Mostrar el registro sencillo del ítem
Estimación del riesgo de desenlaces adversos en servicios de urgencias usando técnicas de aprendizaje de máquina
dc.contributor.advisor | Olier Caparroso, Iván Alberto | |
dc.contributor.author | Muñoz Rodriguez, Omar Alexander | |
dc.date.accessioned | 2022-11-17T14:49:06Z | |
dc.date.available | 2022-11-17T14:49:06Z | |
dc.date.issued | 2022 | |
dc.identifier.uri | https://repositorio.escuelaing.edu.co/handle/001/2143 | |
dc.description.abstract | Antecedentes: En la actualidad los servicios de urgencias han incrementado el volumen de atenciones y la complejidad de las necesidades de los pacientes, estos cambios requieren de la implementación de soluciones innovadoras, es ahí donde, la inteligencia artificial ha demostrado en los últimos años un enorme potencial. Métodos: Este estudio aplicó técnicas de aprendizaje de máquina en la estimación del riesgo de desenlaces adversos en un servicio de urgencias, a través de la predicción temprana del destino del paciente visto en UCI, cirugía, hospitalización o admisión general, usando datos de 386.554 pacientes que asistieron a urgencias de múltiples centros de atención en Estados Unidos recopilados por el Medical Information Mart for Intensive Care – MIMIC-IV v1.0. Los datos se dividieron aleatoriamente en conjuntos de entrenamiento (70%) y validación (30%), usando modelos de clasificación binaria con regresión logística – LR, Naive Bayes Gaussiano – GNB y gradiente potenciado basado en arboles – LGBM en cuatro conjuntos de variables. Resultados: Los resultados del área bajo la curva ROC para la predicción en los datos de validación son UCI 0.89 (IC 95% 0.88, 0.91), cirugía 0.79 (IC 95% 0.77, 0.81), hospitalización0.79 (IC 95% 0.78, 0.80) y admisión general 0.84 (IC 95% 0.83, 0.85). Todos los algoritmos alcanzaron su mejor desempeño usando datos numéricos, de texto y el triage asignado. Conclusiones: La predicción temprana del destino de urgencias es una práctica que permite una mejor administración de los recursos de atención, adicionalmente, los modelos usados explican los principales determinantes del destino y demuestran la importancia del uso de datos no estructurados adicionales. | spa |
dc.description.abstract | Currently, emergency services have increased the volume of care and the complexity of patient needs, these changes require the implementation of innovative solutions, that is where artificial intelligence has shown enormous potential in recent years. Methods: This study applied machine learning techniques to estimate the risk of adverse outcomes in an emergency department, through early prediction of the fate of the patient seen in the ICU, surgery, hospitalization, or general admission, using data from 386,554 patients. who attended EDs from multiple care centers in the United States collected by the Medical Information Mart for Intensive Care – MIMIC-IV v1.0. Data were randomly divided into training (70%) and validation (30%) sets, using binary classification models with logistic regression - LR, Naive Bayes Gaussian - GNB, and tree-based gradient-powered - LGBM on four sets of variables. Results: The results of the area under the ROC curve for the prediction in the validation data are ICU 0.89 (95% CI 0.88, 0.91), surgery 0.79 (95% CI 0.77, 0.81), hospitalization 0.79 (95% CI 0.78, 0.80) and general admission 0.84 (95% CI 0.83, 0.85). All algorithms achieved their best performance using numerical, textual, and assigned triage data. Conclusions: The early prediction of the emergency destination is a practice that allows better management of care resources; additionally, the models used explain the main determinants of the destination and demonstrate the importance of using additional unstructured data. | eng |
dc.format.extent | 62 páginas | spa |
dc.format.mimetype | application/pdf | spa |
dc.language.iso | spa | spa |
dc.title | Estimación del riesgo de desenlaces adversos en servicios de urgencias usando técnicas de aprendizaje de máquina | spa |
dc.type | Trabajo de grado - Maestría | spa |
dc.type.version | info:eu-repo/semantics/publishedVersion | spa |
oaire.accessrights | http://purl.org/coar/access_right/c_abf2 | spa |
oaire.version | http://purl.org/coar/version/c_970fb48d4fbd8a85 | spa |
dc.description.degreelevel | Maestría | spa |
dc.description.degreename | Magíster en Ciencia de Datos | spa |
dc.identifier.url | https://catalogo.escuelaing.edu.co/cgi-bin/koha/opac-detail.pl?biblionumber=23239 | |
dc.publisher.faculty | Escuela Colombiana de Ingeniería | spa |
dc.publisher.program | Maestría en Ciencia de Datos | spa |
dc.relation.indexed | N/A | spa |
dc.rights.accessrights | info:eu-repo/semantics/openAccess | spa |
dc.subject.armarc | Aprendizaje Automático ( Inteligencia Artificial ) - Modelos matemáticos | |
dc.subject.armarc | Riesgos - Servicios de Urgencias | |
dc.subject.armarc | Administración de la producción - Modelos matemáticos | |
dc.subject.proposal | Aprendizaje Automático ( Inteligencia Artificial ) - Modelos matemáticos | spa |
dc.subject.proposal | Machine Learning (Artificial Intelligence) - Mathematical Models | eng |
dc.subject.proposal | Riesgos - Servicios de Urgencias | spa |
dc.subject.proposal | Risks - Emergency Services | eng |
dc.subject.proposal | Administración de la producción - Modelos matemáticos | spa |
dc.subject.proposal | Production Management - Mathematical Models | eng |
dc.type.coar | http://purl.org/coar/resource_type/c_bdcc | spa |
dc.type.content | Text | spa |
dc.type.driver | info:eu-repo/semantics/masterThesis | spa |
dc.type.redcol | https://purl.org/redcol/resource_type/TM | spa |