Técnicas de ensamble aplicadas a un conjunto de datos perteneciente a pacientes de leishmaniasis cutánea para predecir la efectividad del tratamiento Glucantime
La leishmaniasis es una enfermedad reemergente en Colombia. Catalogada por la Organización Mundial de la Salud como “enfermedad olvidada”, debido a que está asociada directamente con las personas que viven en regiones muy pobres. Por lo tanto, existe poco interés en invertir en el desarrollo de med...
- Autores:
-
Camacho Calderon, Katherine
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2021
- Institución:
- Pontificia Universidad Javeriana Cali
- Repositorio:
- Vitela
- Idioma:
- spa
- OAI Identifier:
- oai:vitela.javerianacali.edu.co:11522/2850
- Acceso en línea:
- https://vitela.javerianacali.edu.co/handle/11522/2850
- Palabra clave:
- Glucantime
Cutaneous leishmaniasis
Machine learning models
Assembly techniques
CIDEIM
Leishmaniasis cutánea
Modelos de aprendizaje automático
Técnicas de ensamble y CIDEIM
- Rights
- License
- https://creativecommons.org/licenses/by-nc-nd/4.0/
id |
Vitela2_c99841f65ea4957fdd18c223b841036d |
---|---|
oai_identifier_str |
oai:vitela.javerianacali.edu.co:11522/2850 |
network_acronym_str |
Vitela2 |
network_name_str |
Vitela |
repository_id_str |
|
dc.title.spa.fl_str_mv |
Técnicas de ensamble aplicadas a un conjunto de datos perteneciente a pacientes de leishmaniasis cutánea para predecir la efectividad del tratamiento Glucantime |
title |
Técnicas de ensamble aplicadas a un conjunto de datos perteneciente a pacientes de leishmaniasis cutánea para predecir la efectividad del tratamiento Glucantime |
spellingShingle |
Técnicas de ensamble aplicadas a un conjunto de datos perteneciente a pacientes de leishmaniasis cutánea para predecir la efectividad del tratamiento Glucantime Glucantime Cutaneous leishmaniasis Machine learning models Assembly techniques CIDEIM Leishmaniasis cutánea Modelos de aprendizaje automático Técnicas de ensamble y CIDEIM |
title_short |
Técnicas de ensamble aplicadas a un conjunto de datos perteneciente a pacientes de leishmaniasis cutánea para predecir la efectividad del tratamiento Glucantime |
title_full |
Técnicas de ensamble aplicadas a un conjunto de datos perteneciente a pacientes de leishmaniasis cutánea para predecir la efectividad del tratamiento Glucantime |
title_fullStr |
Técnicas de ensamble aplicadas a un conjunto de datos perteneciente a pacientes de leishmaniasis cutánea para predecir la efectividad del tratamiento Glucantime |
title_full_unstemmed |
Técnicas de ensamble aplicadas a un conjunto de datos perteneciente a pacientes de leishmaniasis cutánea para predecir la efectividad del tratamiento Glucantime |
title_sort |
Técnicas de ensamble aplicadas a un conjunto de datos perteneciente a pacientes de leishmaniasis cutánea para predecir la efectividad del tratamiento Glucantime |
dc.creator.fl_str_mv |
Camacho Calderon, Katherine |
dc.contributor.advisor.none.fl_str_mv |
Inés Álvarez, Gloria Linares, Diego Luis |
dc.contributor.author.none.fl_str_mv |
Camacho Calderon, Katherine |
dc.subject.none.fl_str_mv |
Glucantime Cutaneous leishmaniasis Machine learning models Assembly techniques CIDEIM Leishmaniasis cutánea Modelos de aprendizaje automático Técnicas de ensamble y CIDEIM |
topic |
Glucantime Cutaneous leishmaniasis Machine learning models Assembly techniques CIDEIM Leishmaniasis cutánea Modelos de aprendizaje automático Técnicas de ensamble y CIDEIM |
description |
