Prototipo funcional para apoyar el diagnóstico de infarto agudo de miocardio

El objetivo principal del proyecto es implementar un prototipo de apoyo para el diagnóstico de infarto agudo de miocardio, permitiendo validar a partir de datos registrados un análisis más certero, optimo y eficaz para el personal encargado. El proceso comenzó mediante el levantamiento de informació...

Full description

Autores:: Jiménez Barragán, Jorge Luis

Tipo de recurso:: Trabajo de grado de pregrado

Fecha de publicación:: 2020

Institución:: Universidad Autónoma de Bucaramanga - UNAB

Repositorio:: Repositorio UNAB

Idioma:: spa

id	UNAB2_ee1c1de89a53785f91a6e2935f59f334
oai_identifier_str	oai:repository.unab.edu.co:20.500.12749/13914
network_acronym_str	UNAB2
network_name_str	Repositorio UNAB
repository_id_str
dc.title.spa.fl_str_mv	Prototipo funcional para apoyar el diagnóstico de infarto agudo de miocardio
dc.title.translated.spa.fl_str_mv	Functional prototype to support the diagnosis of acute myocardial infarction
title	Prototipo funcional para apoyar el diagnóstico de infarto agudo de miocardio
spellingShingle	Prototipo funcional para apoyar el diagnóstico de infarto agudo de miocardio Systems engineer Technological innovations Analysis Data Records Acute myocardial infarction Data base Report Prototype Prototype development Medical prognosis Machine learning Ingeniería de sistemas Innovaciones tecnológicas Desarrollo de prototipos Pronostico médico Aprendizaje automático Análisis Datos Registros Infarto agudo de miocardio Base de datos Reporte Prototipo
title_short	Prototipo funcional para apoyar el diagnóstico de infarto agudo de miocardio
title_full	Prototipo funcional para apoyar el diagnóstico de infarto agudo de miocardio
title_fullStr	Prototipo funcional para apoyar el diagnóstico de infarto agudo de miocardio
title_full_unstemmed	Prototipo funcional para apoyar el diagnóstico de infarto agudo de miocardio
title_sort	Prototipo funcional para apoyar el diagnóstico de infarto agudo de miocardio
dc.creator.fl_str_mv	Jiménez Barragán, Jorge Luis
dc.contributor.advisor.none.fl_str_mv	Zapata García, Angélica María Cáceres Becerra, Claudia Isabel
dc.contributor.author.none.fl_str_mv	Jiménez Barragán, Jorge Luis
dc.contributor.cvlac.spa.fl_str_mv	Zapata García, Angélica María [0001359256] Cáceres Becerra, Claudia Isabel [0000095759]
dc.contributor.googlescholar.spa.fl_str_mv	Cáceres Becerra, Claudia Isabel [UtICHzcAAAAJ&hl=es&oi=ao]
dc.contributor.orcid.none.fl_str_mv	Cáceres Becerra, Claudia Isabel [0000-0002-2211-774X]
dc.contributor.researchgate.spa.fl_str_mv	Cáceres Becerra, Claudia Isabel [Claudia-Caceres-Becerra]
dc.contributor.apolounab.none.fl_str_mv	Cáceres Becerra, Claudia Isabel [claudia-isabel-cáceres-becerra]
dc.contributor.linkedin.none.fl_str_mv	Cáceres Becerra, Claudia Isabel [claudia-isabel-cáceres-becerra-22092835]
dc.subject.keywords.spa.fl_str_mv	Systems engineer Technological innovations Analysis Data Records Acute myocardial infarction Data base Report Prototype Prototype development Medical prognosis Machine learning
topic	Systems engineer Technological innovations Analysis Data Records Acute myocardial infarction Data base Report Prototype Prototype development Medical prognosis Machine learning Ingeniería de sistemas Innovaciones tecnológicas Desarrollo de prototipos Pronostico médico Aprendizaje automático Análisis Datos Registros Infarto agudo de miocardio Base de datos Reporte Prototipo
dc.subject.lemb.spa.fl_str_mv	Ingeniería de sistemas Innovaciones tecnológicas Desarrollo de prototipos Pronostico médico Aprendizaje automático
dc.subject.proposal.spa.fl_str_mv	Análisis Datos Registros Infarto agudo de miocardio Base de datos Reporte Prototipo
description	El objetivo principal del proyecto es implementar un prototipo de apoyo para el diagnóstico de infarto agudo de miocardio, permitiendo validar a partir de datos registrados un análisis más certero, optimo y eficaz para el personal encargado. El proceso comenzó mediante el levantamiento de información de los diferentes factores en el proceso de la determinación de un diagnóstico del periodo comprendido del 2015 al 2020. Se realizó el análisis correspondiente de flujo de datos que intervinieron en el proceso, para la creación de los modelos entidad relación y diagramas UML para consultas de los usuarios registrados en el área de medicina general y cardiología. Todo el proceso se basa en una generación de archivos con el principal objetivo de validar los registros entendibles para el usuario para realizar una toma de decisiones por medio de datos. El lenguaje de programación empleado en la elaboración de la aplicación fue Python dispuesto como requerimiento por los involucrados. Por lo expuesto anterior, se podrá señalar que, como parte del desarrollo del presente tema de tesis, se implementará una herramienta que ayudará a los profesionales de la salud, a obtener reportes más eficientes y óptimos, análisis de datos, optimizando recursos y tiempo.
