Modelo predictivo para la ocurrencia de leishmaniasis cutánea en Colombia, a partir de variables ambientales y socioeconómicas

ilustraciones, gráficas, tablas

Autores:: Salazar Mora, José Daniel

Tipo de recurso:

Fecha de publicación:: 2021

Institución:: Universidad Nacional de Colombia

Repositorio:: Universidad Nacional de Colombia

Idioma:: spa

id	UNACIONAL2_5881be64fc2617a06c4236ea03c114e2
oai_identifier_str	oai:repositorio.unal.edu.co:unal/80442
network_acronym_str	UNACIONAL2
network_name_str	Universidad Nacional de Colombia
repository_id_str
dc.title.spa.fl_str_mv	Modelo predictivo para la ocurrencia de leishmaniasis cutánea en Colombia, a partir de variables ambientales y socioeconómicas
dc.title.translated.eng.fl_str_mv	Predictive model for the occurrence of cutaneous leishmaniasis in Colombia, based on environmental and socioeconomic variables
title	Modelo predictivo para la ocurrencia de leishmaniasis cutánea en Colombia, a partir de variables ambientales y socioeconómicas
spellingShingle	Modelo predictivo para la ocurrencia de leishmaniasis cutánea en Colombia, a partir de variables ambientales y socioeconómicas 000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores Leishmaniasis, Cutaneous Leishmaniasis Cutánea Digital computer simulation Simulation methods Simulación por computadores digitales Métodos de simulación Modelo predictivo leishmaniasis Ciencia de datos Inteligencia artificial Leishmaniasis cutánea Epidemiología Series de tiempo Machine learning Predictive model Cutaneous leishmaniasis Forecasting model Epidemiology Data science Artificial intelligence Time series
title_short	Modelo predictivo para la ocurrencia de leishmaniasis cutánea en Colombia, a partir de variables ambientales y socioeconómicas
title_full	Modelo predictivo para la ocurrencia de leishmaniasis cutánea en Colombia, a partir de variables ambientales y socioeconómicas
title_fullStr	Modelo predictivo para la ocurrencia de leishmaniasis cutánea en Colombia, a partir de variables ambientales y socioeconómicas
title_full_unstemmed	Modelo predictivo para la ocurrencia de leishmaniasis cutánea en Colombia, a partir de variables ambientales y socioeconómicas
title_sort	Modelo predictivo para la ocurrencia de leishmaniasis cutánea en Colombia, a partir de variables ambientales y socioeconómicas
dc.creator.fl_str_mv	Salazar Mora, José Daniel
dc.contributor.advisor.none.fl_str_mv	Niño Vásquez, Luis Fernando Gutiérrez Torres, Juan David
dc.contributor.author.none.fl_str_mv	Salazar Mora, José Daniel
dc.contributor.researchgroup.spa.fl_str_mv	Laboratorio de investigación en sistemas inteligentes (LISI)
dc.subject.ddc.spa.fl_str_mv	000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores
topic	000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores Leishmaniasis, Cutaneous Leishmaniasis Cutánea Digital computer simulation Simulation methods Simulación por computadores digitales Métodos de simulación Modelo predictivo leishmaniasis Ciencia de datos Inteligencia artificial Leishmaniasis cutánea Epidemiología Series de tiempo Machine learning Predictive model Cutaneous leishmaniasis Forecasting model Epidemiology Data science Artificial intelligence Time series
dc.subject.decs.eng.fl_str_mv	Leishmaniasis, Cutaneous
dc.subject.decs.spa.fl_str_mv	Leishmaniasis Cutánea
dc.subject.lemb.eng.fl_str_mv	Digital computer simulation Simulation methods
dc.subject.lemb.spa.fl_str_mv	Simulación por computadores digitales Métodos de simulación
dc.subject.proposal.spa.fl_str_mv	Modelo predictivo leishmaniasis Ciencia de datos Inteligencia artificial Leishmaniasis cutánea Epidemiología Series de tiempo
dc.subject.proposal.eng.fl_str_mv	Machine learning Predictive model Cutaneous leishmaniasis Forecasting model Epidemiology Data science Artificial intelligence Time series
description	ilustraciones, gráficas, tablas
publishDate	2021
dc.date.accessioned.none.fl_str_mv	2021-10-08T14:40:28Z
dc.date.available.none.fl_str_mv	2021-10-08T14:40:28Z
dc.date.issued.none.fl_str_mv	2021-10-07
dc.type.spa.fl_str_mv	Trabajo de grado - Maestría
dc.type.driver.spa.fl_str_mv	info:eu-repo/semantics/masterThesis
dc.type.version.spa.fl_str_mv	info:eu-repo/semantics/acceptedVersion
dc.type.content.spa.fl_str_mv	Text
dc.type.redcol.spa.fl_str_mv	http://purl.org/redcol/resource_type/TM
status_str	acceptedVersion
dc.identifier.uri.none.fl_str_mv	https://repositorio.unal.edu.co/handle/unal/80442
dc.identifier.instname.spa.fl_str_mv	Universidad Nacional de Colombia
dc.identifier.reponame.spa.fl_str_mv	Repositorio Institucional Universidad Nacional de Colombia
dc.identifier.repourl.spa.fl_str_mv	https://repositorio.unal.edu.co/
url	https://repositorio.unal.edu.co/handle/unal/80442 https://repositorio.unal.edu.co/
identifier_str_mv	Universidad Nacional de Colombia Repositorio Institucional Universidad Nacional de Colombia
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.indexed.spa.fl_str_mv	Bireme
dc.relation.references.spa.fl_str_mv	[1] Agudelo, J. Informe de evento de leishmaniasis. Colombia, 2017. [2] Zambrano, P. Leishmaniasis. Colombia: Bogotá, Instituto Nacional de Salud 2014. [3] Sociedad colombiana de infectología. Guía 2I. Guía de atención de la leishmaniasis. Ministerio de la protección social, Colombia. [4] Medical Care Development International. Leishmaniosis: ciclo biológico. Disponible en: https://www.mcdinternational.org/trainings/malaria/spanish/dpdx/HTML/Frames/G-L/Leishmaniasis/body_Leishmaniasis_pg1#Life%20Cycle [5] Leishmaniosis: ciclo biológico de la leishmania y transmisión. 20 AV 16. Leishmaniosis. Disponible en: http://axonveterinaria.net/web_axoncomunicacion/auxiliarveterinario/20/AV_20_16-19_Leishmaniosis_ciclo_transmision.pdf [6] Hernández, A., Gutiérrez, J., Xiao, Y., Branscum, A. & Cuadros, D. Spatial epidemiology of cutaneous leishmaniasis in Colombia: socioeconomic and demographic factors associated with a growing epidemic. The royal society tropical medicine & hygiene. 2019. [7] Russell, S. & Norving, P. Artificial Intelligence A Modern Appoach. Prentice Hall, Third Edition. 2010 [8] Alberto, J. Introducción al Análisis de series temporales. Universidad Complutense de Madrid, marzo de 2007. [9] Brownlee, J. Hyperparameter Optimization With Random Search and Grid Search. Machine Learning Mastery. (2020, sep. 19). [Online]. Disponible en: https://machinelearningmastery.com/hyperparameter-optimization-with-random-search-and-grid-search/ [10] Dong, W., Huang, Y., Lehane, B. & Ma, G. XGBoost algorithm-based prediction of concrete electrical resistivity for structural health monitoring. ELSEVIER, 2020. [11] Sitiobigdata. Gentle Introduction of XGBoost Library. (2019, ene. 19). [Online]. Disponible en: https://sitiobigdata.com/2019/01/20/gentle-introduction-of-xgboost-library/#ambientales y socioeconómicas [12] Towards data science. The Ultimate Guide to AdaBoost, random forests and XGBoost. (2020, mar. 16). [Online]. Disponible en: https://towardsdatascience.com/the-ultimate-guide-to-adaboost-random-forests-and-xgboost-7f9327061c4f [13] King, R., Campbell-Lendrum, D., & Davies, C. Predicting Geographic Variation in Cutaneous Leishmaniasis, Colombia, 2004. [14] Chaves, L. & Pascual, M. Climate Cycles and Forecasts of Cutaneous Leishmaniasis, a Nonstationary Vector-Borne Disease. PLos Medicine, agosto de 2006. [15] Chaves, L. Climate and recruitment limitation of hosts: the dynamics of American cutaneous leishmaniasis seen through semi-mechanistic seasonal models. Annals of Tropical Medicine & Parasitology, diciembre de 2008. [16] Lewnard, J. A., Jirmanus, L., Júnior, N. N., Machado, P. R., Glesby, M. J., Ko, A. I. & Weinberger, D. M. Forecasting Temporal Dynamics of Cutaneous Leishmaniasis in Northeast Brazil. PLoS Neglected Tropical Diseases, 2014. [17] Sharafi, M., Ghaem, H., Tabatabaee, H. R., & Faramarzi, H. Forecasting the number of zoonotic cutaneous leishmaniasis cases in south of Fars province, Iran using seasonal ARIMA time series method. Asian Pacific Journal of Tropical Medicine, diciembre de 2016. [18] Valderrama, C., Alexander, N., Ferro, C., Cadena, H., Marín, D., Holford, T., Munstermann, L. & Ocampo, C. Environmental Risk Factors for the Incidence of American Cutaneous Leishmaniasis in a Sub-Andean Zone of Colombia (Chaparral, Tolima). Am. J. Trop. Med. Hyg., 82(2), 2010, pp. 243–250. [19] Chaves, L. F., Calzada, J. E., Valderrama, A., & Saldaña, A. Cutaneous Leishmaniasis and Sand Fly Fluctuations Are Associated with El Niño in Panamá. PLoS Neglected Tropical Diseases, octubre de 2014. [20] Pérez, M., Ocampo, C., Valderrama, C. & Alexander, N. Spatial modeling of cutaneous leishmaniasis in the Andean region of Colombia. Mem Inst Oswaldo Cruz, Rio de Janeiro, Vol. 111(7): 433-442, julio de 2016. [21] Gutiérrez, J., Martínez, R., Ramoni, J., Diaz, F., Gutiérrez, R., Ruiz, F., Botello, H., Gil, M., González, J. & Palencia, M. Environmental and socio-economic determinants associated with the occurrence of cutaneous leishmaniasis in the northeast of Colombia. Trans R Soc Trop Med Hyg 2018; 00: 1–8. [22] Yuexin, W., Nishiura, H, Yiming, Y. & M. Saitoh. Deep Learning for Epidemiological Predictions. Short Research Papers II. MI, USA, julio de 2018. [23] Zhao, N., Charland, K., Carabali, M., Nsoesie, E., Maher-Giroux, M., Rees, E., Yuan, M., Garcia C., Ramirez, G. & Zinszer, K. Machine learning and dengue forecasting: Comparing random forests and artificial neural 2 networks for predicting dengue burdens at the national sub-national scale in Colombia. BioRxiv, enero de 2020. [24] Fayyad, U. & Stolorz, P. Data mining and KDD: Promise and challenges. Future Generation Computer Systems. ELSEVIER, pp. 99-104, 1997 [25] Shafique, U., & Qaiser, H. A Comparative Study of Data Mining Process Models (KDD, CRISP-DM and SEMMA). International Journal of Innovation and Scientific Research, Vol. 12 No. 1, pp. 217-22, noviembre de 2014. [26] Maimon, O. & Rokach, L. Data Mining and Knowledge Discovery Handbook. Springer-Verretraso New York, Inc., 2nd ed., febrero 2018.
dc.rights.coar.fl_str_mv	http://purl.org/coar/access_right/c_abf2
dc.rights.license.spa.fl_str_mv	Reconocimiento 4.0 Internacional
dc.rights.uri.spa.fl_str_mv	http://creativecommons.org/licenses/by/4.0/
dc.rights.accessrights.spa.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.references.spa.fl_str_mv	[1] Agudelo, J. Informe de evento de leishmaniasis. Colombia, 2017. [2] Zambrano, P. Leishmaniasis. Colombia: Bogotá, Instituto Nacional de Salud 2014.
rights_invalid_str_mv	Reconocimiento 4.0 Internacional http://creativecommons.org/licenses/by/4.0/ [1] Agudelo, J. Informe de evento de leishmaniasis. Colombia, 2017. [2] Zambrano, P. Leishmaniasis. Colombia: Bogotá, Instituto Nacional de Salud 2014. http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.extent.spa.fl_str_mv	117 páginas
dc.format.mimetype.spa.fl_str_mv	application/pdf
dc.coverage.country.none.fl_str_mv	Colombia
dc.publisher.spa.fl_str_mv	Universidad Nacional de Colombia
dc.publisher.program.spa.fl_str_mv	Bogotá - Ingeniería - Maestría en Ingeniería - Ingeniería de Sistemas y Computación
dc.publisher.department.spa.fl_str_mv	Departamento de Ingeniería de Sistemas e Industrial
dc.publisher.faculty.spa.fl_str_mv	Facultad de Ingeniería
dc.publisher.place.spa.fl_str_mv	Bogotá, Colombia
dc.publisher.branch.spa.fl_str_mv	Universidad Nacional de Colombia - Sede Bogotá
institution	Universidad Nacional de Colombia
bitstream.url.fl_str_mv	https://repositorio.unal.edu.co/bitstream/unal/80442/1/license.txt https://repositorio.unal.edu.co/bitstream/unal/80442/2/1022385505.2021.pdf https://repositorio.unal.edu.co/bitstream/unal/80442/3/1022385505.2021.pdf.jpg
bitstream.checksum.fl_str_mv	cccfe52f796b7c63423298c2d3365fc6 fef4c5458f7d335166c3532b1431f806 c20fd72434e30475338822205b40db3c
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Institucional Universidad Nacional de Colombia
repository.mail.fl_str_mv	repositorio_nal@unal.edu.co
_version_	1814089748713570304
spelling	Reconocimiento 4.0 Internacionalhttp://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccess[1] Agudelo, J. Informe de evento de leishmaniasis. Colombia, 2017.[2] Zambrano, P. Leishmaniasis. Colombia: Bogotá, Instituto Nacional de Salud 2014.[3] Sociedad colombiana de infectología. Guía 2I. Guía de atención de la leishmaniasis. Ministerio de la protección social, Colombia.[4] Medical Care Development International. Leishmaniosis: ciclo biológico. Disponible en: https://www.mcdinternational.org/trainings/malaria/spanish/dpdx/HTML/Frames/G-L/Leishmaniasis/body_Leishmaniasis_pg1#Life%20Cycle[5] Leishmaniosis: ciclo biológico de la leishmania y transmisión. 20 AV 16. Leishmaniosis. Disponible en: http://axonveterinaria.net/web_axoncomunicacion/auxiliarveterinario/20/AV_20_16-19_Leishmaniosis_ciclo_transmision.pdf[6] Hernández, A., Gutiérrez, J., Xiao, Y., Branscum, A. & Cuadros, D. Spatial epidemiology of cutaneous leishmaniasis in Colombia: socioeconomic and demographic factors associated with a growing epidemic. The royal society tropical medicine & hygiene. 2019.[7] Russell, S. & Norving, P. Artificial Intelligence A Modern Appoach. Prentice Hall, Third Edition. 2010[8] Alberto, J. Introducción al Análisis de series temporales. Universidad Complutense de Madrid, marzo de 2007.[9] Brownlee, J. Hyperparameter Optimization With Random Search and Grid Search. Machine Learning Mastery. (2020, sep. 19). [Online]. Disponible en: https://machinelearningmastery.com/hyperparameter-optimization-with-random-search-and-grid-search/[10] Dong, W., Huang, Y., Lehane, B. & Ma, G. XGBoost algorithm-based prediction of concrete electrical resistivity for structural health monitoring. ELSEVIER, 2020.[11] Sitiobigdata. Gentle Introduction of XGBoost Library. (2019, ene. 19). [Online]. Disponible en: https://sitiobigdata.com/2019/01/20/gentle-introduction-of-xgboost-library/#ambientales y socioeconómicas[12] Towards data science. The Ultimate Guide to AdaBoost, random forests and XGBoost. (2020, mar. 16). [Online]. Disponible en: https://towardsdatascience.com/the-ultimate-guide-to-adaboost-random-forests-and-xgboost-7f9327061c4f[13] King, R., Campbell-Lendrum, D., & Davies, C. Predicting Geographic Variation in Cutaneous Leishmaniasis, Colombia, 2004.