La leishmaniasis es una enfermedad reemergente en Colombia. Catalogada por la Organización Mundial de la Salud como “enfermedad olvidada”, debido a que está asociada directamente con las personas que viven en regiones muy pobres. Por lo tanto, existe poco interés en invertir en el desarrollo de medicamentos y estrategias para controlar esta enfermedad. El glucantime es uno de los medicamentos usados para tratar la leishmaniasis cutánea, la cual ha sido una enfermedad reemergente en Colombia. La forma de administrar este medicamento en algunas ocasiones ha causado mucho dolor y el hecho de usarlo trae la posibilidad de causar efectos colaterales. El anterior panorama ha sido de inspiración para desarrollar modelos de aprendizaje automático que permitan predecir el desenlace terapéutico del tratamiento glucantime. Con este proyecto se obtuvieron cuatro modelos de aprendizaje automático, donde inicialmente se realizó́ un proceso de preparación de los datos, y luego con ayuda de las técnicas de ensamble se construyeron dichos modelos. Se realizaron evaluaciones de los distintos modelos construidos y se permitió inferir que ningún modelo presentó un desempeño que permita confiar en sus predicciones, esto dado que la cantidad de datos no fue suficiente para que los modelos construyeran hipótesis fuertes. Sin embargo, la técnica que permitió obtener el modelo con el mejor desempeño indica que probablemente con una cantidad mayor de datos se puedan obtener mejores predicciones. CIDEIM (Centro Internacional de Entrenamiento e Investigaciones Médicas) fue el ente que proporcionó el conjunto de datos con el cual se construyeron los modelos. |
publishDate |
2021 |
dc.date.issued.none.fl_str_mv |
2021 |
dc.date.accessioned.none.fl_str_mv |
2024-06-17T23:44:33Z |
dc.date.available.none.fl_str_mv |
2024-06-17T23:44:33Z |
dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
dc.type.local.none.fl_str_mv |
Tesis/Trabajo de grado - Monografía - Pregrado |
dc.type.redcol.none.fl_str_mv |
https://purl.org/redcol/resource_type/TP |
format |
http://purl.org/coar/resource_type/c_7a1f |
dc.identifier.uri.none.fl_str_mv |
https://vitela.javerianacali.edu.co/handle/11522/2850 |
url |
https://vitela.javerianacali.edu.co/handle/11522/2850 |
dc.language.iso.none.fl_str_mv |
spa |
language |
spa |
dc.rights.uri.none.fl_str_mv |
https://creativecommons.org/licenses/by-nc-nd/4.0/ |
dc.rights.creativecommons.none.fl_str_mv |
https://creativecommons.org/licenses/by-nc-nd/4.0/ |
dc.rights.accessrights.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
rights_invalid_str_mv |
https://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2 |
dc.format.extent.none.fl_str_mv |
74 p. |
dc.format.mimetype.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Pontificia Univerisdad Javeriana Cali |
publisher.none.fl_str_mv |
Pontificia Univerisdad Javeriana Cali |
institution |
Pontificia Universidad Javeriana Cali |
bitstream.url.fl_str_mv |
https://vitela.javerianacali.edu.co/bitstreams/b4e41cff-e85b-4534-8572-c525dcf6704b/download https://vitela.javerianacali.edu.co/bitstreams/5dab2204-99a0-4e5d-84cb-c5fe53ed7e91/download https://vitela.javerianacali.edu.co/bitstreams/5342fa88-b4fb-4ae1-b696-81a13390e9c6/download https://vitela.javerianacali.edu.co/bitstreams/42899414-df2c-4e26-acc7-3ded3f571d51/download https://vitela.javerianacali.edu.co/bitstreams/6e6f809a-4d7b-4bb1-b939-55da749e74e2/download https://vitela.javerianacali.edu.co/bitstreams/8810aa12-0aeb-4886-8ea4-428d077d6143/download https://vitela.javerianacali.edu.co/bitstreams/58577c69-abc9-475e-a0ea-d46bb713bc0b/download https://vitela.javerianacali.edu.co/bitstreams/43030058-2cad-4da5-b004-0bc7770b7ee1/download https://vitela.javerianacali.edu.co/bitstreams/59cfafea-4628-4f95-bd0c-cc46b5d0bd0c/download https://vitela.javerianacali.edu.co/bitstreams/4f75e34f-dc7b-4dcf-a168-7fd3916e569a/download |
