Por favor, use este identificador para citar o enlazar este ítem: https://repositorio.unisinucartagena.edu.co:8080/xmlui/handle/123456789/92
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licenseAttribution 4.0 International (CC BY 4.0) * Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.contributor.authorMeléndez Caraballo, John Jairo
dc.contributor.authorAlquerque Suárez, Rodolfo
dc.coverage.spatialCartagena de Indias D. T. y C. (Bolívar)
dc.date.accessioned2021-08-18T17:48:29Z
dc.date.available2021-08-18T17:48:29Z
dc.date.issued2018-11-16
dc.identifier.urihttp://repositorio.unisinucartagena.edu.co:8080/xmlui/handle/123456789/92
dc.descriptionAnalizar dos modelos de predicción para riesgo de hipertensión en pacientes de ciudad de Cartagena usando técnicas de machine learning.es
dc.description.abstractPara la elaboración de este trabajo se realizaron en parte investigaciones distintas unas más profundas que las otras y se analizaron varias propuestas para la realización de algoritmos que utilizan inteligencia artificial, entonces es cuando se encuentra que es posible aplicar el machine learning para dar soluciones de ayuda en algunos casos. De todas las ideas se halló un proyecto donde aplicamos aprendizaje automático para casos de hipertensión en la ciudad de Cartagena, para la implementación de las diferentes técnicas, primero se recopilo toda la información necesaria de varios conjuntos de datos de pacientes que se unificaron para su preparación y selección de características. Para la salud estas herramientas son bastante útil donde podemos aplicar técnicas de machine learning para detectar o clasificar personas que están en riegos de hipertensión. En esta parte se inició la investigación de objetivos, antecedentes y sobre todo el conjunto de datos para los modelos predictivos, pero para hacer el proyecto más alcanzable se define como metal final realizar una comparación de los modelos de aprendizaje automático desarrollados a través de la librería sklearn en Python para determinar cuál es el modelo más óptimo para obtener mejores resultados en termino de predicción. Todos los algoritmos, técnicas o métodos fueron desarrollados bajo el lenguaje de programación Python, para el cual se utilizó la plataforma especialmente utilizada para laboratorios de ciencia de datos e inteligencia artificial, esta se llama anaconda la cual es muy fácil de manejar y ofrece muchas ayudas las cuales hacen más fácil la codificación. Anaconda incluye toda la suite de paquetes básicos que se van a requerir para el análisis y creación de los modelos predictivos, no es necesario instalar librerías externas ya que de todas formas la plataforma maneja las dependencias de manera organizada. Primero se recolectó toda la información con la que se va a trabajar en los algoritmos, luego se debe organizo para presentarla de manera unificada en un archivo que se va a leer através de métodos y librerías. Se realizaron todos los algoritmos y técnicas para la preparación de los datos y el manejo entre los diferentes modelos, del conjunto de datos original se realizó una segmentación de datos dividiendo los datos en entrenamiento y prueba que sirven para el entrenamiento y validación de los modelos, se realizaron todas las pruebas posibles para evaluar los modelos lo cual se hace para identificar los comportamientos y efectos. Luego se evaluaron los subconjuntos de datos obtenidos para comparar cada uno de los modelos seleccionados, realizando un análisis de clasificadores de acuerdo a las variables seleccionadas para elegir el mejor modelo, por último, concluyo cuál es el modelo más óptimo de los comparados. El más apto para asumir la responsabilidad de predecir casos de hipertensión, sabiendo que los modelos de predicción no son 100% certeros son datos que nos ayudarán en gran parte a tomar decisiones que pueden prevenir riesgo de casos de hipertensión en la salud.es
dc.formatapplication/PDF
dc.format.extent87 Páginas
dc.language.isoeses
dc.publisherUniversidad del Sinú, seccional Cartagenaes
dc.rightsEl autor, manifiesta que la obra objeto de la presenta autorización es original y la realizo sin violar o usurpar derechos de autor de terceros, por lo tanto, la obra es de exclusiva autoría y tiene la titularidad sobre la misma. PARAGRAFO: En caso de presentarse cualquier reclamación o acción por parte de un tercero en cuanto a los derechos de autor sobre la obra en cuestión, el autor, asumirá toda la responsabilidad, y saldrá en defensa de los derechos aquí autorizados; para todos los efectos la universidad del Sinu, seccional Cartagena actúa como un tercero de buena fe. El autor, autoriza a la Universidad del Sinu, seccional Cartagena, para que los términos establecidos en la Ley 1581 de 2012 en el artículo 30 de la Ley 23 de 1982 y el artículo 11 de la Decisión Andina 351 de 1993 y toda normal sobre la materia, utilice y use la obra objeto de la presente autorización. EL autor declara y autoriza lo dispuesto en el Articulo 10 del Decreto 1377 de 2013 a proceder con el tratamiento de los datos personales para fines académicos, históricos, estadísticos y administrativos de la Universidad del Sinu, seccional Cartagena. De conformidad con lo establecido, aclaramos que “Los derechos morales sobre el trabajo son propiedad de los autores”, los cuales son irrenunciables, imprescriptibles, inembargables e inalienables.
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0
dc.subjectResearch Subject Categories::TECHNOLOGYes
dc.titleComparación de modelos predictivos de riesgo de hipertensión en la población de Cartagena usando aprendizaje automáticoes
dc.typeThesises
dcterms.contributorArrieta Rodríguez, Eugenia
Aparece en las colecciones: Ingeniería de Sistemas

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
PROYECTO COMPARACION DE MODELOS PREDICTIVOS DE HIPERTENSION EN CTG.pdf1,66 MBAdobe PDFVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons