Medellín - Minas - Maestría en Ingeniería - Analítica · 2022
Predicción de riesgos en salud, para personas con obesidad empleando técnicas de aprendizaje de maquinas
La obesidad es una enfermedad de alto riesgo es una patología que es considerada como un problema de salud pública, en Colombia cerca del 60% de la población tiene malos hábitos alimenticios y esto influye a sufrir otras patologías donde intervenir a tiempo y evitar una hospitalización urgente o un fallecimiento es fundamental. Esta investigación trata de proponer un modelo de aprendizaje de máquinas, analizando los patrones de comportamiento y diferentes interacciones con los sistemas de salud colombiano, con el propósito de predecir un evento adverso, el resultado es un modelo escalable a los sistemas y de precisión aceptable que permitirá una mayor comprensión de los datos y contribuirá a generar una política preventiva en salud más eficiente. (Texto tomado de la fuente)
Texto completo 51 páginas con texto
Leer la tesis completa Ficha en el repositorio
Contenido
- INTRODUCCIÓNp. 9
- Definición del Problema:p. 11
- Objetivosp. 12
- Contribuciónp. 12
- MARCO TEORICOp. 13
- Ámbitos de investigación en analítica medicap. 15
- Indicadores de obesidadp. 16
- Tipos de analíticap. 17
- REVISION DE LA LITERATURAp. 18
- EMPLEANDO TÉCNICAS DE APRENDIZAJE DE MÁQUINASp. 12
- Metodologíap. 21
- Preparación y construcción del modelop. 22
- Diseño de variablesp. 23
- Variables Categóricasp. 23
- Variables Discretasp. 24
- Variables continuasp. 27
- Selección de característicasp. 34
- Predicción De Riesgos En Salud, Para Personas Con Obesidadp. 39
- k-Nearest Neighbor(KNN)p. 40
- SMV (Maquinas de soporte vectorial)p. 41
- Regresión Logísticap. 41
- Redes Neuronalesp. 42
- ANALISIS DE RESULTADOSp. 44
- Comparación con estudios de obesidadp. 44
- Conclusionesp. 47
- Trabajo Futurop. 47
- Referenciasp. 49
- Figura 1 Estructura del modelo (elaboración propia)p. 22
- Figura 2 Distribución de la población por Sexop. 28
- Figura 3 Distribución población por curso de vidap. 28
- Figura 4 Porcentaje de fallecimientos por sexop. 29
- Figura 5 Porcentaje de ingresos a hospitalizaciónp. 29
- Figura 6 Fallecimientos por curso de vidap. 30
- Figura 7 Hospitalización urgentes por curso de vidap. 30
- Figura 8 Comparación PCA Ferdowsky (Faria Ferdowsy, 2021)p. 39
- Figura 9 Nivel de precisión en los conjuntos de entrenamiento del valor Kp. 40
- Figura 10 Matriz de confusión modelo de regresión logísticap. 42
- Figura 11 Funcionamiento red neuronal tomado de (Ruiz Carlos Alberto, 2001)p. 43
- Figura 12 Entrenamiento y test modelop. 44
- Tabla 1 Clasificación IMC OMS. (fuente OMS)p. 16
- Tabla 2 Ejemplo modelo de datos variables categóricas (elaboración propia)p. 23
- Tabla 3 Ejemplo de variables operativas en el modelo (elaboración propia)p. 24
- Tabla 4 Agrupación de los códigos CIE10 para el modelo (elaboración propia)p. 25
- Tabla 5 Ejemplo de asociación códigos CIE10 (elaboración propia)p. 26
- Tabla 6 Ejemplo de variables motivo consulta patológicas(elaboración propia)p. 27
- Tabla 7 Porcentaje de marcaciones en pacientes obesos (elaboración propia)p. 31
- Tabla 8 Marcación pacientes obesos fallecidos (elaboración propia)p. 32
- propia))p. 32
- (Elaboración propia)p. 33
- Tabla 12 Niveles de precisión modelo Fariap. 45
- Tabla 11 Comparación Métricas de precisión del modelop. 47