bitstream.checksum.fl_str_mv |
02aff4d0269b2afd3ea0bba96142fa28 6df9b78be9592926aea06f9ba98a891d 36743cb44e00f5d89e7d54ae88828c53 ec7ee129c3ada82fe0b71589aa6e979b f02a9d81c6e504ad86d29c7e8cdcc0c6 5323fc98767afbbc7cb989e5a0aa242c cf7aedc1e30ef9fa50e1ba56e60310cf 8113abe0fd19ea479a5d6db4210b624f 9875d3c520f118644348236681476e0c 8a4605be74aa9ea9d79846c1fba20a33 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio Vitela |
repository.mail.fl_str_mv |
vitela.mail@javerianacali.edu.co |
_version_ |
1812095050375495680 |
spelling |
Inés Álvarez, GloriaLinares, Diego LuisCamacho Calderon, Katherine2024-06-17T23:44:33Z2024-06-17T23:44:33Z2021https://vitela.javerianacali.edu.co/handle/11522/2850La leishmaniasis es una enfermedad reemergente en Colombia. Catalogada por la Organización Mundial de la Salud como “enfermedad olvidada”, debido a que está asociada directamente con las personas que viven en regiones muy pobres. Por lo tanto, existe poco interés en invertir en el desarrollo de medicamentos y estrategias para controlar esta enfermedad. El glucantime es uno de los medicamentos usados para tratar la leishmaniasis cutánea, la cual ha sido una enfermedad reemergente en Colombia. La forma de administrar este medicamento en algunas ocasiones ha causado mucho dolor y el hecho de usarlo trae la posibilidad de causar efectos colaterales. El anterior panorama ha sido de inspiración para desarrollar modelos de aprendizaje automático que permitan predecir el desenlace terapéutico del tratamiento glucantime. Con este proyecto se obtuvieron cuatro modelos de aprendizaje automático, donde inicialmente se realizó́ un proceso de preparación de los datos, y luego con ayuda de las técnicas de ensamble se construyeron dichos modelos. Se realizaron evaluaciones de los distintos modelos construidos y se permitió inferir que ningún modelo presentó un desempeño que permita confiar en sus predicciones, esto dado que la cantidad de datos no fue suficiente para que los modelos construyeran hipótesis fuertes. Sin embargo, la técnica que permitió obtener el modelo con el mejor desempeño indica que probablemente con una cantidad mayor de datos se puedan obtener mejores predicciones. CIDEIM (Centro Internacional de Entrenamiento e Investigaciones Médicas) fue el ente que proporcionó el conjunto de datos con el cual se construyeron los modelos.Leishmaniasis is a re-emerging disease in Colombia. Cataloged by the World Health Organization as a "neglected disease", due to it is directly associated with people living in very poor regions. Therefore, there is a low interest when investing in the development of drugs and strategies to control this disease. Glucantime is one of the drugs used to treat cutaneous leishmaniasis, which has been a re-emerging disease in Colombia. The way of administering this medicine sometimes has caused a lot of pain and the fact of using it brings the possibility of causing side effects. The aforementioned scenario has inspired the development of machine learning models that allow to predict the therapeutic outcome of glucantime treatment. With this project, four machine learning models were obtained, where initially a data preparation process was carried out, and then with the help of assembly techniques, these models were built. Evaluations of the different built