Maestría en Gestión y Desarrollo de Proyectos de Software · 2016
Solución de inteligencia de negocios basada en minería de datos para apoyar la toma de decisiones en el proceso de cirugía del Hospital Departamental Universitario Santa Sofía de Caldas, en la ciudad de Manizales
La toma de decisiones en la gestión hospitalaria permite avanzar hacia la atención oportuna y humanizada de los usuarios. La administración de recursos relacionados con el proceso de cirugía, permite alcanzar mejores resultados tanto clínicos como financieros. El aumento exponencial de datos clínicos dificulta cada vez más el acceso a la información mediante métodos tradicionales. La Minería de datos y la Inteligencia de Negocios, ofrecen herramientas que permiten lograr altos niveles de autonomía, disponibilidad y facilidad de acceso a la información. La presente investigación busca implementar una solución de inteligencia de negocios que, basada en Minería de Datos, permita apoyar la Gestión Estratégica del Proceso de Cirugía en el Hospital Departamental Universitario Santa Sofía de Caldas, ubicado en la ciudad de Manizales, Colombia. Se aplica la metodología CRISP-DM y mediante el uso de modelos de datos y técnicas de visualización dimensionales, se generan informes dinámicos personalizables por el usuario, reportes activos y despliegue móvil de datos. Así mismo se aplica clustering como técnica de agrupamiento y usando el algoritmo K-Means se exploran datos buscando identificación de grupos de pacientes que han sido sometidos a procedimientos quirúrgicos y cuyos diagnósticos estaban asociados a cáncer. Se busca ofrecer a los líderes del servicio una solución orientada a procesos analíticos, que integre tanto datos administrativos como asistenciales. Metodología: Se documentan las 6 fases de la metodología CRISP-DM; se utiliza DB2 Web Query como motor de reportes, DB2 for IBMi para el modelo de Data Warehouse, ROAMBI Analytics para la visualización en dispositivos móviles y WEKA como herramienta de minería de datos para la técnica Clustering y específicamente el algoritmo K-Means. Resultados: Motor de reportes de Inteligencia de Negocios, OLAP, Active Reports y dashboards implementados y validados por los interesados, visualización en dispositivos móviles, técnica de minería aplicada, arrojando dos clústeres como grupos de pacientes quirúrgicos y documentación de cada fase abordada en la metodología. Conclusiones: La evaluación de la solución demuestra altos niveles de aceptación por parte de los interesados.
Full text 186 pages with text
Read the full thesis Record in the repository
Contents
- INTRODUCCIÓNp. 14
- REFERENTE CONTEXTUALp. 17
- Descripción del área problemáticap. 17
- Antecedentesp. 18
- 1.2.1 Conclusiones sección de antecedentesp. 23
- Justificaciónp. 25
- Formulación del problemap. 27
- Objetivosp. 28
- Objetivo Generalp. 28
- Objetivos Específicosp. 28
- Alcances y limitantesp. 29
- 1.6.1. Unidad de Análisis y Muestra a utilizarp. 29
- 1.6.2. Confidencialidad de los datosp. 29
- 1.6.3. Herramientas de software Candidatasp. 31
- Resultados esperadosp. 32
- ESTRATEGIA METODOLÓGICAp. 34
- Tipo de Estudiop. 34
- Metodologías para proyectos de minería de datosp. 35
- CRISP-DM (Cross Industry Standard Process for Data Mining)p. 35
- SEMMA (Sample – Explore – Modify – Model – Assess)p. 35
- KDD (Knowledge Discovery and Data Mining)p. 37
- Metodología Catalyst (P3TQ)p. 38
- Metodología Berry y Linoffp. 40
- Comparación de metodologías de minería de datosp. 40
- Selección de la metodología a implementarp. 42
- Descripción metodología CRISP-DMp. 42
- Fases de la metodología CRISP-DMp. 43
- Comprensión del negociop. 43
- Comprensión de los datosp. 44