publishDate	2020
dc.date.issued.none.fl_str_mv	2020
dc.date.accessioned.none.fl_str_mv	2021-08-19T18:54:15Z
dc.date.available.none.fl_str_mv	2021-08-19T18:54:15Z
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/20.500.12749/13914
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/20.500.12749/13914
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	Albis, I. (5 de Noviembre de 2019). Vanguardia. Obtenido de https://www.vanguardia.com/area-metropolitana/bucaramanga/de-que-seestan-muriendo-los-santandereanos-BD1630993 arsys. (29 de Marzo de 2017). Obtenido de https://www.arsys.es/blog/programacion/redis-la-nube/ Así Vamos en Salud. (2 de Abril de 2020). Obtenido de TASA DE MORTALIDAD POR ENFERMEDADES ISQUÉMICAS DEL CORAZÓN – GEOREFERENCIADO: https://www.asivamosensalud.org/indicadores/enfermedades-cronicas-notransmisibles/tasa-de-mortalidad-por-enfermedades-isquemicas AWS. (s.f.). Obtenido de https://aws.amazon.com/es/elasticache/what-is-redis/ AWS. (s.f.). Obtenido de https://aws.amazon.com/es/dynamodb/ AWS. (s.f.). Obtenido de https://aws.amazon.com/es/dynamodb/features/ AWS. (s.f.). Obtenido de https://aws.amazon.com/es/architecture/?solutionsall.sort-by=item.additionalFields.sortDate&solutions-all.sortorder=desc&whitepapers-main.sortby=item.additionalFields.sortDate&whitepapers-main.sortorder=desc&reference-architecture.sort-by=item.additio AWS. (s.f.). Obtenido de https://aws.amazon.com/es/emr/features/hbase/ Baoss. (2 de Agosto de 2014). Obtenido de https://www.baoss.es/que-escassandra/ BBVA. (24 de Mayo de 2015). Obtenido de https://bbvaopen4u.com/es/actualidad/neo4j-que-es-y-para-que-sirve-unabase-de-datos-orientada-grafos Bedoya, C., Mendoza, J., & Nieto, O. (2016). Prevalencia de infarto de miocardio en un programa de riesgo cardiovascular de una institución prestadora de salud en Armenia---Quindío. Revista Colombiana de Cardiología, 7. Big Data Dummy. (25 de Enero de 2017). Obtenido de https://bigdatadummy.com/2017/01/25/hbase/#arquitectura Bigeek. (28 de Junio de 2018). Obtenido de https://blog.bi-geek.com/redis-paraprincipiantes/ Calvachi, P., Barrios, D., Puccinib, M., Mojica, H., Delgadilloa, D., Gómeza, M., . . . Buitragoa, A. F. (2017). Frecuencia de los tipos de infarto agudo de miocardio según la tercera definición. Revista Colombiana de Cardiología, 6 Cardio Alianza. (s.f.). Obtenido de https://cardioalianza.org/las-enfermedadescardiovasculares/infarto-de-miocardio Castillo, C. (20 de Noviembre de 2016). SlideShare. Obtenido de https://es.slideshare.net/christianecastillo1/couch-db-69323075 Chacaltana, G. (18 de Mayo de 2018). Solo Código Web. Obtenido de http://www.solocodigoweb.com/blog/2018/05/18/cuando-usar-cassandracuando-usar-mongodb/ Colbert, J. (27 de Mayo de 2014). Prezi. Obtenido de https://prezi.com/aoab9u2hi4z_/couch-db Coll, Y., Valladares, F. d., & González, C. (2016). Infarto agudo de miocardio. Actualización de la Guía de Práctica. Cuba. Commandeur, F., Slomka, P. J., Goeller, M., & Chen, X. (2019). Machine learning to predict the long-termrisk ofmyocardial infarction and cardiac death based on clinical risk, coronary calcium, and epicardial adipose tissue: a prospective study. European Society ok Cardology, 10 Cuidate. (16 de Septiembre de 2015). Obtenido de https://cuidateplus.marca.com/enfermedades/enfermedades-vasculares-ydel-corazon/infarto-miocardio.html Diario La Economía. (09 de Julio de 2019). Obtenido de https://diariolaeconomia.com/trabajo-y-salud/item/4569-colombia-muylejana-de-prevenir-enfermedades-cardiovasculares.html Diez, E. (2010). El diagnóstico médico, problemas crucial en el siglo XXI. Revista Electrónica de las Ciencias Médicas en Cienfuegos, 11. DİKER, A., CÖMERT, Z., & AVCI, E. (2017). Diagnostic Model for Identification of Myocardial Infarction from Electrocardiography Signals. Journal of Science and Technology, 9. Dres. Thygesen K, A. J. (1 de Octubre de 2012). IntraMed. Obtenido de https://www.intramed.net/contenidover.asp?contenidoID=77594 Emori, H., Kubo, T., & Kameyama, T. (2018). Diagnostic Accuracy of Quantitative Flow Ratio for Assessing. Ischemic Heart Disease, 8. Experto en Big Data. (8 de Marzo de 2018). Obtenido de https://expertoenbigdata.com/que-esmongodb/#La_arquitectura_de_MongoDB GENBETA. (3 de Febrero de 2014). Obtenido de https://www.genbeta.com/desarrollo/mongodb-que-es-como-funciona-ycuando-podemos-usarlo-o-no Goette, E. (4 de Diciembre de 2018). Obtenido de https://emanuelpeg.blogspot.com/2018/12/ventajas-y-desventajas-de-unabase-de.html Gupta, S., Ko, D. T., Azizi, P., Bouadjenek, M. R., Koh, M., Alice Chong, P. A., & Sanner, S. (2019). Evaluation