Metodología de mantenimiento predictivo para la prevención de fallas en equipos de resonancia magnética en el Hospital Universitario Fundación Valle del Lili
El presente documento condensa el desarrollo de una metodología de mantenimiento predictivo orientada a prevenir fallas en los equipos de resonancia magnética del Hospital Universitario Fundación Valle del Lili, ubicado en Santiago de Cali. El proyecto se llevó a cabo como pasantía institucional ent...
- Autores:
-
Campuzano Palacio, Juliana
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2025
- Institución:
- Universidad Autónoma de Occidente
- Repositorio:
- RED: Repositorio Educativo Digital UAO
- Idioma:
- spa
- OAI Identifier:
- oai:red.uao.edu.co:10614/16263
- Acceso en línea:
- https://hdl.handle.net/10614/16263
https://red.uao.edu.co/
- Palabra clave:
- Ingeniería Biomédica
Mantenimiento predictivo
Equipos de resonancia magnética
Inteligencia artificial
Análisis de datos
Histórico de fallas
Gestión del mantenimiento
Predictive maintenance
Magnetic resonance imaging equipment
Artificial intelligence
Data analysis
Failure history
Maintenance management
- Rights
- closedAccess
- License
- Derechos reservados - Universidad Autónoma de Occidente, 2025
| id |
REPOUAO2_b7c5dde5ca2c553a4209694c5ba773f6 |
|---|---|
| oai_identifier_str |
oai:red.uao.edu.co:10614/16263 |
| network_acronym_str |
REPOUAO2 |
| network_name_str |
RED: Repositorio Educativo Digital UAO |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Metodología de mantenimiento predictivo para la prevención de fallas en equipos de resonancia magnética en el Hospital Universitario Fundación Valle del Lili |
| title |
Metodología de mantenimiento predictivo para la prevención de fallas en equipos de resonancia magnética en el Hospital Universitario Fundación Valle del Lili |
| spellingShingle |
Metodología de mantenimiento predictivo para la prevención de fallas en equipos de resonancia magnética en el Hospital Universitario Fundación Valle del Lili Ingeniería Biomédica Mantenimiento predictivo Equipos de resonancia magnética Inteligencia artificial Análisis de datos Histórico de fallas Gestión del mantenimiento Predictive maintenance Magnetic resonance imaging equipment Artificial intelligence Data analysis Failure history Maintenance management |
| title_short |
Metodología de mantenimiento predictivo para la prevención de fallas en equipos de resonancia magnética en el Hospital Universitario Fundación Valle del Lili |
| title_full |
Metodología de mantenimiento predictivo para la prevención de fallas en equipos de resonancia magnética en el Hospital Universitario Fundación Valle del Lili |
| title_fullStr |
Metodología de mantenimiento predictivo para la prevención de fallas en equipos de resonancia magnética en el Hospital Universitario Fundación Valle del Lili |
| title_full_unstemmed |
Metodología de mantenimiento predictivo para la prevención de fallas en equipos de resonancia magnética en el Hospital Universitario Fundación Valle del Lili |
| title_sort |
Metodología de mantenimiento predictivo para la prevención de fallas en equipos de resonancia magnética en el Hospital Universitario Fundación Valle del Lili |
| dc.creator.fl_str_mv |
Campuzano Palacio, Juliana |
| dc.contributor.advisor.none.fl_str_mv |
Quintero Ospina, Julián David |
| dc.contributor.author.none.fl_str_mv |
Campuzano Palacio, Juliana |
| dc.contributor.corporatename.spa.fl_str_mv |
Universidad Autónoma de Occidente |
| dc.contributor.jury.none.fl_str_mv |
Sánchez Bedoya, Ana María |
| dc.subject.proposal.spa.fl_str_mv |
Ingeniería Biomédica Mantenimiento predictivo Equipos de resonancia magnética Inteligencia artificial Análisis de datos Histórico de fallas Gestión del mantenimiento |
| topic |