[14] Chaves, L. & Pascual, M. Climate Cycles and Forecasts of Cutaneous Leishmaniasis, a Nonstationary Vector-Borne Disease. PLos Medicine, agosto de 2006.[15] Chaves, L. Climate and recruitment limitation of hosts: the dynamics of American cutaneous leishmaniasis seen through semi-mechanistic seasonal models. Annals of Tropical Medicine & Parasitology, diciembre de 2008.[16] Lewnard, J. A., Jirmanus, L., Júnior, N. N., Machado, P. R., Glesby, M. J., Ko, A. I. & Weinberger, D. M. Forecasting Temporal Dynamics of Cutaneous Leishmaniasis in Northeast Brazil. PLoS Neglected Tropical Diseases, 2014.[17] Sharafi, M., Ghaem, H., Tabatabaee, H. R., & Faramarzi, H. Forecasting the number of zoonotic cutaneous leishmaniasis cases in south of Fars province, Iran using seasonal ARIMA time series method. Asian Pacific Journal of Tropical Medicine, diciembre de 2016.[18] Valderrama, C., Alexander, N., Ferro, C., Cadena, H., Marín, D., Holford, T., Munstermann, L. & Ocampo, C. Environmental Risk Factors for the Incidence of American Cutaneous Leishmaniasis in a Sub-Andean Zone of Colombia (Chaparral, Tolima). Am. J. Trop. Med. Hyg., 82(2), 2010, pp. 243–250.[19] Chaves, L. F., Calzada, J. E., Valderrama, A., & Saldaña, A. Cutaneous Leishmaniasis and Sand Fly Fluctuations Are Associated with El Niño in Panamá. PLoS Neglected Tropical Diseases, octubre de 2014.[20] Pérez, M., Ocampo, C., Valderrama, C. & Alexander, N. Spatial modeling of cutaneous leishmaniasis in the Andean region of Colombia. Mem Inst Oswaldo Cruz, Rio de Janeiro, Vol. 111(7): 433-442, julio de 2016.[21] Gutiérrez, J., Martínez, R., Ramoni, J., Diaz, F., Gutiérrez, R., Ruiz, F., Botello, H., Gil, M., González, J. & Palencia, M. Environmental and socio-economic determinants associated with the occurrence of cutaneous leishmaniasis in the northeast of Colombia. Trans R Soc Trop Med Hyg 2018; 00: 1–8.[22] Yuexin, W., Nishiura, H, Yiming, Y. & M. Saitoh. Deep Learning for Epidemiological Predictions. Short Research Papers II. MI, USA, julio de 2018.[23] Zhao, N., Charland, K., Carabali, M., Nsoesie, E., Maher-Giroux, M., Rees, E., Yuan, M., Garcia C., Ramirez, G. & Zinszer, K. Machine learning and dengue forecasting: Comparing random forests and artificial neural 2 networks for predicting dengue burdens at the national sub-national scale in Colombia. BioRxiv, enero de 2020.[24] Fayyad, U. & Stolorz, P. Data mining and KDD: Promise and challenges. Future Generation Computer Systems. ELSEVIER, pp. 99-104, 1997[25] Shafique, U., & Qaiser, H. A Comparative Study of Data Mining Process Models (KDD, CRISP-DM and SEMMA). International Journal of Innovation and Scientific Research, Vol. 12 No. 1, pp. 217-22, noviembre de 2014.[26] Maimon, O. & Rokach, L. Data Mining and Knowledge Discovery Handbook. Springer-Verretraso New York, Inc., 2nd ed., febrero 2018.http://purl.org/coar/access_right/c_abf2Niño Vásquez, Luis Fernandobc784b82735e16fe53653c3f5c8f3bbeGutiérrez Torres, Juan Daviddf586559f9a00c9b9bee42b1d23f8159Salazar Mora, José Daniel8b2938ace92814d372b0810c83469b71Laboratorio de investigación en sistemas inteligentes (LISI)2021-10-08T14:40:28Z2021-10-08T14:40:28Z2021-10-07https://repositorio.unal.edu.co/handle/unal/80442Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/ilustraciones, gráficas, tablasSe crearon varios modelos predictivos para la ocurrencia de leishmaniasis cutánea en Colombia a partir de un conjunto de variables socioeconómicas y ambientales. Con este conjunto de datos (dataset) se hizo un trabajo de ciencia de datos utilizando el proceso de KDD (Knowledge Discovery in Databases), pasando