of Machine Learning Algorithms for Predicting Readmission after Acute Myocardial Infarction Using Routinely Collected Clinical Data. Canadian Journal of Cardiology, 31 Iannattone, P., VanHoutten, J., Garg, A., & Huynh, T. (2019). Artificial Intelligence for Diagnosis of Acute Coronary Syndromes: A Meta-Analysis of Mixed Methods of Machine Learning. Canadian Journal of Cardiology, 28 IBM Cloud Free Tier. (6 de Agosto de 2019). Obtenido de https://www.ibm.com/cloud/learn/couchdb Internet y Tecnologías de la Información. (2018). Obtenido de https://www.paraisodigital.org/internet/couchdb.html KidsHealth. (s.f.). Obtenido de https://kidshealth.org/es/parents/labtest4-esp.html Kojuri, J., Boostani, R., Dehghani, P., Nowroozipour, F., & Saki, N. (2015). Prediction of acute myocardial infarction with artificial neural. Cardiovascular research center, 9 Li, Y.-m., Jiang, L.-c., He, J.-j., Ji, K.-y., Peng, Y., & Chen, M. (2020). Machine Learning to Predict the 1-Year Mortality Rate After Acute Anterior Myocardial Infarction in Chinese Patients. Therapeutics and Clinical Risk Management, 6. Mannil, M., Spiczak, J. v., Manka, R., & Alkadhi, H. (2018). Texture Analysis and Machine Learning for Detecting Myocardial. 6. Mayo Clinic. (s.f.). Obtenido de https://www.mayoclinic.org/es-es/testsprocedures/x-ray/about/pac-20395303 MYTHILI, S., & MALATHI, N. (2015). Diagnostic markers of acute myocardial infarction. India. O'Donoghue, M., Morrow, D., Cannon, C., & Jarolim, P. (2017). Multimarker Risk Stratification in Patients With Acute Myocardial Infarction. American Heart Association, 28 OpenWebinars. (28 de Octubre de 2019). Obtenido de https://openwebinars.net/blog/que-es-mongodb/ Os Enterprise. (s.f.). Obtenido de http://www.osenterprise.com.pe/web/redis P., M., Pickering, J. W., & Sandoval, Y. (2019). Machine Learning to Predict the Likelihood of Acute Myocardial Infarction. CIRCULATIONAHA, 29. Paradigma. (2018). Obtenido de https://www.paradigmadigital.com/dev/neo4jtrabajando-grafos/ Payrovnaziri, S., Laura Barrett, D. B., Bian, J., & He, Z. (2019). Enhancing Prediction Models for One-Year Mortality in Patients with Acute Myocardial. Health and Wellbeing e-Networks for All, 5. Pérez, P. (s.f.). Fundación Española del Corazón. Obtenido de https://fundaciondelcorazon.com/informacion-para-pacientes/metodosdiagnosticos/cateterismo-cardiaco.html Pineda, J. (30 de Septiembre de 2019). Vanguardia. Obtenido de https://www.vanguardia.com/area-metropolitana/bucaramanga/males-alcorazon-santander-registro-2495-muertes-en-2018-YL1490436 Prueba de esfuerzo o ergometría. (s.f.). Obtenido de Cuidate: https://cuidateplus.marca.com/ejercicio-fisico/diccionario/pruebaesfuerzo.html Rivas, P. (2 de Diciembre de 2019). Webconsultas. Obtenido de https://www.webconsultas.com/pruebas-medicas/electrocardiograma-7855 Rouse, M. (Julio de 2017). TechTarget. Obtenido de https://searchdatacenter.techtarget.com/es/definicion/CouchDB Sacyl. (2018). Obtenido de Pruebas utilizadas en el diagnóstico del infarto: https://www.saludcastillayleon.es/AulaPacientes/es/guia-infarto-agudomiocardio/diagnostica/pruebas-utilizadas-diagnostico-infarto Serrano, M. (2019). Conocimientos de enfermería de atención hospitalaria sobre el manejo inicial de pacientes que han sufrido un infarto agudo de miocardio. España Slomka, P. (2018). Machine learning for predicting death and heart attacks from CCTA. Journal of Cardiovascular Computed Tomograph, 7. Texas Heart Institute. (s.f.). Obtenido de https://www.texasheart.org/hearthealth/heart-information-center/topics/signos-de-alerta-del-ataque-cardiaco/ Tinoco, C. (2017). Artificial Intelligence and Machine Learning in Cardiology - A Change of Paradigm. International Journal of Cardiovascular Sciences, 2. tuotromedico. (s.f.). Obtenido de Estudio isotópico: https://www.tuotromedico.com/temas/estudio_isotopico.htm tutorialspoint. (s.f.). Obtenido de https://www.tutorialspoint.com/es/hbase/hbase_overview.htm UFindTech. (31 de Mayo de 2019). Obtenido de https://ufindtech.com/que-esdynamodb/ Valle, A. (s.f.). Fundación Española del Corazón. Obtenido de https://fundaciondelcorazon.com/informacion-para-pacientes/metodosdiagnosticos/ecocardiograma.html Wallert, J., Tomasoni, M., Madison, G., & Held, C. (2017). Predicting two-year survival versus nonsurvival after first myocardial infarction using machine learning and Swedish national register data. BMC Medical Informatics and Decision Making, 11 Wu, X., Yuan, X., Wang, W., Liu, K., Qin, Y., & Ma, X. S. (2020). Value of a Machine Learning Approach for Predicting Clinical Outcomes in Young Patients With Hypertension. 8. Zorrilla, M., & García, D. (Enero de 2017). Gestores NoSQL - Neo4j. Obtenido de https://ocw.unican.es/pluginfile.php/2396/course/section/2473/NoSQL_Tem a2_Neo4j.pdf Zorrilla, M., & García, D. (Enero de 2017). Gestores NoSQL Apache Cassandra. Obtenido de https://ocw.unican.es/pluginfile.php/2396/course/section/2473/NoSQL_Tem a2_Cassandra.pdf