- Preparación de los datosp. 46
- Modeladop. 47
- Evaluaciónp. 33
- Despliegue de la Soluciónp. 50
- Pruebasp. 52
- Presupuestop. 50
- REFERENTE TEÓRICOp. 55
- 3.1 Información en el Sector Salud. Marco Legalp. 55
- Tipos de Sistemas de Informaciónp. 56
- Conceptos sobre almacenes de datosp. 60
- Data warehousep. 60
- Data martp. 61
- OLTPp. 62
- OLAP (On line Analytical Processing)p. 62
- OLAP vs OLTPp. 65
- Modelos Dimensionalesp. 65
- Esquema en Estrellap. 68
- Esquema copo de nievep. 69
- Esquema de Constelación de hechosp. 70
- Inteligencia de Negociosp. 31
- Arquitectura de una solución de Inteligencia de Negociosp. 72
- Arquitectura Howard Dresnerp. 72
- Arquitectura propuesta por William Inmonp. 73
- Arquitectura de Data Marts independientesp. 74
- Arquitectura propuesta por Ralph Kimballp. 74
- Software utilizado para soluciones de Inteligencia de negociosp. 77
- DB2 WebQuery for IBMip. 78
- Herramientas para Mobile Analyticsp. 78
- Data Miningp. 79
- Tipos de técnicas de minería de datosp. 82
- No supervisadas o descriptivasp. 82
- Supervisadas o predictivasp. 83
- Técnica de Agrupamiento Clustering. Descripciónp. 84
- Medidas de Similitudp. 85
- Tipos de algoritmos para Clusteringp. 87
- Algoritmo K-Medias (K-means)p. 88
- Pasos para realizar un análisis de Clústerp. 90
- Reducción de la Dimensionalidadp. 92
- Data Mining y los Data Warehousep. 93
- Software para Data Miningp. 94
- Desarrollo de la metodologíap. 95
- Fase I. Comprensión del Negociop. 95
- Caracterización Proceso Atención Integral en el Servicio de Quirófanosp. 95
- Procedimientos que integran el procesop. 96
- Objetivo Proceso de Quirófanosp. 97
- Objetivos de la minería de datosp. 44
- Requerimientos Funcionalesp. 99
- Plan del proyectop. 44
- Fase II. Comprensión de los Datosp. 102
- Informe de exploración de datosp. 45
- Informe de verificación de calidad de los datosp. 45
- Fase III Preparación de los datosp. 104
- Objetivo de la Fasep. 102
- SCRIPT SQL Modelo de datosp. 108
- DISEÑO DEL MODELO DE DATOSp. 109
- Fase IV. Modeladop. 120
- Objetivop. 96
- RF-1 OLAP Cirugíap. 120
- RF-2. OLAP Financierop. 130
- RF-5. Tablero Facturaciónp. 120
- RF-8. Reportes para dispositivos móvilesp. 120
- RF-9. Personalización y exportación de informesp. 120
- RF-11. Clustering para obtener grupos de pacientesp. 120
- Fase V. Evaluaciónp. 160
- Objetivop. 96
- Evaluación de los resultadosp. 163
- Proceso de revisiónp. 49
- Determinación de los pasos siguientesp. 166
- Fase VI. Desplieguep. 167
- Objetivop. 96
- Pruebasp. 52
- Plan de Pruebasp. 47
- Análisis de resultadosp. 173
- CONCLUSIONESp. 174
- RECOMENDACIONESp. 176
- TRABAJO FUTUROp. 177
- 7. DIVULGACIÒN DE RESULTADOSp. 178
- BIBLIOGRAFIAp. 179
- Figura 1 Logotipo Hospital Santa Sofía. Empresa objetivo del Estudio de Casop. 29
- Figura 2 Fases SEMMA. Fuente SASp. 36
- Figura 3. Fases de Metodología SEMMA. (Cattaneo et al, 2010)p. 37
- Figura 4. Proceso de Descubrimiento de Conocimiento. Tomada de (Fayyad, 1996)p. 38
- Figura 5. Fases de Metodología P3TQp. 39
- Figura 6. Interacción entre las cinco variables en metodología P3TQp. 39
- Figura 7. Fases de Metodología Berry y Linoffp. 40
- Figura 8. Metodologías utilizadas en proyectos de minería de datos 2014p. 41
- Figura 9 Comparativa interrelaciones metodología SEMMA vs CRISP-DMp. 42
- Figura 10 Modelo CRISP-DMp. 43
- Figura 11 Metodología CRISP-DM. Fase I Comprensión del Negociop. 43
- Figura 12. Metodología CRISP-DM. Fase II. Comprensión de los datosp. 44
- Figura 13. Metodología CRISP-DM. Fase III. Preparación de los datosp. 46
- Figura 14. Metodología CRISP-DM. Fase IV Modeladop. 47
- Figura 15. Metodología CRISP-DM. Fase V. Evaluaciónp. 49
