Modelos analíticos de registros clínicos para el apoyo del plan de manejo a pacientes con diagnósticos y morbilidades similares
En Colombia el sistema de salud presenta deficiencias relacionadas a la ausencia de recursos de información sobre las diferentes enfermedades y sus respectivos tratamientos. Lo anterior, repercute en la calidad de la atención y bienestar de los pacientes, generando que las instituciones de la salud...
- Autores:
-
Pinzón Orjuela, Andrés Felipe
Poch Llorente, Nicolás
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2022
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/65725
- Acceso en línea:
- http://hdl.handle.net/1992/65725
- Palabra clave:
- Aprendizaje de Máquinas
Visualización de Datos
Plotly
Pyspark
Python
Dash
Machine Learning
Ingeniería
- Rights
- openAccess
- License
- Attribution-NonCommercial-NoDerivatives 4.0 Internacional
| id |
UNIANDES2_a5fc930e3602c72a071e0e522a8d332f |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/65725 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Modelos analíticos de registros clínicos para el apoyo del plan de manejo a pacientes con diagnósticos y morbilidades similares |
| title |
Modelos analíticos de registros clínicos para el apoyo del plan de manejo a pacientes con diagnósticos y morbilidades similares |
| spellingShingle |
Modelos analíticos de registros clínicos para el apoyo del plan de manejo a pacientes con diagnósticos y morbilidades similares Aprendizaje de Máquinas Visualización de Datos Plotly Pyspark Python Dash Machine Learning Ingeniería |
| title_short |
Modelos analíticos de registros clínicos para el apoyo del plan de manejo a pacientes con diagnósticos y morbilidades similares |
| title_full |
Modelos analíticos de registros clínicos para el apoyo del plan de manejo a pacientes con diagnósticos y morbilidades similares |
| title_fullStr |
Modelos analíticos de registros clínicos para el apoyo del plan de manejo a pacientes con diagnósticos y morbilidades similares |
| title_full_unstemmed |
Modelos analíticos de registros clínicos para el apoyo del plan de manejo a pacientes con diagnósticos y morbilidades similares |
| title_sort |
Modelos analíticos de registros clínicos para el apoyo del plan de manejo a pacientes con diagnósticos y morbilidades similares |
| dc.creator.fl_str_mv |
Pinzón Orjuela, Andrés Felipe Poch Llorente, Nicolás |
| dc.contributor.advisor.none.fl_str_mv |
Villamil Giraldo, María del Pilar |
| dc.contributor.author.none.fl_str_mv |
Pinzón Orjuela, Andrés Felipe Poch Llorente, Nicolás |
| dc.subject.keyword.none.fl_str_mv |
Aprendizaje de Máquinas Visualización de Datos Plotly Pyspark Python Dash Machine Learning |
| topic |
Aprendizaje de Máquinas Visualización de Datos Plotly Pyspark Python Dash Machine Learning Ingeniería |
| dc.subject.themes.es_CO.fl_str_mv |
Ingeniería |
| description |
En Colombia el sistema de salud presenta deficiencias relacionadas a la ausencia de recursos de información sobre las diferentes enfermedades y sus respectivos tratamientos. Lo anterior, repercute en la calidad de la atención y bienestar de los pacientes, generando que las instituciones de la salud deban asumir sobrecostos relacionados con la prestación del servicio, y consecuencias adversas a la salud de los pacientes tratados aumentando la complejidad de su tratamiento, que, de haber sido atendidos preventivamente con mayor eficiencia, podría no sólo redundar en mejorar la calidad de vida de los mismos, sino también en descongestionar la atención hospitalaria en el país. Debido a lo mostrado anteriormente se evidencia la necesidad de la implementación de herramientas tecnológicas, que contribuyan a favorecer y mejorar la gestión médica suministrando la información necesaria para el trato adecuado del paciente. En el desarrollo del proyecto se determinó que Spark es la herramienta más adecuada para el procesamiento de una gran cantidad de datos obtenidos por medio de bases de datos relacionales. Adicionalmente, se concluyó que la forma más efectiva para el desarrollo de los modelos de inteligencia artificial es dividir la información por diagnóstico principal para que sea más asertivo el modelo. Finalmente, se determinó que los modelos de clustering son los más adecuados para generar grupos de pacientes con características similares y así poder determinar cuáles son los procedimientos más adecuados para tratar las morbilidades presentadas por dichos pacientes. |
