenin. Correo Científico Médico, 20(2), 250–265. Microsoft ( 2019). Decimal y numeric (Transact-SQL). https://docs.microsoft.com/es es/sql/t-sql/data-types/decimal-and-numeric-transact-sql?view=sql-server ver15#:~:text= Los%20sinónimos%20ISO%20para%20decimal,dec(%20p%2C%20s%20)%20 Ministerio de la Protección Social. (2015). Sistema de Reporte de Seguridad en la Unidad de Cuidados Intensivos.https://www.minsalud.gov.co/sites/rid/1/Sistema%20de%20 reporte%20de%20seguridad%20en%20la%20Unidad%20de%20Cuidado%20Intensivo.pdf Ministerio de Salud y Protección Social. (2005). Política Nacional de Prestación de Servicios de Salud. https://www.minsalud.gov.co/Ministerio/Documents/Politica Nacional de Prestación de Servicios de Salud.pdf Ministerio de Salud y Protección Social. (2016). Política de Atención Integral en Salud. https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/DE/modelo-pais 2016.pdf Mok, W. Q., Wang, W., & Liaw, S. Y. (2015). Vital signs monitoring to detect patient deterioration: An integrative literature review. In International Journal of Nursing Practice (Vol. 21, Issue S2, pp. 91–98). https://doi.org/10.1111/ijn.12329 Montgomery, D., Peck, E. & Vining, G. (2012). Introduction to Linear Regression Analysis. ISBN 978-0-470-54281-1 Newmarker, C. (2014). 9 Ways Medical Devices Fail. Medical Device and Diagnostic Industry Online. Retrieved on September 29, 2020 from: https://www.mddionline.com/business/9-ways-medical-devices-fail Norving, P. & Russel, S. (2010). Artificial Intelligence: A Modern Approach, New Jersey. ISBN-13: 978-0-13-604259 Organización Mundial de la Salud (2019). 10 datos sobre la seguridad del paciente. www.who.int Recuperado el 6 de septiembre de 2020 de https://www.who.int/features/factfiles/patient_safety/es/ Ospina, N. (2010). EPS, IPS, POS… el glosario de la salud [en línea]. El Colombiano. Recuperado el 25 de octubre del 2020 de https://www.elcolombiano.com/historico/ eps_ips_pos_el_glosario_de_la_salud-JVec_95936 Prasad, R., Deo, R. C., Li, Y., & Maraseni, T. (2018). Ensemble committee-based data intelligent approach for generating soil moisture forecasts with multivariate hydro meteorological predictors. Soil and Tillage Research, 181(February), 63–81. https://doi.org/10.1016/j.still.2018.03.021 Riordan, J., (1958), Introduction to Combinatorial Analysis, New York, EE.UU., John Wiley Rodríguez, M. & Mora, R. (2001). Estadística informática : casos y ejemplos con el SPSS, capítulo 4, Análisis de Regresión Múltiple. ISBN 8479086386 Ruckstuhl, A. (2010). Introduction to Nonlinear Regression. IDP Institut für Datenanalyse und Prozessdesign, ZHAW Zürcher Hochschule für Angewandte Wissenschaften Sánchez, E. Ramírez, C. (2000). Regresión logística en salud pública, pp. 12-42. ISBN 9788487385537 Thomas, A. N., & Galvin, I. (2008). Patient safety incidents associated with equipment in critical care: A review of reports to the UK National Patient Safety Agency. Anaesthesia, 63(11), 1193–1197. https://doi.org/10.1111/j.1365-2044.2008.05607.x Tobar, F. (2017). La atención de la salud. Ministerio de salud de Argentina. Recuperado el 8 de octubre del 2020 de http://www.salud.gob.ar/dels/entradas/la-atencion-de-la-salud Valencia Guerrón, M. A. (2019). Comparación de métodos de reducción de dimensionalidad enfocados a algoritmos de clasificación supervisados aplicado a datos de redes de sensores [Tesis de pregrado, Universidad Técnica del Norte]. Recuperado de http://repositorio.utn.edu.ec/handle/123456789/9652 Weil, K. (2009). Alarming monitor problems. Nursing 2009 Yang, W., Wang, K., & Zuo, W. (2012). Neighborhood component feature selection for high-dimensional data. Journal of Computers, 7(1), 162–168. https://doi.org/10.4304/jcp.7.1.161-168 |
| 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/20.500.12749/13962/1/2021_Tesis_Juan_Pablo_Vargas.pdf https://repository.unab.edu.co/bitstream/20.500.12749/13962/2/2021_Licencia_Juan_Pablo_Vargas.pdf https://repository.unab.edu.co/bitstream/20.500.12749/13962/3/license.txt https://repository.unab.edu.co/bitstream/20.500.12749/13962/4/2021_Tesis_Juan_Pablo_Vargas.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/13962/5/2021_Licencia_Juan_Pablo_Vargas.pdf.jpg |
| bitstream.checksum.fl_str_mv |