- Figura 16. Metodología CRISP-DM. Fase VI. Despliegue de la Soluciónp. 50
- Figura 17. Valoración cualitativa Soluciones de Soluciones de Inteligencia de Negociosp. 53
- Figura 18. Clasificación de los Sistemas de Informaciónp. 56
- Figura 19. Representación OLAP producción de cirugíasp. 63
- Figura 20. Representación gráfica de Modelo dimensionalp. 66
- Figura 21. Star Schema vs OLAP cubep. 67
- Figura 22. Diagrama de Flujo, proceso de modelamiento dimensionalp. 68
- Figura 23. Esquema en Estrella (Modelo de datos Cirugía)p. 69
- Figura 24. Esquema Copo de Nieve. (Modelo de datos Cirugía)p. 69
- Figura 25. Esquema Constelación de Hechos. (Modelo de datos Cirugía)p. 70
- Figura 26. Arquitectura de Data Warehouse Corporativo (William Inmon)p. 73
- Figura 27. Arquitectura Data Mart Independientesp. 74
- Figura 28. Elementos principales de la arquitectura DW/BI (Ralph Kimball)p. 75
- Figura 29. Análisis del cuadrante mágico de Gartner para 2014 “Business Intelligence”p. 77
- Figura 30. Procedimiento de análisis de clusteringp. 85
- Figura 31. Ejemplo de dendograma para clustering jerárquicop. 88
- Figura 32. Ejemplo de distancias intra y entre clústeresp. 91
- Figura 33. Ejemplo de conglomerados finalesp. 91
- Figura 34. Data mart para data mining extraido de data warehousep. 94
- Figura 35. Formatos de Descripción de datosp. 103
- Figura 36a. Contenido tabla dimensional Hechos de cirugíap. 106
- Figura 37b. Contenido tabla dimensional Pacientep. 107
- Figura 38. Creación de Esquema de Base de datos BI_SSofiap. 110
- Figura 39. Data warehouse (tablas y vistas) para el desarrollo de la soluciónp. 111
- Figura 40. Creación de la nueva solución de inteligencia de negocios (BI_SSofia)p. 112
- Figura 41. Proceso de creación de metadatas para el desarrollo de solución de BIp. 113
- Figura 42. Listado de metadatas (Sinónimos Web Query)p. 114
- Figura 43. Edición de sinónimos y atributosp. 114
- Figura 44. Creación de relaciones entre tablas de hechos y dimensionesp. 115
- Figura 45. Interfaz general vista de dimensionesp. 116
- Figura 46. Modelo Conceptual de los datosp. 117
- Figura 47. Diseño lógico de Data Warehousep. 118
- Figura 48. Diseño físico de los Datosp. 119
- Figura 49. Proceso para la creación de un nuevo reporte en Web Queryp. 121
- Figura 50. Opciones de edición de reportes en Web Queryp. 122
- Figura 51. Framework DB2 Web Query Developer Workbenchp. 123
- Figura 52. Semaforización de atributosp. 123
- Figura 53. Menú principal Solución de Inteligencia de Negociosp. 124
- Figura 54. OLAP Cirugía. Ejecución del Informe para todos los añosp. 125
- Figura 55. OLAP Cirugía. Ejecución del Informe aplicando filtro para los años 2014-2015p. 126
- Figura 56. Dimensiones OLAP Cirugíap. 127
- Figura 57. OLAP Cirugía. Granularidad. Funcionalidad drill downp. 128
- Figura 58. Personalización atributos OLAPp. 129
- Figura 59. Ejecución informe OLAP Financierap. 130
- Figura 60. Drill Down OLAP Financierap. 131
- Figura 61. Drill Down y agregación de atributos OLAP Financierap. 132
- Figura 62. Nivel de detalle Regimen – EPS. OLAP Financierap. 133
- Figura 63. Nivel de detalle seguimiento a glosas. OLAP Financierap. 133
- Figura 64. Tablero Monitoreo Facturación Ejemplo 1(2013-2015 todos los trimestres)p. 134
- Figura 65. Tablero Monitoreo Facturación Ejemplo 2(2013-2015 último trimestre)p. 135
- Figura 66. Tablero Monitoreo Facturación Ejemplo 3 (Función PIVOT)p. 135
- Figura 67. Tablero Monitoreo Facturación Ejemplo 4 (Función PIVOT)p. 136
- Figura 68. Framework de trabajo ROAMBI ANALYTICSp. 137
- Figura 69. Reporte Indicadores Históricos de producción 2193. Dispositivo Móvilp. 137