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.coverage.campus.spa.fl_str_mv	UNAB Campus Bucaramanga
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 de Sistemas
institution	Universidad Autónoma de Bucaramanga - UNAB
bitstream.url.fl_str_mv	https://repository.unab.edu.co/bitstream/20.500.12749/13914/1/2021_Tesis_Jorge_Luis_Jimenez.pdf https://repository.unab.edu.co/bitstream/20.500.12749/13914/2/2021_Licencia_Jorge_Luis_Jimenez.pdf https://repository.unab.edu.co/bitstream/20.500.12749/13914/3/license.txt https://repository.unab.edu.co/bitstream/20.500.12749/13914/4/2021_Tesis_Jorge_Luis_Jimenez.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/13914/5/2021_Licencia_Jorge_Luis_Jimenez.pdf.jpg
bitstream.checksum.fl_str_mv	37ac7650f98329de8a5d174a5004a24a 8aa659342ddff7be2556de3bf043e7fd 8a4605be74aa9ea9d79846c1fba20a33 9f50d07bc46bf3cf82dd659d0f9ae260 525123880360aa500464a8f6fac6975e
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_	1814277806178172928
spelling	Zapata García, Angélica Maríaf2d452fc-f80f-4b3b-9afb-771d5834a0bc-1Cáceres Becerra, Claudia Isabel4373d90b-3e31-42ab-b2b9-add42ae900c9-1Jiménez Barragán, Jorge Luis4eaf63c1-05ae-42ac-a5fb-66e8f6d7be59-1Zapata García, Angélica María [0001359256]Cáceres Becerra, Claudia Isabel [0000095759]Cáceres Becerra, Claudia Isabel [UtICHzcAAAAJ&hl=es&oi=ao]Cáceres Becerra, Claudia Isabel [0000-0002-2211-774X]Cáceres Becerra, Claudia Isabel [Claudia-Caceres-Becerra]Cáceres Becerra, Claudia Isabel [claudia-isabel-cáceres-becerra]Cáceres Becerra, Claudia Isabel [claudia-isabel-cáceres-becerra-22092835]ColombiaUNAB Campus Bucaramanga2021-08-19T18:54:15Z2021-08-19T18:54:15Z2020http://hdl.handle.net/20.500.12749/13914instname:Universidad Autónoma de Bucaramanga - UNABreponame:Repositorio Institucional UNABrepourl:https://repository.unab.edu.coEl objetivo principal del proyecto es implementar un prototipo de apoyo para el diagnóstico de infarto agudo de miocardio, permitiendo validar a partir de datos registrados un análisis más certero, optimo y eficaz para el personal encargado. El proceso comenzó mediante el levantamiento de información de los diferentes factores en el proceso de la determinación de un diagnóstico del periodo comprendido del 2015 al 2020. Se realizó el análisis correspondiente de flujo de datos que intervinieron en el proceso, para la creación de los modelos entidad relación y diagramas UML para consultas de los usuarios registrados en el área de medicina general y cardiología. Todo el proceso se basa en una generación de archivos con el principal objetivo de validar los registros entendibles para el usuario para realizar una toma de decisiones por medio de datos. El lenguaje de programación empleado en la elaboración de la aplicación fue Python dispuesto como requerimiento por los involucrados. Por lo expuesto anterior, se podrá señalar que, como parte del desarrollo del presente tema de tesis, se implementará una herramienta que ayudará a los profesionales de la salud, a obtener reportes más eficientes y óptimos, análisis de datos, optimizando recursos y tiempo.INTRODUCCIÓN ..................................................................................................... 1 1. PLANTEAMIENTO DEL PROBLEMA ............................................................... 3 2. PREGUNTA DE INVESTIGACIÓN ..................................................................... 5 2.1. HIPÓTESIS ...................................................................................................... 5 2.1.1. Hipótesis principal ...................................................................................... 5 2.1.2. Hipótesis alternativas ................................................................................. 5 3. JUSTIFICACIÓN ................................................................................................ 6 4. OBJETIVOS ....................................................................................................... 7 4.1. OBJETIVO GENERAL .................................................................................... 7 4.2. OBJETIVOS ESPECÍFICOS ........................................................................... 7 5. MARCO REFERENCIAL .................................................................................... 8 5.1. MARCO CONCEPTUAL .................................................................................. 8 5.1.1. Infarto agudo de miocardio ........................................................................ 8 5.1.2. Base de datos no relacionales ................................................................... 8 5.1.3. Machine Learning ....................................................................................... 9 5.1.4. Diagnóstico ................................................................................................. 9 5.1.5. Enfermedad cardíaca .................................................................................. 9 5.2. MARCO TEÓRICO ........................................................................................ 10 5.2.1. Mongodb .................................................................................................... 10 5.2.2. Python ........................................................................................................ 13 5.2.3. Regresión logística ................................................................................... 15 6. ANTECEDENTES ............................................................................................. 17 7. ESTADO DEL ARTE ........................................................................................ 19 8. MARCO LEGAL ............................................................................................... 38 8.1. OBJETIVO DE DESARROLLO SOSTENIBLE 9 “INDUSTRIA, INNOVACIÓN E INFRAESTRUCTURA” ...................................................................................... 38 8.2. RESOLUCIÓN 8430 DE 1993 ....................................................................... 39 8.3. LEY ESTATUTARIA 1266 DE 2008 .............................................................. 39 8.4. LEY 1581 DE 2012 PROTECCIÓN DE DATOS ............................................ 39 8.5. DECRETO 1377 DE 2013 .............................................................................. 40 8.6. LEY 2015 DEL 31 DE ENERO DE 2020 ....................................................... 40 9. METODOLOGÍA ............................................................................................... 41 9.1. FASE 1: RECOLECCIÓN DE DATOS .......................................................... 41 9.2. FASE 2: DISEÑO DEL PROTOTIPO FUNCIONAL ...................................... 42 9.3. FASE 3: CONSTRUCCIÓN DEL PROTOTIPO FUNCIONAL ....................... 43 9.4. FASE 4: EVALUACIÓN DEL PROTOTIPO FUNCIONAL ............................ 43 10. POBLACIÓN Y MUESTRA ............................................................................. 44 11. CRONOGRAMA DE ACTIVIDADES .............................................................. 46 12. PRESUPUESTO ............................................................................................. 47 13. DESARROLLO TRABAJO DE GRADO ......................................................... 48 14. INTERPRETACIÓN DE RESULTADOS OBTENIDOS ................................... 50 14.1. PARÁMETROS DEL INFARTO AGUDO DE MIOCARDIO ........................ 51 14.2. IMPLEMENTACIONES DE MACHINE LEARNING EN CARDIOLOGÍA .... 64 14.3. DIAGRAMAS UML Y ENTIDAD-RELACIÓN .............................................. 72 14.3.1. Diagrama de clases................................................................................. 72 14.3.2. Diagrama de caso de uso ....................................................................... 73 14.3.3. Diagrama de actividades: ECU-001 Ingreso al sistema ....................... 74 14.3.4. Diagrama de actividades: ECU-002 Datos del paciente ....................... 75 14.3.5. Diagrama de actividades: ECU-003 Registro motivo de consulta ...... 76 14.3.6. Diagrama de actividades: ECU-004 Registro de exploración física ... 77 14.3.7. Diagrama de actividades: ECU-005 Resultados del diagnóstico ........ 78 14.3.8. Diagrama Entidad-Relación ................................................................... 79 14.4. CONSTRUCCIÓN DEL PROTOTIPO FUNCIONAL PARA APOYAR EL DIAGNÓSTICO DE INFARTO DE MIOCARDIO ................................................... 79 14.4.1. Diagrama de componentes .................................................................... 80 14.5. Validación del prototipo funcional para apoyar el diagnóstico de IAM 81 14.5.1. Pestaña de Inicio de sesión ................................................................... 