7db4cc386529c50ea5d48373debdc1b5 8434724def5e8b9a550531759b9246bb 8a4605be74aa9ea9d79846c1fba20a33 9f5d613f88a79f52a51d99c90556d633 c41c06ab79aab3dd8b3184cf12cabea9 |
| 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_ |
1814277754497007616 |
| spelling |
Morales Cordero, Mario FernandoAmado Forero, Lusvin JavierArizmendi Pereira, Carlos JulioVargas Silva, Juan PabloLópez Salas, Carlos JuliánMorales Cordero, Mario Fernando [0001460371]Arizmendi Pereira, Carlos Julio [0001381550]Arizmendi Pereira, Carlos Julio [JgT_je0AAAAJ&hl=es&oi=ao]Morales Cordero, Mario Fernando [0000-0001-7536-3162]Amado Forero, Lusvin Javier [0000-0001-5104-9080]Amado Forero, Lusvin Javier [0001376723]Arizmendi Pereira, Carlos Julio [Carlos-Arizmendi]Colombia2021-08-23T21:00:26Z2021-08-23T21:00:26Z2021http://hdl.handle.net/20.500.12749/13962instname:Universidad Autónoma de Bucaramanga - UNABreponame:Repositorio Institucional UNABrepourl:https://repository.unab.edu.coEl objetivo del presente proyecto es desarrollar un software predictor para determinar la cantidad de mantenimientos anuales que tendrá un monitor de signos vitales con el fin de ajustar la periodicidad de mantenimientos preventivos para dichos equipos. Para lograr esto, se realiza la creación de una base de datos con la cual se entrena el sistema predictor haciendo uso de métodos de regresión como lo son: regresión logística multinomial, regresión no lineal, regresión lineal y regresión por pasos. Además de esto se implementa PCA (análisis principal de componentes) y FSRNCA (selección de características mediante análisis de componentes de vecindad para regresión) como métodos de reducción de dimensionalidad. Para la codificación del software se hace uso de los lenguajes de programación Matlab y Python, así mismo, se implementa como modelo predictor el método de regresión por pasos junto con el método de reducción de dimensionalidad PCA, obteniendo un porcentaje de acierto en la implementación de aproximadamente 65 % con una desviación estándar de aproximadamente ±24.Capítulo 1. Problema u oportunidad ................................................................................ 11 1.1 Descripción .................................................................................................................. 11 1.2 Pregunta de investigación ............................................................................................ 12 1.3 Objetivos ...................................................................................................................... 13 1.3.1 Objetivo general ..................................................................................................... 13 1.3.2 Objetivos específicos .............................................................................................. 13 Capítulo 2. Marco teórico y estado del arte ..................................................................... 14 2.1 Marco teórico ............................................................................................................... 14 2.2 Estado del Arte ............................................................................................................. 20 2.2.1 Contexto internacional ........................................................................................... 20 2.2.2 Contexto nacional ................................................................................................... 26 2.2.3 Contexto local......................................................................................................... 27 Capítulo 3. Metodología ..................................................................................................... 28 3.1 Etapa 1. Recopilación de información y creación de la base de datos ......................... 28 3.1.1 Recopilación de información.................................................................................. 28 3.1.2 Creación de la base de datos................................................................................... 29 3.2 Etapa 2. Entrenamiento y pruebas del sistema predictor ............................................. 30 3.2.1 Entrenamiento del sistema predictor ...................................................................... 