| publishDate |
2022 |
| dc.date.issued.none.fl_str_mv |
2022-11-29 |
| dc.date.accessioned.none.fl_str_mv |
2023-03-16T13:54:30Z |
| dc.date.available.none.fl_str_mv |
2023-03-16T13:54:30Z |
| dc.type.es_CO.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.es_CO.fl_str_mv |
Text |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/1992/65725 |
| dc.identifier.instname.es_CO.fl_str_mv |
instname:Universidad de los Andes |
| dc.identifier.reponame.es_CO.fl_str_mv |
reponame:Repositorio Institucional Séneca |
| dc.identifier.repourl.es_CO.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
| url |
http://hdl.handle.net/1992/65725 |
| identifier_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
| dc.language.iso.es_CO.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.es_CO.fl_str_mv |
"Comparative study on Apriori algorithm and Fp growth algorithm with pros and cons" (2016). En: International Journal of Computer Science Trends and Technology 4 (vid. pág. 5). Farrell, Robert G, Catalina M Danis, Sreeram Ramakrishnan y Wendy A Kellogg (2012). "Intrapersonal retrospective recommendation: lifestyle change recommendations using stable patterns of personal behavior". En: Proceedings of the First International Workshop on Recommendation Technologies for Lifestyle Change (LIFESTYLE 2012), Dublin, Ireland. Citeseer, pág. 24 (vid. pág. 10). Fernandez-Luque, Luis, Randi Karlsen y Lars K Vognild (2009). "Challenges and opportunities of using recommender systems for personalized health education". En: Medical informatics in a united and healthy Europe, págs. 903-907 (vid. págs. 9, 10). Forsyth, David (2019). Applied Machine Learning. Springer (vid. pág. 8) Frey, Brendan J y Delbert Dueck (2007). "Clustering by passing messages between data points". En: science 315.5814, págs. 972-976 (vid. pág. 7). Graves, Alex (2013). "Generating sequences with recurrent neural networks". En: arXiv preprint arXiv:1308.0850 (vid. pág. 8). Guan, Renchu, Xiaohu Shi, Maurizio Marchese, Chen Yang y Yanchun Liang (2010). "Text clustering with seeds affinity propagation". En: IEEE Transactions on Knowledge and Data Engineering 23.4, págs. 627-637 (vid. pág. 7). Guandong Xu Yu Zong, Zhenglu Yang (2013). Applied Data Mining. CRC Press (vid. págs. 4, 5). Howard M. Taylor, Samuel Karlin (1984). An Introduction To Stochastic Modeling 3rd Edition. Academic Press (vid. pág. 5) Rakesh Agrawal, Ramakrishnan Srikant (1994). "Fast algorithms for mining association rules". En: Proceedings of the 20th International Conference on Very Large Data Bases, págs. 478-499 (vid. pág. 5) Wiesner, Martin y Daniel Pfeifer (2014). "Health recommender systems: concepts, requirements, technical basics and challenges". En: International journal of environmental research and public health 11.3, págs. 2580-2607 (vid. pág. 9) Kotsiantis, S., & Kanellopoulos, D. (2006). Association rules mining: A recent overview. GESTS International Transactions on Computer Science and Engineering, 32(1), 71-82. Grahne, G., & Zhu, J. (2005). Fast algorithms for frequent itemset mining using fp-trees. IEEE transactions on knowledge and data engineering, 17(10), 1347-1362. Ministerio de Salud. (2022) Resolución 1409 de 2022. Por lo cual se establece la definición y alcance de segundo uso de datos en salud. https://www.minsalud.gov.co/Normatividad_Nuevo/Resoluci%C3%B3n%20No.%201409%20de %202022.pdf |
| dc.rights.license.spa.fl_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 Internacional |
| dc.rights.uri.*.fl_str_mv |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 Internacional https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.es_CO.fl_str_mv |
74 |
| dc.format.mimetype.es_CO.fl_str_mv |
application/pdf |
| dc.publisher.es_CO.fl_str_mv |
Universidad de los Andes |