models were carried out and it was allowed to infer that no model showed a performance that allows confidence in its predictions, since the amount of data was not enough for the models to build strong hypotheses. However, the technique that allowed to obtain the model with the best performance suggests that probably with a greater amount of data better predictions can be obtained. CIDEIM (International Center for Medical Training and Research) was the entity that provided the data set with which the models were built.74 p.application/pdfspaPontificia Univerisdad Javeriana Calihttps://creativecommons.org/licenses/by-nc-nd/4.0/https://creativecommons.org/licenses/by-nc-nd/4.0/http://purl.org/coar/access_right/c_abf2GlucantimeCutaneous leishmaniasisMachine learning modelsAssembly techniquesCIDEIMLeishmaniasis cutáneaModelos de aprendizaje automáticoTécnicas de ensamble y CIDEIMTécnicas de ensamble aplicadas a un conjunto de datos perteneciente a pacientes de leishmaniasis cutánea para predecir la efectividad del tratamiento Glucantimehttp://purl.org/coar/resource_type/c_7a1fTesis/Trabajo de grado - Monografía - Pregradohttps://purl.org/redcol/resource_type/TPFacultad de Ingeniería y Ciencias. Ingeniería de Sistemas y ComputaciónPontificia Universidad Javeriana CaliPregradoIngeniero(a)de Sistemas y ComputaciónORIGINALTesis.pdfTesis.pdfapplication/pdf4150456https://vitela.javerianacali.edu.co/bitstreams/b4e41cff-e85b-4534-8572-c525dcf6704b/download02aff4d0269b2afd3ea0bba96142fa28MD52artículoTesis.pdfartículoTesis.pdfapplication/pdf60832https://vitela.javerianacali.edu.co/bitstreams/5dab2204-99a0-4e5d-84cb-c5fe53ed7e91/download6df9b78be9592926aea06f9ba98a891dMD54LicenciaDeAutorización.pdfLicenciaDeAutorización.pdfapplication/pdf214874https://vitela.javerianacali.edu.co/bitstreams/5342fa88-b4fb-4ae1-b696-81a13390e9c6/download36743cb44e00f5d89e7d54ae88828c53MD53TEXTartículoTesis.pdf.txtartículoTesis.pdf.txtExtracted texttext/plain10428https://vitela.javerianacali.edu.co/bitstreams/42899414-df2c-4e26-acc7-3ded3f571d51/downloadec7ee129c3ada82fe0b71589aa6e979bMD56LicenciaDeAutorización.pdf.txtLicenciaDeAutorización.pdf.txtExtracted texttext/plain4906https://vitela.javerianacali.edu.co/bitstreams/6e6f809a-4d7b-4bb1-b939-55da749e74e2/downloadf02a9d81c6e504ad86d29c7e8cdcc0c6MD57Tesis.pdf.txtTesis.pdf.txtExtracted texttext/plain99338https://vitela.javerianacali.edu.co/bitstreams/8810aa12-0aeb-4886-8ea4-428d077d6143/download5323fc98767afbbc7cb989e5a0aa242cMD59THUMBNAILTesis.pdf.jpgTesis.pdf.jpgGenerated Thumbnailimage/jpeg3546https://vitela.javerianacali.edu.co/bitstreams/58577c69-abc9-475e-a0ea-d46bb713bc0b/downloadcf7aedc1e30ef9fa50e1ba56e60310cfMD55LicenciaDeAutorización.pdf.jpgLicenciaDeAutorización.pdf.jpgGenerated Thumbnailimage/jpeg5342https://vitela.javerianacali.edu.co/bitstreams/43030058-2cad-4da5-b004-0bc7770b7ee1/download8113abe0fd19ea479a5d6db4210b624fMD58artículoTesis.pdf.jpgartículoTesis.pdf.jpgGenerated Thumbnailimage/jpeg4816https://vitela.javerianacali.edu.co/bitstreams/59cfafea-4628-4f95-bd0c-cc46b5d0bd0c/download9875d3c520f118644348236681476e0cMD510LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://vitela.javerianacali.edu.co/bitstreams/4f75e34f-dc7b-4dcf-a168-7fd3916e569a/download8a4605be74aa9ea9d79846c1fba20a33MD5111522/2850oai:vitela.javerianacali.edu.co:11522/28502024-06-25 05:15:38.481https://creativecommons.org/licenses/by-nc-nd/4.0/open.accesshttps://vitela.javerianacali.edu.coRepositorio Vitelavitela.mail@javerianacali.edu.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 |