30 3.2.1.1 Regresión logística multinomial ...................................................................... 32 3.2.1.2 Regresión no lineal .......................................................................................... 33 3.2.1.3 Regresión lineal ............................................................................................... 34 3.2.1.4 Regresión por pasos ........................................................................................ 34 3.2.1.5 Reducción de dimensionalidad ........................................................................ 34 3.2.1.5.1 FSRNCA ................................................................................................. 34 3.2.1.5.2 PCA ......................................................................................................... 36 3.2.2 Pruebas del sistema predictor ................................................................................. 37 3.2.2.1 Regresión logísitica multinomial .................................................................... 37 3.2.2.2 Regresión no lineal .......................................................................................... 37 3.2.2.3 Regresión lineal ............................................................................................... 38 3.2.2.4 Regresión por pasos ....................................................................................... 38 3.3 Etapa 3. Desarrollo del software .................................................................................. 38 3.3.1 Elección del modelo predictor ................................................................................ 38 3.3.2 Codificación de la función predictora .................................................................... 39 3.3.3 Desarrollo interfaz gráfica ..................................................................................... 39 3.4 Etapa 4. Implementación y pruebas ............................................................................. 41 Capítulo 4. Resultados ........................................................................................................ 48 4.1 Presentación de resultados ........................................................................................... 48 4.1.1 Etapa 1 .................................................................................................................... 48 4.1.2 Etapa 2 .................................................................................................................... 49 4.1.2.1 Regresión logística multinomial ...................................................................... 49 4.1.2.2 Regresión lineal ............................................................................................... 49 4.1.2.3 Regresión por pasos ........................................................................................ 50 4.1.3 Etapa 3 .................................................................................................................... 50 4.1.4 Etapa 4 .................................................................................................................... 53 4.2 Análisis de resultados ................................................................................................... 59 4.2.1 Etapa 1 .................................................................................................................... 59 4.2.2 Etapa 2 .................................................................................................................... 60 4.2.3 Etapa 3 .................................................................................................................... 61 4.2.4 Etapa 4 .................................................................................................................... 61 Capítulo 5. Conclusiones y recomendaciones .................................................................. 63 5.1 Conclusiones ................................................................................................................ 63 5.2 Recomendaciones ......................................................................................................... 