Ingeniería Biomédica Mantenimiento predictivo Equipos de resonancia magnética Inteligencia artificial Análisis de datos Histórico de fallas Gestión del mantenimiento Predictive maintenance Magnetic resonance imaging equipment Artificial intelligence Data analysis Failure history Maintenance management |
| dc.subject.proposal.eng.fl_str_mv |
Predictive maintenance Magnetic resonance imaging equipment Artificial intelligence Data analysis Failure history Maintenance management |
| description |
El presente documento condensa el desarrollo de una metodología de mantenimiento predictivo orientada a prevenir fallas en los equipos de resonancia magnética del Hospital Universitario Fundación Valle del Lili, ubicado en Santiago de Cali. El proyecto se llevó a cabo como pasantía institucional entre diciembre de 2024 y junio de 2025, con el objetivo de fortalecer la continuidad operativa de estos equipos, reducir los tiempos de inactividad y anticipar fallas mediante el análisis de datos históricos, herramientas de visualización avanzada y técnicas de inteligencia artificial. Durante su ejecución, se realizó un análisis estructural y funcional de los cinco equipos de resonancia magnética instalados en la institución, considerando un total de 495 eventos de falla registrados entre 2019 y 2024, a partir de los cuales se construyeron representaciones gráficas, como un dashboard interactivo, mapas de calor y una matriz de criticidad, que permitieron identificar los componentes con mayor recurrencia de fallas, considerando tanto su frecuencia como su impacto funcional. De forma complementaria, se aplicó la técnica STL (descomposición estacional y de tendencia utilizando Loess) la cual permitió detectar patrones cíclicos en la ocurrencia de fallas y establecer intervalos óptimos para su intervención. Por lo tanto, con base en estos hallazgos, se formularon medidas predictivas clasificadas en dos líneas de acción: intervenciones directas, ejecutadas por el proveedor o personal certificado; y tareas de monitoreo continuo, asumidas por el equipo de ingeniería biomédica de la institución. En paralelo, se desarrolló un modelo de clasificación basado en el nivel de riesgo de las fallas (critico, medio y bajo) mediante el uso de algoritmos de inteligencia artificial, en el cual el modelo XGBosst se destacó por su alto desempeño al alcanzar una precisión del 88,5 % y un F1-score de 0,89 en la clase crítica, resultado que fue posible gracias al fortalecimiento del conjunto de datos de entrenamiento mediante la incorporación de datos sintéticos generados con el modelo de aprendizaje profundo CTGAN y la aplicación de la técnica SMOTE, lo que permitió balancear las clases y mejorar la capacidad de generalización del modelo. Finalmente, se implementó una prueba piloto en uno de los equipos de resonancia magnética de la institución, en la cual se aplicaron y ajustaron los protocolos técnicos, listas de chequeo e instrumentos de evaluación generados a lo largo del proyecto, lo que permitió verificar la viabilidad de la metodología y consolidar su implementación institucional como una estrategia replicable y adaptable para mejorar la gestión del mantenimiento de los equipos de resonancia magnética. |
| publishDate |
2025 |
| dc.date.accessioned.none.fl_str_mv |
2025-08-14T20:26:07Z |
| dc.date.available.none.fl_str_mv |
2025-08-14T20:26:07Z |
| dc.date.issued.none.fl_str_mv |
2025-08-11 |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| dc.type.coar.eng.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.eng.fl_str_mv |
Text |
| dc.type.driver.eng.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.redcol.eng.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| dc.type.version.eng.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
publishedVersion |
| dc.identifier.citation.spa.fl_str_mv |
Campuzano Palacio, J. (2025). Metodología de mantenimiento predictivo para la prevención de fallas en equipos de resonancia magnética en el Hospital Universitario Fundación Valle del Lili. (Pasantía organizacional). Universidad Autónoma de Occidente. Cali. Colombia. https://hdl.handle.net/10614/16263 |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/10614/16263 |
