Especialización en Analítica y Ciencia de Datos · 2025
Pronóstico del aumento de ingresos en redes hospitalarias por diagnósticos de enfermedades respiratorias según las condiciones meteorológicas y la calidad del aire del Valle de Aburrá
Colombia es un país que presenta un alto porcentaje de mortalidad por enfermedades respiratorias debido a sus zonas de concentración de contaminantes. Estas cifras pueden darse en ocasiones donde las condiciones climáticas y ambientales son dañinas para la salud. Dadas estas cifras alarmantes, es necesario tener en cuenta la cantidad de pacientes que pueden ingresar a los hospitales en ocasiones donde existan afectaciones en las condiciones ambientales, por ello, con el fin de alertar a los establecimientos de salud acerca de la cantidad de pacientes con diagnósticos asociados a enfermedades respiratorias que ingresarán en ciertos sectores o comunas de Medellín, presentamos un modelo alimentado por variables climáticas e ingresos en hospitales, con datos proporcionados por el Sistema de Alerta Temprana de Medellín y el Valle de Aburrá y el Sistema de Información de Prestaciones de Salud en los años de 2020 a 2024. La creación del modelo predictivo es a base de la metodología CRISP-DM, lo que permite realizar el proceso ETL en los datos para ajustar el modelo de Random Forest a un R2 de 0.9940. De esta forma, podemos estimar la cantidad de asistencias proyectadas en entidades hospitalarias cercanas a los puntos de toma de información.
Texto completo 17 páginas con texto
Leer la tesis completa Ficha en el repositorio
Contenido
- Introducciónp. 7
- Materiales y Métodosp. 8
- Descripción de los datosp. 8
- Preprocesamiento y limpieza de datosp. 9
- Métodos de análisis y Modeladop. 11
- Resultados y Discusiónp. 12
- Conclusionesp. 15
- Bibliografíap. 15
- Figura 1 Combinaciones de variables y diagramas de distribuciónp. 9
- Figura 2 Distribución de score de anomalíap. 10
- atenciones_por_dia, humedad, presión y pm25p. 10
- Figura 4 Matriz de correlación de variables seleccionadasp. 10
- Figura 5 Diagrama general de árboles de decisión (James et al., 2013)p. 11
- Figura 6 Gráfico de ajuste modelo XGBoostp. 12
- Figura 7 Gráfico de ajuste modelo Light Gradientp. 12
- Figura 8 Gráfico de ajuste modelo Random Forestp. 13
- Figura 9 Importancia de las variables según el modelo Random Forestp. 13
- shap valuesp. 14
- Tabla 1 Cuadro comparativo de métricas de ajuste en modelosp. 13
- Tabla 2 Pesos de características por componentes principales PCAp. 13
- variables de poca importanciap. 14