64 Capítulo 6. Trabajo a futuro ............................................................................................. 65 Bibliografía .......................................................................................................................... 66 Anexos .................................................................................................................................. 73PregradoThe objective of this project is to develop predictive software to determine the amount of annual maintenance that a vital signs monitor will have in order to adjust the periodicity of preventive maintenance for said equipment. To achieve this, a database is created with which the predictor system is trained using regression methods such as: multinomial logistic regression, nonlinear regression, linear regression and stepwise regression. In addition to this, PCA (principal component analysis) and FSRNCA (feature selection by neighborhood component analysis for regression) are implemented as dimensionality reduction methods. For the coding of the software, the programming languages Matlab and Python are used, likewise, the stepwise regression method is implemented as a predictor model together with the PCA dimensionality reduction method, obtaining a percentage of success in the implementation of approximately 65% with a standard deviation of approximately ± 24.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 software predictor para determinar la periodicidad del mantenimiento preventivo de los monitores de signos vitales de la unidad de cuidados intensivos de una institución prestadora de servicios de saludDevelopment of predictive software to determine the periodicity of preventive maintenance of vital signs monitors in the intensive care unit of an institution providing health servicesIngeniero 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 apparatusMedicinePredictor softwareSoftwareMaintenanceClinical engineeringIngeniería biomédicaIngenieríaBiofísicaBioingenieríaMedicinaSoftwareMantenimientoIngeniería clínicaElectrónica médicaInstrumentos y aparatos médicosSoftware predictorAbdi, H., & Williams, L. J. (2010). Principal component analysis. Wiley Interdisciplinary Reviews: Computational Statistics, 2(4), 433–459. https://doi.org/10.1002/wics.101Orozco, D., (2013). Aproximación Del Uso De Redes Neuronales En MantenimientoAzcuy Castro, A., & Miranda Pedroso, R. (2019). Mortalidad en unidad de cuidados intensivos en hospital provincial pinareño. Universidad Médica Pinareña, 15(2), 176-183. Recuperado de http://www.revgaleno.sld.cu/index.php/ump/article/view/338Badnjević, A., Gurbeta P., Hasičić, M., Bandić, L., Mašetić, Z., Kovačević, Ž., Kevrić, J., & Pecchia, L. (2019). Evidence-based clinical engineering: Machine learning algorithms for prediction of defibrillator performance. Biomedical Signal Processing and Control, 54. https://doi.org/10.1016/j.bspc.2019.101629Butte, S., Prashanth, A., & Patil, S. (2018) "Machine Learning Based Predictive Maintenance Strategy: A Super Learning Approach with Deep Neural Networks,". https://doi.org/10.1109 /WMED.2018.8360836Carvalho, T., Soares, F., Vita, R., Francisco, R., Basto, J.P., & Alcalá, S.G. (2019). A systematic literature review of machine learning methods applied to predictive maintenance. Comput. Ind. Eng., 137Centro Nacional de Excelencia Tecnológica en Salud. (2005). Guía Tecnológica No. 13: Monitor de Signos Vitales. http://www.cenetec.salud.gob.mx/descargas/biomedica/guias _tecnologicas/13gt_monitores.pdfChandler, D. (2020). Machine-learning tool could help develop tougher materials [online]. MIT News. Retrieved on September 29, 2020 from:https://news.mit.edu/ 2020/machine-learning-develop-materials-0520Cruz, A., Barr, C., & Puñales-Pozo, E. (2008). Building a New Predictor for Multiple Linear Regression Technique-based Corrective Maintenance Turnaround Time. Revista de Salud Pública, 10(5), 808–817. https://doi.org/10.1590/s0124-0064200800050001.Directions, A. (2007). Principal Component Analysis ( PCA ) Principal Component Analysis ( PCA ). Statistics, June, 1–12.Dueñas, M. (2011). Modelos de respuesta discreta en R y aplicación con datos reales, pp. 