| dc.identifier.instname.spa.fl_str_mv |
Universidad Autónoma de Occidente |
| dc.identifier.reponame.spa.fl_str_mv |
Respositorio Educativo Digital UAO |
| dc.identifier.repourl.none.fl_str_mv |
https://red.uao.edu.co/ |
| identifier_str_mv |
Campuzano Palacio, J. (2025). Metodología de mantenimiento predictivo para la prevención de fallas en equipos de resonancia magnética en el Hospital Universitario Fundación Valle del Lili. (Pasantía organizacional). Universidad Autónoma de Occidente. Cali. Colombia. https://hdl.handle.net/10614/16263 Universidad Autónoma de Occidente Respositorio Educativo Digital UAO |
| url |
https://hdl.handle.net/10614/16263 https://red.uao.edu.co/ |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.none.fl_str_mv |
Abdel Wahed, M., Sharawi, A. A., y Badawi, H. A. (2010). Modeling of medical equipment maintenance in health care facilities to support decision making. 2010 5th Cairo International Biomedical Engineering Conference, 202-205. https://doi.org/10.1109/CIBEC.2010.5716080 Able, C. M., Baydush, A. H., Nguyen, C., Gersh, J., Ndlovu, A., Rebo, I., Booth, J., Perez, M., Sintay, B., y Munley, M. T. (2016). A model for preemptive maintenance of medical linear accelerators—predictive maintenance. Radiation Oncology, 11, 1-9. https://doi.org/10.1186/s13014-016-0602-1 Adem, B. E., Angmorterh, S. K., Aboagye, S., Agyemang, P. N., Angaag, N. A., y Ofori, E. K. (2023). Equipment downtime in the radiology departments of three teaching hospitals in Ghana. Radiography, 29(5), 833-837. https://doi.org/10.1016/j.radi.2023.06.002 Alvarado Chávez, J. A., y Rodríguez Valencia, J. A. (2017). Guía tecnológica: Resonancia Magnética 1.5T y 3.0T. http://www.cenetec.salud.gob.mx/descargas/biomedica/guias_tecnologicas/Guia_Tec_Resonancia_Magnetica_26Ene_v5.pdf Andritoi, D., Luca, C., Corciova, C., y Ciorap, R. (2013). Predictive maintenance application for health technology management. 2013 8TH International Syposium on advanced topics in electrical engineering. https://doi.org/10.1109/ATEE.2013.6563431 Azith Teja, V. K. (2023). AI-Driven Predictive Maintenance System for Critical Equipment in Healthcare Facilities. 1(1). https://doi.org/10.70179/rbddkx27 Betancourt, G. A. (2005). Las máquinas de soporte vectorial (SVMs). Scientia Et Technica, 1(27). https://moodle2.utp.edu.co/index.php/revistaciencia/article/view/6895 Carlyle Bushong, S., y Clarke, G. (2015). Magnetic Resonance Imaging: Physical and Biological Principles (4.a ed.). Elsevier. Cieslak, M. C., Castelfranco, A. M., Roncalli, V., Lenz, P. H., y Hartline, D. K. (2020). t-Distributed Stochastic Neighbor Embedding (t-SNE): A tool for eco-physiological transcriptomic analysis. Marine Genomics, 51. https://doi.org/10.1016/j.margen.2019.100723 Clínica Universidad de Navarra. (s. f.). Cómo funciona la resonancia magnética 3 Teslas. https://www.cun.es/material-audiovisual/infografia/como-funciona-resonancia-magnetica-3-teslas Costa Subías, J., y Soria Jerez, J. A. (2021). Resonancia magnética dirigida a técnicos superiores en imagen para el diagnóstico (2.a ed.). Cui, M., y Zhang, D. Y. (2021). Artificial intelligence and computational pathology. Laboratory Investigation, 101(4), 412-422. https://doi.org/10.1038/s41374-020-00514-0 Farhat, J., Shamayleh, A., y Al-Nashash, H. (2018). Medical equipment efficient failure management in IoT environment. 