| dc.publisher.program.es_CO.fl_str_mv |
Ingeniería de Sistemas y Computación |
| dc.publisher.faculty.es_CO.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.department.es_CO.fl_str_mv |
Departamento de Ingeniería Sistemas y Computación |
| institution |
Universidad de los Andes |
| bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/1bf9fb8e-6a4c-4421-bf57-1d15f89fbc07/download https://repositorio.uniandes.edu.co/bitstreams/09dd0f62-e557-4915-a101-adf49b8d1982/download https://repositorio.uniandes.edu.co/bitstreams/12eb0d6b-3539-4771-a09c-7defe0ea5aba/download https://repositorio.uniandes.edu.co/bitstreams/2a5d66a5-99d4-477d-a84c-4fa32c4dd647/download https://repositorio.uniandes.edu.co/bitstreams/e4337f9a-1711-43f6-a363-9a6853f85fa9/download https://repositorio.uniandes.edu.co/bitstreams/50e6da8b-50bf-406f-b433-6499c972ddea/download https://repositorio.uniandes.edu.co/bitstreams/e8c0fd7b-c698-4983-b16c-37bd78020065/download |
| bitstream.checksum.fl_str_mv |
5aa5c691a1ffe97abd12c2966efcb8d6 7e4dd7746e0c2149253b705741ebdb27 cc908942d79f1a01042e449b27d7b3b3 9729d528bd9936256d793d9a4abd33de af2ec2d0b436fada7e9983fd323c17d9 3026f01be22d3b5cd9f1fe1b5748b329 af8cab20ee6322144435da53199de858 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio institucional Séneca |
| repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
| _version_ |
1812133926322307072 |
| spelling |
Attribution-NonCommercial-NoDerivatives 4.0 Internacionalhttps://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Villamil Giraldo, María del Pilarecb65706-306d-447a-b66e-3d94a1b02e47600Pinzón Orjuela, Andrés Felipefc4478c9-da8b-4da2-bcc3-4084653ef1c1600Poch Llorente, Nicolás7a385917-345c-47ec-99b0-67da28b05a8e6002023-03-16T13:54:30Z2023-03-16T13:54:30Z2022-11-29http://hdl.handle.net/1992/65725instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/En Colombia el sistema de salud presenta deficiencias relacionadas a la ausencia de recursos de información sobre las diferentes enfermedades y sus respectivos tratamientos. Lo anterior, repercute en la calidad de la atención y bienestar de los pacientes, generando que las instituciones de la salud deban asumir sobrecostos relacionados con la prestación del servicio, y consecuencias adversas a la salud de los pacientes tratados aumentando la complejidad de su tratamiento, que, de haber sido atendidos preventivamente con mayor eficiencia, podría no sólo redundar en mejorar la calidad de vida de los mismos, sino también en descongestionar la atención hospitalaria en el país. Debido a lo mostrado anteriormente se evidencia la necesidad de la implementación de herramientas tecnológicas, que contribuyan a favorecer y mejorar la gestión médica suministrando la información necesaria para el trato adecuado del paciente. En el desarrollo del proyecto se determinó que Spark es la herramienta más adecuada para el procesamiento de una gran cantidad de datos obtenidos por medio de bases de datos relacionales. Adicionalmente, se concluyó que la forma más efectiva para el desarrollo de los modelos de inteligencia artificial es dividir la información por diagnóstico principal para que sea más asertivo el modelo. Finalmente, se determinó que los modelos de clustering son los más adecuados para generar grupos de pacientes con características similares y así poder determinar cuáles son los procedimientos más adecuados para tratar las morbilidades presentadas por dichos pacientes.Sistemas y asesorías de ColombiaIngeniero de Sistemas y ComputaciónPregrado74application/pdfspaUniversidad de los AndesIngeniería de Sistemas y ComputaciónFacultad de IngenieríaDepartamento de Ingeniería Sistemas y ComputaciónModelos analíticos de registros clínicos para el apoyo del plan de manejo a pacientes con diagnósticos y morbilidades similaresTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPAprendizaje de MáquinasVisualización de DatosPlotlyPysparkPythonDashMachine LearningIngeniería"Comparative study on Apriori algorithm and Fp growth algorithm with pros and cons" (2016). En: International Journal of Computer Science Trends and Technology 4 (vid. pág. 5).Farrell, Robert G, Catalina M Danis, Sreeram Ramakrishnan y Wendy A Kellogg (2012). "Intrapersonal retrospective recommendation: lifestyle change recommendations using stable patterns of personal behavior". En: Proceedings of the First International Workshop on Recommendation Technologies for Lifestyle Change (LIFESTYLE 2012), Dublin, Ireland. Citeseer, pág. 24 (vid. pág. 10).Fernandez-Luque, Luis, Randi Karlsen y Lars K Vognild (2009). "Challenges and opportunities of using recommender systems for personalized health education". En: Medical informatics in a united and healthy Europe, págs. 903-907 (vid. págs. 9, 10).Forsyth, David (2019). Applied Machine Learning. Springer (vid. pág. 8)Frey, Brendan J y Delbert Dueck (2007). "Clustering by passing messages between data points". En: science 315.5814, págs. 972-976 (vid. pág. 7).Graves, Alex (2013). "Generating sequences with recurrent neural networks". En: arXiv preprint arXiv:1308.0850 (vid. pág. 8).Guan, Renchu, Xiaohu Shi, Maurizio Marchese, Chen Yang y Yanchun Liang (2010). "Text clustering with seeds affinity propagation". En: IEEE Transactions on Knowledge and Data Engineering 23.4, págs. 627-637 (vid. pág. 7).Guandong Xu Yu Zong, Zhenglu Yang (2013). Applied Data Mining. CRC Press (vid. págs. 4, 5).Howard M. Taylor, Samuel Karlin (1984). An Introduction To Stochastic Modeling 3rd Edition. Academic Press (vid. pág. 5)Rakesh Agrawal, Ramakrishnan Srikant (1994). "Fast algorithms for mining association rules". En: Proceedings of the 20th International Conference on Very Large Data Bases, págs. 478-499 (vid. pág. 5)Wiesner, Martin y Daniel Pfeifer (2014). "Health recommender systems: concepts, requirements, technical basics and challenges". En: International journal of environmental research and public health 11.3, págs. 2580-2607 (vid. pág. 9)Kotsiantis, S., & Kanellopoulos, D. (2006). Association rules mining: A recent overview. GESTS International Transactions on Computer Science and Engineering, 32(1), 71-82.Grahne, G., & Zhu, J. (2005). Fast algorithms for frequent itemset mining using fp-trees. IEEE transactions on knowledge and data engineering, 17(10), 1347-1362.Ministerio de Salud. (2022) Resolución 1409 de 2022. Por lo cual se establece la definición y alcance de segundo uso de datos en salud. https://www.minsalud.gov.co/Normatividad_Nuevo/Resoluci%C3%B3n%20No.%201409%20de %202022.pdf201730179201730187PublicationLICENSElicense.txtlicense.txttext/plain; charset=utf-81810https://repositorio.uniandes.edu.co/bitstreams/1bf9fb8e-6a4c-4421-bf57-1d15f89fbc07/download5aa5c691a1ffe97abd12c2966efcb8d6MD53ORIGINALProyecto de Grado.pdfProyecto de Grado.pdfTrabajo de Gradoapplication/pdf6328477https://repositorio.uniandes.edu.co/bitstreams/09dd0f62-e557-4915-a101-adf49b8d1982/download7e4dd7746e0c2149253b705741ebdb27MD52Autorización traba de grado .pdfAutorización traba de grado .pdfHIDEapplication/pdf264474https://repositorio.uniandes.edu.co/bitstreams/12eb0d6b-3539-4771-a09c-7defe0ea5aba/downloadcc908942d79f1a01042e449b27d7b3b3MD54TEXTProyecto de Grado.pdf.txtProyecto de Grado.pdf.txtExtracted texttext/plain99802https://repositorio.uniandes.edu.co/bitstreams/2a5d66a5-99d4-477d-a84c-4fa32c4dd647/download9729d528bd9936256d793d9a4abd33deMD55Autorización traba de grado .pdf.txtAutorización traba de grado .pdf.txtExtracted texttext/plain1434https://repositorio.uniandes.edu.co/bitstreams/e4337f9a-1711-43f6-a363-9a6853f85fa9/downloadaf2ec2d0b436fada7e9983fd323c17d9MD57THUMBNAILProyecto de Grado.pdf.jpgProyecto de Grado.pdf.jpgIM Thumbnailimage/jpeg15406https://repositorio.uniandes.edu.co/bitstreams/50e6da8b-50bf-406f-b433-6499c972ddea/download3026f01be22d3b5cd9f1fe1b5748b329MD56Autorización traba de grado .pdf.jpgAutorización traba de grado .pdf.jpgIM Thumbnailimage/jpeg16658https://repositorio.uniandes.edu.co/bitstreams/e8c0fd7b-c698-4983-b16c-37bd78020065/downloadaf8cab20ee6322144435da53199de858MD581992/65725oai:repositorio.uniandes.edu.co:1992/657252023-10-10 17:14:45.816https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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 |