3–11Elsheikh, A. H., Sharshir, S. W., Abd Elaziz, M., Kabeel, A. E., Guilan, W., & Haiou, Z. (2019). Modeling of solar energy systems using artificial neural network: A comprehensive review. Solar Energy, 180(January), 622–639. https://doi.org/10.1016/j.solener.2019.01.037Faraway, J. (2004). Linear Models with R, pp. 2-14. ISBN 9781439887332 Finn, V. & Zabezhailo, M. (2017). Intelligent data analysis and machine learning: Are they really equivalent Concepts?. Second Russia and Pacific Conference on Computer Technology and Applications (RPC), Vladivostok, pp. 59-63. https://ieeexplore.ieee.org/document/8168068Fundación Cardiovascular de Colombia. (2017). Monitor de Signos Vitales – Sing Care. http://www.fcv.org/site/investigacion/innovacion/monitor-de-signos-vitales-sing-careGregory, A. (2014). At least 1,400 'killed by NHS equipment failures' - and worker shortage means fatalities are rising [online]. Daily Mirror. Recuperado el 4 de septiembre de 2020 de https://www.mirror.co.uk/news/uk-news/least-1400-killed-nhs-equipment-3909340Hrvat, F., Spahic, L., Pokvic, L., & Badnjevic, A. (2020). Artificial Neural Networks for Prediction of Medical Device Performance based on Conformity Assessment Data: Infusion and perfusor pumps case study. 2020 9th Mediterranean Conference on Embded Computing, MECO 2020, 8–11. https://doi.org/10.1109/MECO49872.2020. 9134359Iadanza, E., Gonnelli, V., Satta, F., & Gherardelli, M. (2019). Evidence-based medical equipment management: a convenient implementation. Medical and Biological Engineering and Computing, 57(10), 2215–2230. https://doi.org/10.1007/s11517-019-02021-xInstituto Nacional de Vigilancia de Medicamentos y Alimentos. (2019). Guía para Manejo, Mantenimiento y Limpieza de Equipos Utilizados en Bancos de Tejidos y Banco de Gametos. https://www.invima.gov.co/documents/20143/492008/ASS-AYC-GU016.pdfJamshidi, A., Rahimi, S. A., Ait-Kadi, D., & Bartolome, A. R. (2014). Medical devices inspection and maintenance; a literature review. IIE Annual Conference and Expo 2014, January, 3895–3904Jollife, I. T., & Cadima, J. (2016). Principal component analysis: A review and recent developments. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 374(2065). https://doi.org/10.1098/rsta.2015.0202Le, T., Luo, M., Zhou, J., & Chan, H. L. (2014). Predictive maintenance decision using statistical linear regression and kernel methods. 19th IEEE International Conference on Emerging Technologies and Factory Automation, ETFA 2014. https://doi.org/10.1109/ETFA.2014.7005357Lee, W. J., Wu, H., Yun, H., Kim, H., Jun, M. B. G., & Sutherland, J. W. (2019). Predictive maintenance of machine tool systems using artificial intelligence techniques applied to machine condition data. Procedia CIRP, 80, 506–511. https://doi.org/10.1016/j.procir.2018.12.019Leyes, L., Verga, F., Godino, M., & Barbato, M. (2016). Tiempo de deterioro clínico extra UCI y sobrevida: una casuística. Revista Médica Del Uruguay, 32(4), 281–288.Marín Diazaraque, J. M. (2007). Introducción a las redes neuronales aplicadas. Manual Data, 1–31. halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/DM/tema3dm.pdfMathWorks. (2020). Centro de ayuda. 2021.https://la.mathworks.com/help/stats/ fitnlm.htmlMedrano, J., Medrano, E., & Medrano, J. (2016). Utilización de la Unidad de Cuidados Intensivos en el Hospital Vladimir Ilich Lenin. Correo Científico Médico, 20(2), 250–265.Microsoft ( 2019). Decimal y numeric (Transact-SQL). https://docs.microsoft.com/es es/sql/t-sql/data-types/decimal-and-numeric-transact-sql?view=sql-server ver15#:~:text= Los%20sinónimos%20ISO%20para%20decimal,dec(%20p%2C%20s%20)%20Ministerio de la Protección Social. (2015). Sistema de Reporte de Seguridad en la Unidad de Cuidados Intensivos.https://www.minsalud.gov.co/sites/rid/1/Sistema%20de%20 reporte%20de%20seguridad%20en%20la%20Unidad%20de%20Cuidado%20Intensivo.pdfMinisterio de Salud y Protección Social. (2005). Política Nacional de Prestación de Servicios de Salud. https://www.minsalud.gov.co/Ministerio/Documents/Politica Nacional de Prestación de Servicios de Salud.pdfMinisterio de Salud y Protección Social. (2016). Política de Atención Integral en Salud. https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/DE/modelo-pais 2016.pdfMok, W. Q., Wang, W., & Liaw, S. Y. (2015). Vital signs monitoring to detect patient deterioration: An integrative literature review. In International Journal of Nursing Practice (Vol. 21, Issue S2, pp. 91–98). https://doi.org/10.1111/ijn.12329Montgomery, D., Peck, E. & Vining, G. (2012). Introduction to Linear Regression Analysis. ISBN 978-0-470-54281-1Newmarker, C. (2014). 