2018 Advances in Science and Engineering Technology International Conferences (ASET), 1-5. https://doi.org/10.1109/ICASET.2018.8376911 Fundación Valle del Lili. (s. f.). Acerca de Nosotros: Misión, Visión, Valores, Historia. https://valledellili.org/nuestra-institucion/acerca-de-nosotros/ Gallab, M., Ahidar, I., Zrira, N., y Ngote, N. (2024). Towards a Digital Predictive Maintenance (DPM): Healthcare Case Study. Procedia Computer Science, 232, 3183-3194. https://doi.org/10.1016/j.procs.2024.02.134 Garcia-Alvarez, D., y Fuente, M. J. (2011). Estudio comparativo de técnicas de detección de fallos basadas en el Análisis de Componentes Principales (PCA). Revista Iberoamericana de Automática e Informática Industrial RIAI, 8(3), 182-195. https://doi.org/10.1016/j.riai.2011.06.006 Genuer, R., Poggi, J.-M., Tuleau-Malot, C., y Villa-Vialaneix, N. (2017). Random Forests for Big Data. Big Data Research, 9, 28-46. https://doi.org/10.1016/j.bdr.2017.07.003 Gupta, V., Mishra, V. K., Singhal, P., y Kumar, A. (2022). An Overview of Supervised Machine Learning Algorithm. 2022 11th International Conference on System Modeling y Advancement in Research Trends (SMART), 87-92. https://doi.org/10.1109/SMART55829.2022.10047618 Heyer, C. M., Thüring, J., Lemburg, S. P., Kreddig, N., Hasenbring, M., Dohna, M., y Nicolas, V. (2015). Anxiety of Patients Undergoing CT Imaging—An Underestimated Problem? Academic Radiology, 22(1), 105-112. https://doi.org/10.1016/j.acra.2014.07.014 Iadanza, E., Gonnelli, V., Satta, F., y Gherardelli, M. (2019). Evidence-based medical equipment management: a convenient implementation. Medical & Biological Engineering & Computing, 57, 2215-2230. https://doi.org/10.1007/s11517-019-02021-x Ibrahem Ahmed Osman, A., Najah Ahmed, A., Chow, M. F., Feng Huang, Y., y El-Shafie, A. (2021). Extreme gradient boosting (Xgboost) model to predict the groundwater levels in Selangor Malaysia. Ain Shams Engineering Journal, 12(2), 1545-1556. https://doi.org/10.1016/j.asej.2020.11.011 Icontec. (2000). NTC-IEC 60601-2-33:2000 Equipos electromédicos. Parte 2: Requisitos particulares para la seguridad de los equipos de resonancia magnética para diagnóstico médico. https://bit.ly/3Il5nJ8 Instituto ECRI. (2025). Sistemas de escaneo, resonancia magnética. https://members.ecri.org/comparativedata/scanning-systems-mri Joint Commission International. (2024). Accreditation Standards for Hospitals: Including Standards for Academic Medical Center Hospitals (8.a ed.). Joint Commission Resources. https://bit.ly/3GB3nvM KKT Kraus. (s. f.). Operating Instruction Industrial Cooler of the KCC Series. https://www.kkt-chillersusa.com/wp-content/uploads/2022/06/KCC215-USA_Vers_10__1_.pdf Komorowski, M., Marshall, D. C., Salciccioli, J. D., y Crutain, Y. (2016). Exploratory Data Analysis. En Secondary Analysis of Electronic Health Records. Springer. https://doi.org/10.1007/978-3-319-43742-2_15 Krantz, T. (2025). What is data processing? https://www.ibm.com/think/topics/data-processing Kwaku Kutor, J., Agede, P., y Haruna Ali, R. (2017). Maintenance Practice, Causes of Failure and Risk Assessment of Diagnostic Medical Equipment. Journal of Biomedical Engineering and Medical Devices, 2(1). https://doi.org/10.4172/2475-7586.1000123 Lee, S., y Min, M. (2025). CG-TGAN: Conditional Generative Adversarial Networks with Graph Neural Networks for Tabular Data Synthesizing. Proceedings of the AAAI Conference on Artificial Intelligence, 39(17), 18145-18153. https://doi.org/10.1609/aaai.v39i17.33996 Lee, S., Yu, H., Yang, H., Song, I., Choi, J., Yang, J., Lim, G., Kim, K.-S., Choi, B., y Kwon, J. (2021). A Study on Deep Learning Application of Vibration Data and Visualization of Defects for Predictive Maintenance of Gravity Acceleration Equipment. Applied Sciences, 11(4). https://doi.org/10.3390/app11041564 Lu, Q.-P., Wu, Y., Mao, X.-D., Wan, H.-J., Shao, J., Yu, Q.-K., Zhang, W., Zhao, Y., y Wang, C.-Y. (2024). Continuous quality improvement project to reduce the downtime of medical linear accelerators: A case study at Zhejiang Cancer Hospital. Heliyon, 10(9). https://doi.org/10.1016/j.heliyon.2024.e30668 Maktoubian, J., y Ansari, K. (2019). An IoT architecture for preventive maintenance of medical devices in healthcare organizations. Health and Technology, 9, 233-243. https://doi.org/10.1007/s12553-018-00286-0 Mallioris, P., Aivazidou, E., y Bechtsis, D. (2024). Predictive maintenance in Industry 4.0: A systematic multi-sector mapping. CIRP Journal of Manufacturing Science and Technology, 50, 80-103. https://doi.org/10.1016/j.cirpj.2024.02.003 Manchadi, O., Ben-Bouazza, F.