- Figura 70. Reporte Facturación de Cirugías. Dispositivo Móvilp. 138
- Figura 71. Reporte Indicadores de Cirugía. Dispositivo Móvilp. 138
- Figura 72. Generación de informe OLAP para exportarp. 139
- Figura 73. Funcionalidad de exportación de Resultados en DB2 Web Queryp. 140
- Figura 74. Vista Minable para aplicación de Clusteringp. 144
- Figura 75. Archivo Arff para minería en WEKAp. 144
- Figura 76. Exploración atenciones por grupos de cirugíap. 148
- Figura 77. Exploración registros por tipo de atenciónp. 149
- Figura 78. Exploración atenciones por grupos etareosp. 150
- Figura 79. Exploración atenciones por Zona de Residenciap. 151
- Figura 80. Exploración atenciones por Régimenp. 152
- Figura 81. Exploración atenciones por Génerop. 152
- Figura 82. Exploración atenciones por Estado Civilp. 153
- Figura 83. Exploración atenciones por Etniasp. 154
- Figura 84. Exploración atenciones por Estratosp. 154
- Figura 85. Centroides y Clústeres generados por K-Means en WEKAp. 155
- Figura 86. Resultados Clustering, set de datos 2p. 157
- Figura 87. Resultados Clustering, set de datos 3p. 158
- Figura 88. Evaluación de Satisfacción de Requerimientos – Calificadop. 161
- Figura 89. Evaluación de Resultados obtenidos – Calificadop. 162
- Figura 90. Caso de Prueba 2. Requerimiento Guardar Informes Personalizados en Web Queryp. 169
- Figura 91. Script SQL utilizado y su Visual Explain - Caso de Prueba 2p. 170
- Figura 92. Caso de prueba 4. Funcionamiento OLAP Financierop. 171
- Figura 93. Script SQL utilizado y su Visual Explain - Caso de Prueba 4p. 172
- Tabla 1. Resultados esperados del proyecto de investigaciónp. 32
- Tabla 2. Presupuesto. Costos de Recurso Humanop. 54
- Tabla 3. Presupuesto. Costos Insumos y Materialesp. 54
- Tabla 4. Presupuesto. Costos Totales del Proyectop. 54
- Tabla 5. OLTP vs OLAPp. 65
- Tabla 6. Componentes del proceso ETLp. 76
- Tabla 7. Resumen de Algoritmos para mineríap. 84
- Tabla 8. Caracterización Proceso de Cirugíap. 96
- Tabla 9. Resumen Procedimientos proceso Cirugíap. 96
- Tabla 10. Definición Objetivos de Minería de Datosp. 98
- Tabla 11. Resumen de Requerimientos Funcionalesp. 99
- Tabla 12. Detalle requerimiento funcional RF-1p. 100
- Tabla 13. Caso de Uso. CU-001. Generar Informes mediante herramienta OLAPp. 101
- Tabla 14. Plan del Proyectop. 102
- Tabla 15. Resumen de tablas dimensionales del modelo de datosp. 104
- Tabla 16. Descripción tablas del Modelo Dimensional. Tabla de hechos Cirugíap. 105
- Tabla 17. Descripción tablas del Modelo Dimensional. Tabla de dimensión Pacientep. 107
- Tabla 18. Descripción Set de Datos para técnica de Minería (Clustering)p. 141
- Tabla 19. Ficha técnica de minería de datos Clusteringp. 143
- Tabla 20. Exploración de datos atributo Edadp. 145
- Tabla 21. Exploración de datos atributo Grupo_CIE10p. 146
- Tabla 22. Exploración de datos atributo Grupo_Cirugíap. 148
- Tabla 23. Exploración de datos atributo Tipo_Atenciónp. 148
- Tabla 24. Exploración de datos atributo Grupo Etareop. 149
- Tabla 25. Exploración de datos atributo Zona_residenciap. 150
- Tabla 26. Exploración de datos atributo Régimenp. 151
- Tabla 27. Exploración de datos atributo Génerop. 152
- Tabla 28. Exploración de datos atributo Estado_Civilp. 153
- Tabla 29. Exploración de datos atributo Etniap. 153
- Tabla 30. Exploración de datos atributo Estratop. 154
- Tabla 31. Resumen Exploración de datos. Atributos relevantesp. 156
- Tabla 32. Resumen Grupos de diagnóstico relevantes identificadosp. 159
- Tabla 33. Planificación del despliegue de la Solución de BIp. 167
- Tabla 34. Planeación y Control de Casos de Pruebap. 168
- Tabla 35. Resultados esperados vs Resultados obtenidos en el proyecto de investigaciónp. 173