por cada una de sus etapas. Particularmente, se recolectó y organizó el conjunto de datos, se elaboró una descripción y revisión de este y se hizo un análisis estadístico descriptivo. Después, se realizó el preprocesamiento de los datos, se hicieron transformaciones de estos y se implementaron técnicas de reducción de dimensionalidad. Posteriormente, se procedió a utilizar diferentes técnicas de aprendizaje de máquina, tanto para clasificación como regresión. Para clasificación se implementaron varios métodos: naive bayes, redes neuronales (perceptrón multicapa), árboles de decisión y redes bayesianas, los cuales permitieron generar un modelo predictivo de clasificación, obteniendo los mejores resultados con el algoritmo XGBoost sobre un set de datos municipal con datos reportados mensualmente. De la misma forma, se realizó un modelo de regresión a través de redes neuronales y XGBoost, obteniendo los mejores resultados con el algoritmo XGBoost, pero esta vez con un conjunto de datos departamentales con periodicidad mensual. Finalmente, se realizó un análisis de series de tiempo con algoritmos de regresión con redes neuronales y XGBoost obteniendo las mejores métricas con XGBoost para un modelo departamental con resolución temporal semanal. Con cada uno de los modelos se identificaron las variables más importantes para la predicción; todos los modelos tuvieron en cuenta al menos las siguientes: el total de la población, precipitación, temperatura, índice de vegetación mejorado (EVI por sus siglas en inglés) y mes. Además, para poder utilizar el modelo de regresión para series de tiempo, se creó una página web que recibe como entrada las variables independientes junto con sus retrasos y genera la predicción de la cantidad de casos futuros a 1, 2 y 4 semanas. (Texto tomado de la fuente).Several predictive models were created for the occurrence of cutaneous leishmaniasis in Colombia from a set of socioeconomic and environmental variables. With this dataset, a data science work was done using the KDD process (Knowledge Discovery in Databases), going through each of its stages. In particular, the data set was collected and organized, a description and review of it was prepared, and a descriptive statistical analysis was carried out. Afterwards, the data was preprocessed, transformations were made of these and dimensionality reduction techniques were implemented. Subsequently, different machine learning techniques were used, both for classification and regression. For classification, several methods were implemented: naive bayes, neural networks (multilayer perceptron), decision trees and Bayesian networks, which allowed to generate a predictive classification model, obtaining the best results with the XGBoost algorithm on a municipal data set with data reported monthly. In the same way, a regression model was carried out through neural networks and XGBoost, obtaining the best results with the XGBoost algorithm, but this time with a departmental data set on a monthly basis. Finally, a time series analysis was performed with regression algorithms with neural networks and XGBoost, obtaining the best metrics with XGBoost for a departmental model with weekly temporal resolution. With each of the models, the most important variables for prediction were identified; all the models took into account at least the following variables: the total population, precipitation, temperature, improved vegetation index (EVI) and month. In addition, to be able to use the regression model for time series, a web page was created that receives as input the independent variables together with their delays and generates the prediction of the number of future cases