9 Ways Medical Devices Fail. Medical Device and Diagnostic Industry Online. Retrieved on September 29, 2020 from: https://www.mddionline.com/business/9-ways-medical-devices-failNorving, P. & Russel, S. (2010). Artificial Intelligence: A Modern Approach, New Jersey. ISBN-13: 978-0-13-604259Organización Mundial de la Salud (2019). 10 datos sobre la seguridad del paciente. www.who.int Recuperado el 6 de septiembre de 2020 de https://www.who.int/features/factfiles/patient_safety/es/Ospina, N. (2010). EPS, IPS, POS… el glosario de la salud [en línea]. El Colombiano. Recuperado el 25 de octubre del 2020 de https://www.elcolombiano.com/historico/ eps_ips_pos_el_glosario_de_la_salud-JVec_95936Prasad, R., Deo, R. C., Li, Y., & Maraseni, T. (2018). Ensemble committee-based data intelligent approach for generating soil moisture forecasts with multivariate hydro meteorological predictors. Soil and Tillage Research, 181(February), 63–81. https://doi.org/10.1016/j.still.2018.03.021Riordan, J., (1958), Introduction to Combinatorial Analysis, New York, EE.UU., John WileyRodríguez, M. & Mora, R. (2001). Estadística informática : casos y ejemplos con el SPSS, capítulo 4, Análisis de Regresión Múltiple. ISBN 8479086386Ruckstuhl, A. (2010). Introduction to Nonlinear Regression. IDP Institut für Datenanalyse und Prozessdesign, ZHAW Zürcher Hochschule für Angewandte WissenschaftenSánchez, E. Ramírez, C. (2000). Regresión logística en salud pública, pp. 12-42. ISBN 9788487385537Thomas, A. N., & Galvin, I. (2008). Patient safety incidents associated with equipment in critical care: A review of reports to the UK National Patient Safety Agency. Anaesthesia, 63(11), 1193–1197. https://doi.org/10.1111/j.1365-2044.2008.05607.xTobar, F. (2017). La atención de la salud. Ministerio de salud de Argentina. Recuperado el 8 de octubre del 2020 de http://www.salud.gob.ar/dels/entradas/la-atencion-de-la-saludValencia Guerrón, M. A. (2019). Comparación de métodos de reducción de dimensionalidad enfocados a algoritmos de clasificación supervisados aplicado a datos de redes de sensores [Tesis de pregrado, Universidad Técnica del Norte]. Recuperado de http://repositorio.utn.edu.ec/handle/123456789/9652Weil, K. (2009). Alarming monitor problems. Nursing 2009Yang, W., Wang, K., & Zuo, W. (2012). Neighborhood component feature selection for high-dimensional data. Journal of Computers, 7(1), 162–168. https://doi.org/10.4304/jcp.7.1.161-168ORIGINAL2021_Tesis_Juan_Pablo_Vargas.pdf2021_Tesis_Juan_Pablo_Vargas.pdfTesisapplication/pdf2062312https://repository.unab.edu.co/bitstream/20.500.12749/13962/1/2021_Tesis_Juan_Pablo_Vargas.pdf7db4cc386529c50ea5d48373debdc1b5MD51open access2021_Licencia_Juan_Pablo_Vargas.pdf2021_Licencia_Juan_Pablo_Vargas.pdfLicenciaapplication/pdf960834https://repository.unab.edu.co/bitstream/20.500.12749/13962/2/2021_Licencia_Juan_Pablo_Vargas.pdf8434724def5e8b9a550531759b9246bbMD52metadata only accessLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repository.unab.edu.co/bitstream/20.500.12749/13962/3/license.txt8a4605be74aa9ea9d79846c1fba20a33MD53open accessTHUMBNAIL2021_Tesis_Juan_Pablo_Vargas.pdf.jpg2021_Tesis_Juan_Pablo_Vargas.pdf.jpgIM Thumbnailimage/jpeg4961https://repository.unab.edu.co/bitstream/20.500.12749/13962/4/2021_Tesis_Juan_Pablo_Vargas.pdf.jpg9f5d613f88a79f52a51d99c90556d633MD54open access2021_Licencia_Juan_Pablo_Vargas.pdf.jpg2021_Licencia_Juan_Pablo_Vargas.pdf.jpgIM Thumbnailimage/jpeg10631https://repository.unab.edu.co/bitstream/20.500.12749/13962/5/2021_Licencia_Juan_Pablo_Vargas.pdf.jpgc41c06ab79aab3dd8b3184cf12cabea9MD55open access20.500.12749/13962oai:repository.unab.edu.co:20.500.12749/139622021-08-23 18:01:26.24open accessRepositorio Institucional | Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.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 |