81 14.5.2. Pestaña de información personal del paciente .................................... 82 14.5.3. Pestaña de factores de riesgo ............................................................... 83 14.5.4. Pestaña de antecedentes ....................................................................... 84 14.5.5. Pestaña de motivo de la consulta ......................................................... 85 14.5.6. Pestaña de los valores de parámetros de la exploración física ......... 86 14.5.7. Pestaña de resultado del diagnóstico ................................................... 87 15. CONCLUSIONES ........................................................................................... 89 16. RECOMENDACIONES ................................................................................... 91 17. TRABAJOS A FUTURO ................................................................................. 92 BIBLIOGRAFÍA ..................................................................................................... 93 ANEXOS ................................................................................................................ 98PregradoThe main objective of the project is to support the diagnosis of acute myocardial infarction that allows validating through data, decision-making about the pathology Acute Myocardial Infarction. The process began by gathering information on the different factors in the process of determining a diagnosis for the period from 2015 to 2020. The corresponding analysis of the data flow that intervened in the process was carried out, for the creation of the models. entity relationship and UML diagrams for consultations of registered users in the area of general medicine and cardiology. The entire process is based on the generation of files with the main objective of validating the records that are understandable to the user in order to make decisions through data. The programming language used in the development of the application was Python provided as a requirement by those involved. Due to the foregoing, it may be noted that, as part of the development of this thesis topic, a tool will be implemented that will help health professionals to obtain more efficient and optimal reports, data analysis, optimizing resources and time.Modalidad Presencialapplication/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 ColombiaPrototipo funcional para apoyar el diagnóstico de infarto agudo de miocardioFunctional prototype to support the diagnosis of acute myocardial infarctionIngeniero de SistemasUniversidad Autónoma de Bucaramanga UNABFacultad IngenieríaPregrado Ingeniería de Sistemasinfo:eu-repo/semantics/bachelorThesisTrabajo de Gradohttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/redcol/resource_type/TPSystems engineerTechnological innovationsAnalysisDataRecordsAcute myocardial infarctionData baseReportPrototypePrototype developmentMedical prognosisMachine learningIngeniería de sistemasInnovaciones tecnológicasDesarrollo de prototiposPronostico médicoAprendizaje automáticoAnálisisDatosRegistrosInfarto agudo de miocardioBase de datosReportePrototipoAlbis, I. (5 de Noviembre de 2019). Vanguardia. Obtenido de https://www.vanguardia.com/area-metropolitana/bucaramanga/de-que-seestan-muriendo-los-santandereanos-BD1630993arsys. (29 de Marzo de 2017). Obtenido de https://www.arsys.es/blog/programacion/redis-la-nube/Así Vamos en Salud. (2 de Abril de 2020). Obtenido de TASA DE MORTALIDAD POR ENFERMEDADES ISQUÉMICAS DEL CORAZÓN – GEOREFERENCIADO: https://www.asivamosensalud.org/indicadores/enfermedades-cronicas-notransmisibles/tasa-de-mortalidad-por-enfermedades-isquemicasAWS. (s.f.). Obtenido de https://aws.amazon.com/es/elasticache/what-is-redis/AWS. (s.f.). Obtenido de https://aws.amazon.com/es/dynamodb/AWS. (s.f.). Obtenido de https://aws.amazon.com/es/dynamodb/features/AWS. (s.f.). Obtenido de https://aws.amazon.com/es/architecture/?solutionsall.sort-by=item.additionalFields.sortDate&solutions-all.sortorder=desc&whitepapers-main.sortby=item.additionalFields.sortDate&whitepapers-main.sortorder=desc&reference-architecture.sort-by=item.additioAWS. (s.f.). Obtenido de https://aws.amazon.com/es/emr/features/hbase/Baoss. (2 de Agosto de 2014). Obtenido de https://www.baoss.es/que-escassandra/BBVA. (24 de Mayo de 2015). Obtenido de https://bbvaopen4u.com/es/actualidad/neo4j-que-es-y-para-que-sirve-unabase-de-datos-orientada-grafosBedoya, C., Mendoza, J., & Nieto, O. (2016). Prevalencia de infarto de miocardio en un programa de riesgo cardiovascular de una institución prestadora de salud en