at 1, 2 and 4 weeks.Incluye anexosContiene componente investigativo en ciencia de datos, epidemiología, inteligencia artificial y desarrollo de software.MaestríaMagíster en Ingeniería - Ingeniería de Sistemas y ComputaciónProceso KDD (Knowledge Discovery in Databases)Ciencia de datos e inteligencia artificial117 páginasapplication/pdfspaUniversidad Nacional de ColombiaBogotá - Ingeniería - Maestría en Ingeniería - Ingeniería de Sistemas y ComputaciónDepartamento de Ingeniería de Sistemas e IndustrialFacultad de IngenieríaBogotá, ColombiaUniversidad Nacional de Colombia - Sede Bogotá000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadoresLeishmaniasis, CutaneousLeishmaniasis CutáneaDigital computer simulationSimulation methodsSimulación por computadores digitalesMétodos de simulaciónModelo predictivo leishmaniasisCiencia de datosInteligencia artificialLeishmaniasis cutáneaEpidemiologíaSeries de tiempoMachine learningPredictive modelCutaneous leishmaniasisForecasting modelEpidemiologyData scienceArtificial intelligenceTime seriesModelo predictivo para la ocurrencia de leishmaniasis cutánea en Colombia, a partir de variables ambientales y socioeconómicasPredictive model for the occurrence of cutaneous leishmaniasis in Colombia, based on environmental and socioeconomic variablesTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMColombiaBireme[1] Agudelo, J. Informe de evento de leishmaniasis. Colombia, 2017. [2] Zambrano, P. Leishmaniasis. Colombia: Bogotá, Instituto Nacional de Salud 2014. [3] Sociedad colombiana de infectología. Guía 2I. Guía de atención de la leishmaniasis. Ministerio de la protección social, Colombia. [4] Medical Care Development International. Leishmaniosis: ciclo biológico. Disponible en: https://www.mcdinternational.org/trainings/malaria/spanish/dpdx/HTML/Frames/G-L/Leishmaniasis/body_Leishmaniasis_pg1#Life%20Cycle [5] Leishmaniosis: ciclo biológico de la leishmania y transmisión. 20 AV 16. Leishmaniosis. Disponible en: http://axonveterinaria.net/web_axoncomunicacion/auxiliarveterinario/20/AV_20_16-19_Leishmaniosis_ciclo_transmision.pdf [6] Hernández, A., Gutiérrez, J., Xiao, Y., Branscum, A. & Cuadros, D. Spatial epidemiology of cutaneous leishmaniasis in Colombia: socioeconomic and demographic factors associated with a growing epidemic. The royal society tropical medicine & hygiene. 2019. [7] Russell, S. & Norving, P. Artificial Intelligence A Modern Appoach. Prentice Hall, Third Edition. 2010 [8] Alberto, J. Introducción al Análisis de series temporales. Universidad Complutense de Madrid, marzo de 2007. [9] Brownlee, J. Hyperparameter Optimization With Random Search and Grid Search. Machine Learning Mastery. (2020, sep. 19). [Online]. Disponible en: https://machinelearningmastery.com/hyperparameter-optimization-with-random-search-and-grid-search/ [10] Dong, W., Huang, Y., Lehane, B. & Ma, G. XGBoost algorithm-based prediction of concrete electrical resistivity for structural health monitoring. ELSEVIER, 2020. [11] Sitiobigdata. Gentle Introduction of XGBoost Library. (2019, ene. 19). [Online]. Disponible en: https://sitiobigdata.com/2019/01/20/gentle-introduction-of-xgboost-library/#ambientales y socioeconómicas [12] Towards data science. The Ultimate Guide to AdaBoost, random forests and XGBoost. (2020, mar. 16). [Online]. Disponible en: https://towardsdatascience.com/the-ultimate-guide-to-adaboost-random-forests-and-xgboost-7f9327061c4f [13] King, R., Campbell-Lendrum, D., & Davies, C. Predicting Geographic Variation in Cutaneous Leishmaniasis, Colombia, 2004. [14] Chaves, L. & Pascual, M. Climate Cycles and Forecasts of Cutaneous Leishmaniasis, a Nonstationary Vector-Borne Disease. PLos