Armenia---Quindío. Revista Colombiana de Cardiología, 7.Big Data Dummy. (25 de Enero de 2017). Obtenido de https://bigdatadummy.com/2017/01/25/hbase/#arquitecturaBigeek. (28 de Junio de 2018). Obtenido de https://blog.bi-geek.com/redis-paraprincipiantes/Calvachi, P., Barrios, D., Puccinib, M., Mojica, H., Delgadilloa, D., Gómeza, M., . . . Buitragoa, A. F. (2017). Frecuencia de los tipos de infarto agudo de miocardio según la tercera definición. Revista Colombiana de Cardiología, 6Cardio Alianza. (s.f.). Obtenido de https://cardioalianza.org/las-enfermedadescardiovasculares/infarto-de-miocardioCastillo, C. (20 de Noviembre de 2016). SlideShare. Obtenido de https://es.slideshare.net/christianecastillo1/couch-db-69323075Chacaltana, G. (18 de Mayo de 2018). Solo Código Web. Obtenido de http://www.solocodigoweb.com/blog/2018/05/18/cuando-usar-cassandracuando-usar-mongodb/Colbert, J. (27 de Mayo de 2014). Prezi. Obtenido de https://prezi.com/aoab9u2hi4z_/couch-dbColl, Y., Valladares, F. d., & González, C. (2016). Infarto agudo de miocardio. Actualización de la Guía de Práctica. Cuba.Commandeur, F., Slomka, P. J., Goeller, M., & Chen, X. (2019). Machine learning to predict the long-termrisk ofmyocardial infarction and cardiac death based on clinical risk, coronary calcium, and epicardial adipose tissue: a prospective study. European Society ok Cardology, 10Cuidate. (16 de Septiembre de 2015). Obtenido de https://cuidateplus.marca.com/enfermedades/enfermedades-vasculares-ydel-corazon/infarto-miocardio.htmlDiario La Economía. (09 de Julio de 2019). Obtenido de https://diariolaeconomia.com/trabajo-y-salud/item/4569-colombia-muylejana-de-prevenir-enfermedades-cardiovasculares.htmlDiez, E. (2010). El diagnóstico médico, problemas crucial en el siglo XXI. Revista Electrónica de las Ciencias Médicas en Cienfuegos, 11.DİKER, A., CÖMERT, Z., & AVCI, E. (2017). Diagnostic Model for Identification of Myocardial Infarction from Electrocardiography Signals. Journal of Science and Technology, 9.Dres. Thygesen K, A. J. (1 de Octubre de 2012). IntraMed. Obtenido de https://www.intramed.net/contenidover.asp?contenidoID=77594Emori, H., Kubo, T., & Kameyama, T. (2018). Diagnostic Accuracy of Quantitative Flow Ratio for Assessing. Ischemic Heart Disease, 8.Experto en Big Data. (8 de Marzo de 2018). Obtenido de https://expertoenbigdata.com/que-esmongodb/#La_arquitectura_de_MongoDBGENBETA. (3 de Febrero de 2014). Obtenido de https://www.genbeta.com/desarrollo/mongodb-que-es-como-funciona-ycuando-podemos-usarlo-o-noGoette, E. (4 de Diciembre de 2018). Obtenido de https://emanuelpeg.blogspot.com/2018/12/ventajas-y-desventajas-de-unabase-de.htmlGupta, S., Ko, D. T., Azizi, P., Bouadjenek, M. R., Koh, M., Alice Chong, P. A., & Sanner, S. (2019). Evaluation of Machine Learning Algorithms for Predicting Readmission after Acute Myocardial Infarction Using Routinely Collected Clinical Data. Canadian Journal of Cardiology, 31Iannattone, P., VanHoutten, J., Garg, A., & Huynh, T. (2019). Artificial Intelligence for Diagnosis of Acute Coronary Syndromes: A Meta-Analysis of Mixed Methods of Machine Learning. Canadian Journal of Cardiology, 28IBM Cloud Free Tier. (6 de Agosto de 2019). Obtenido de https://www.ibm.com/cloud/learn/couchdbInternet y Tecnologías de la Información. (2018). Obtenido de https://www.paraisodigital.org/internet/couchdb.htmlKidsHealth. (s.f.). Obtenido de https://kidshealth.org/es/parents/labtest4-esp.htmlKojuri, J., Boostani, R., Dehghani, P., Nowroozipour, F., & Saki, N. (2015). Prediction of acute myocardial infarction with artificial neural. Cardiovascular research center, 9Li, Y.-m., Jiang, L.-c., He, J.-j., Ji, K.-y., Peng, Y., & Chen, M. (2020). Machine Learning to Predict the 1-Year Mortality Rate After Acute Anterior Myocardial Infarction in Chinese Patients. Therapeutics and Clinical Risk Management, 6.Mannil, M., Spiczak, J. v., Manka, R., & Alkadhi, H. (2018). Texture Analysis and Machine Learning for Detecting Myocardial. 6.Mayo Clinic. (s.f.). Obtenido de https://www.mayoclinic.org/es-es/testsprocedures/x-ray/about/pac-20395303MYTHILI, S., & MALATHI, N. (2015). Diagnostic markers of acute myocardial infarction. India.O'Donoghue, M., Morrow, D., Cannon, C., & Jarolim, P. (2017). Multimarker Risk Stratification in Patients With Acute Myocardial Infarction. American Heart Association, 28OpenWebinars. (28 de Octubre de 2019). Obtenido de https://openwebinars.net/blog/que-es-mongodb/Os Enterprise. (s.f.). Obtenido de http://www.osenterprise.com.pe/web/redisP., M., Pickering, J. W., & Sandoval, Y. (2019). Machine Learning to Predict the Likelihood of Acute Myocardial Infarction. CIRCULATIONAHA, 29.Paradigma. (2018). Obtenido de https://www.paradigmadigital.com/dev/neo4jtrabajando-grafos/Payrovnaziri, S., Laura Barrett, D. B., Bian, J., & He, Z. (2019). Enhancing Prediction Models for One-Year Mortality in Patients with Acute Myocardial. Health and Wellbeing e-Networks for All, 5.Pérez, P. (s.f.). Fundación Española del Corazón. Obtenido de https://fundaciondelcorazon.com/informacion-para-pacientes/metodosdiagnosticos/cateterismo-cardiaco.htmlPineda, J. (30 de Septiembre de 2019). Vanguardia. Obtenido de https://www.vanguardia.com/area-metropolitana/bucaramanga/males-alcorazon-santander-registro-2495-muertes-en-2018-YL1490436Prueba de esfuerzo o ergometría. (s.f.). Obtenido de Cuidate: https://cuidateplus.marca.com/ejercicio-fisico/diccionario/pruebaesfuerzo.htmlRivas, P. (2 de Diciembre de 2019). Webconsultas. Obtenido de https://www.webconsultas.com/pruebas-medicas/electrocardiograma-7855Rouse, M. (Julio de 2017). TechTarget. Obtenido de https://searchdatacenter.techtarget.com/es/definicion/CouchDBSacyl. (2018). Obtenido de Pruebas utilizadas en el diagnóstico del infarto: https://www.saludcastillayleon.es/AulaPacientes/es/guia-infarto-agudomiocardio/diagnostica/pruebas-utilizadas-diagnostico-infartoSerrano, M. (2019). Conocimientos de enfermería de atención hospitalaria sobre el manejo inicial de pacientes que han sufrido un infarto agudo de miocardio. EspañaSlomka, P. (2018). Machine learning for predicting death and heart attacks from CCTA. Journal of Cardiovascular Computed Tomograph, 7.Texas Heart Institute. (s.f.). Obtenido de https://www.texasheart.org/hearthealth/heart-information-center/topics/signos-de-alerta-del-ataque-cardiaco/Tinoco, C. (2017). Artificial Intelligence and Machine Learning in Cardiology - A Change of Paradigm. International Journal of Cardiovascular Sciences, 2.tuotromedico. (s.f.). Obtenido de Estudio isotópico: https://www.tuotromedico.com/temas/estudio_isotopico.htmtutorialspoint. (s.f.). Obtenido de https://www.tutorialspoint.com/es/hbase/hbase_overview.htmUFindTech. (31 de Mayo de 2019). Obtenido de https://ufindtech.com/que-esdynamodb/Valle, A. (s.f.). Fundación Española del Corazón. Obtenido de https://fundaciondelcorazon.com/informacion-para-pacientes/metodosdiagnosticos/ecocardiograma.htmlWallert, J., Tomasoni, M., Madison, G., & Held, C. (2017). Predicting two-year survival versus nonsurvival after first myocardial infarction using machine learning and Swedish national register data. BMC Medical Informatics and Decision Making, 11Wu, X., Yuan, X., Wang, W., Liu, K., Qin, Y., & Ma, X. S. (2020). Value of a Machine Learning Approach for Predicting Clinical Outcomes in Young Patients With Hypertension. 8.Zorrilla, M., & García, D. (Enero de 2017). Gestores NoSQL - Neo4j. Obtenido de https://ocw.unican.es/pluginfile.php/2396/course/section/2473/NoSQL_Tem a2_Neo4j.pdfZorrilla, M., & García, D. (Enero de 2017). Gestores NoSQL Apache Cassandra. Obtenido de https://ocw.unican.es/pluginfile.php/2396/course/section/2473/NoSQL_Tem a2_Cassandra.pdfORIGINAL2021_Tesis_Jorge_Luis_Jimenez.pdf2021_Tesis_Jorge_Luis_Jimenez.pdfTesisapplication/pdf2535730https://repository.unab.edu.co/bitstream/20.500.12749/13914/1/2021_Tesis_Jorge_Luis_Jimenez.pdf37ac7650f98329de8a5d174a5004a24aMD51open access2021_Licencia_Jorge_Luis_Jimenez.pdf2021_Licencia_Jorge_Luis_Jimenez.pdfLicenciaapplication/pdf99146https://repository.unab.edu.co/bitstream/20.500.12749/13914/2/2021_Licencia_Jorge_Luis_Jimenez.pdf8aa659342ddff7be2556de3bf043e7fdMD52metadata only accessLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repository.unab.edu.co/bitstream/20.500.12749/13914/3/license.txt8a4605be74aa9ea9d79846c1fba20a33MD53open accessTHUMBNAIL2021_Tesis_Jorge_Luis_Jimenez.pdf.jpg2021_Tesis_Jorge_Luis_Jimenez.pdf.jpgIM Thumbnailimage/jpeg4351https://repository.unab.edu.co/bitstream/20.500.12749/13914/4/2021_Tesis_Jorge_Luis_Jimenez.pdf.jpg9f50d07bc46bf3cf82dd659d0f9ae260MD54open access2021_Licencia_Jorge_Luis_Jimenez.pdf.jpg2021_Licencia_Jorge_Luis_Jimenez.pdf.jpgIM Thumbnailimage/jpeg9586https://repository.unab.edu.co/bitstream/20.500.12749/13914/5/2021_Licencia_Jorge_Luis_Jimenez.pdf.jpg525123880360aa500464a8f6fac6975eMD55open access20.500.12749/13914oai:repository.unab.edu.co:20.500.12749/139142024-01-11 11:31:34.19open accessRepositorio Institucional \| Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.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

Prototipo funcional para apoyar el diagnóstico de infarto agudo de miocardio

Publicaciones similares