Medicine, agosto de 2006. [15] Chaves, L. Climate and recruitment limitation of hosts: the dynamics of American cutaneous leishmaniasis seen through semi-mechanistic seasonal models. Annals of Tropical Medicine & Parasitology, diciembre de 2008. [16] Lewnard, J. A., Jirmanus, L., Júnior, N. N., Machado, P. R., Glesby, M. J., Ko, A. I. & Weinberger, D. M. Forecasting Temporal Dynamics of Cutaneous Leishmaniasis in Northeast Brazil. PLoS Neglected Tropical Diseases, 2014. [17] Sharafi, M., Ghaem, H., Tabatabaee, H. R., & Faramarzi, H. Forecasting the number of zoonotic cutaneous leishmaniasis cases in south of Fars province, Iran using seasonal ARIMA time series method. Asian Pacific Journal of Tropical Medicine, diciembre de 2016. [18] Valderrama, C., Alexander, N., Ferro, C., Cadena, H., Marín, D., Holford, T., Munstermann, L. & Ocampo, C. Environmental Risk Factors for the Incidence of American Cutaneous Leishmaniasis in a Sub-Andean Zone of Colombia (Chaparral, Tolima). Am. J. Trop. Med. Hyg., 82(2), 2010, pp. 243–250. [19] Chaves, L. F., Calzada, J. E., Valderrama, A., & Saldaña, A. Cutaneous Leishmaniasis and Sand Fly Fluctuations Are Associated with El Niño in Panamá. PLoS Neglected Tropical Diseases, octubre de 2014. [20] Pérez, M., Ocampo, C., Valderrama, C. & Alexander, N. Spatial modeling of cutaneous leishmaniasis in the Andean region of Colombia. Mem Inst Oswaldo Cruz, Rio de Janeiro, Vol. 111(7): 433-442, julio de 2016. [21] Gutiérrez, J., Martínez, R., Ramoni, J., Diaz, F., Gutiérrez, R., Ruiz, F., Botello, H., Gil, M., González, J. & Palencia, M. Environmental and socio-economic determinants associated with the occurrence of cutaneous leishmaniasis in the northeast of Colombia. Trans R Soc Trop Med Hyg 2018; 00: 1–8. [22] Yuexin, W., Nishiura, H, Yiming, Y. & M. Saitoh. Deep Learning for Epidemiological Predictions. Short Research Papers II. MI, USA, julio de 2018. [23] Zhao, N., Charland, K., Carabali, M., Nsoesie, E., Maher-Giroux, M., Rees, E., Yuan, M., Garcia C., Ramirez, G. & Zinszer, K. Machine learning and dengue forecasting: Comparing random forests and artificial neural 2 networks for predicting dengue burdens at the national sub-national scale in Colombia. BioRxiv, enero de 2020. [24] Fayyad, U. & Stolorz, P. Data mining and KDD: Promise and challenges. Future Generation Computer Systems. ELSEVIER, pp. 99-104, 1997 [25] Shafique, U., & Qaiser, H. A Comparative Study of Data Mining Process Models (KDD, CRISP-DM and SEMMA). International Journal of Innovation and Scientific Research, Vol. 12 No. 1, pp. 217-22, noviembre de 2014. [26] Maimon, O. & Rokach, L. Data Mining and Knowledge Discovery Handbook. Springer-Verretraso New York, Inc., 2nd ed., febrero 2018.EstudiantesInvestigadoresMaestrosLICENSElicense.txtlicense.txttext/plain; charset=utf-83964https://repositorio.unal.edu.co/bitstream/unal/80442/1/license.txtcccfe52f796b7c63423298c2d3365fc6MD51ORIGINAL1022385505.2021.pdf1022385505.2021.pdfTesis de Maestría en Ingeniería - Ingeniería de Sistemas y Computaciónapplication/pdf5122528https://repositorio.unal.edu.co/bitstream/unal/80442/2/1022385505.2021.pdffef4c5458f7d335166c3532b1431f806MD52THUMBNAIL1022385505.2021.pdf.jpg1022385505.2021.pdf.jpgGenerated Thumbnailimage/jpeg5165https://repositorio.unal.edu.co/bitstream/unal/80442/3/1022385505.2021.pdf.jpgc20fd72434e30475338822205b40db3cMD53unal/80442oai:repositorio.unal.edu.co:unal/804422024-07-31 23:13:17.776Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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

Modelo predictivo para la ocurrencia de leishmaniasis cutánea en Colombia, a partir de variables ambientales y socioeconómicas

Publicaciones similares