-E., y Jioudi, B. (2023). Predictive Maintenance in Healthcare System: A Survey. IEEE Access, 11, 61313-61330. https://doi.org/10.1109/ACCESS.2023.3287490 Martínez Galindo, P. (2019). Mantenimiento predictivo; estado del arte y desarrollo de herramienta para monitorización [Tesis de Maestría Universidad de Zaragoza]. https://zaguan.unizar.es/record/84763/files/TAZ-TFM-2019-1066.pdf Medenou, D., Idjiwole, F. B. A., y Houessouvo, R. C. (2019). A framework for failure prediction models of medical electron linear accelerators. 2019 IEEE Africon, 1-5. https://doi.org/10.1109/AFRICON46755.2019.9133833 Microsoft Ignite. (2024). Azure Machine Learning: Hirió. https://learn.microsoft.com/es-es/azure/machine-learning/component-reference/smote?view=azureml-api-2 Ministerio de la protección social. (2005). Decreto 4725 de 2005 por el cual se reglamenta el régimen de registros sanitarios, permiso de comercialización y vigilancia sanitaria de los dispositivos médicos para uso humano. https://www.minsalud.gov.co/sites/rid/lists/bibliotecadigital/ride/de/dij/decreto-4725-de-2005.pdf Ministerio de salud y protección social. (2019). Resolución 3100 de 2019 por la cual se definen los procedimientos y condiciones de inscripción de los prestadores de servicios de salud y de habilitación de los servicios de salud y se adopta el Manual de Inscripción de Prestadores y Habilitación de Servicios de Salud. https://www.minsalud.gov.co/normatividad_nuevo/resoluci%C3%B3n%20no.%203100%20de%202019.pdf Mobley, R. Keith. (2002). An introduction to predictive maintenance (2.a ed.). Butterworth-Heinemann. https://doi.org/10.1016/B978-0-7506-7531-4.X5000-3 Morocho Ordóñez, G. S. (2012). Guía para la implementación y funcionamiento de un equipo de resonancia magnética de 3.0 Tesla [Tesis de pregrado Escuela Politécnica Nacional]. https://bibdigital.epn.edu.ec/handle/15000/4799 Oettl, F. C., Oeding, J. F., Feldt, R., Ley, C., Hirschmann, M. T., y Samuelsson, K. (2024). The artificial intelligence advantage: Supercharging exploratory data analysis. Knee Surgery, Sports Traumatology, Arthroscopy, 32(11), 3039-3042. https://doi.org/10.1002/ksa.12389 Ofori, E. K., Angmorterh, S. K., Ofori-Manteaw, B. B., Acheampong, F., Aboagye, S., y Yarfi, C. (2021). An audit of MRI machines and services in Ghana. Radiography, 27(1), 127-131. https://doi.org/10.1016/j.radi.2020.07.004 Pineda, J. M. (2022). Modelos predictivos en salud basados en aprendizaje de maquina (machine learning). Revista Médica Clínica Las Condes, 33(6), 583-590. https://doi.org/10.1016/j.rmclc.2022.11.002 Price, R., Allison, J., Clarke, G., Dennis, M., Hendrick, R. E., Keener, C., Masten, J., Nessaiver, M., Och, J., Reeve, D., Och, J., y Reeve, D. (2015). Magnetic Resonance Imaging: Quality Control Manual. Ranjbar, E., Sedehi, R. G., Rashidi, M., y Suratgar, A. A. (2019). Design of an IoT-Based System for Smart Maintenance of Medical Equipment. 2019 3rd International Conference on Internet of Things and Applications (IoT), 1-12. https://doi.org/10.1109/IICITA.2019.8808841 Syakur, M. A., Khotimah, B. K., Rochman, E. M. S., y Satoto, B. D. (2018). Integration K-Means Clustering Method and Elbow Method For Identification of The Best Customer Profile Cluster. IOP Conference Series: Materials Science and Engineering, 336. https://doi.org/10.1088/1757-899X/336/1/012017 Tyagi, K., Rane, C., Sriram, R., y Manry, M. (2022). Chapter 3 - Unsupervised learning. En Artificial Intelligence and Machine Learning for EDGE Computing (pp. 33-52). Elsevier. https://doi.org/10.1016/B978-0-12-824054-0.00012-5 Ullrich, M., Hagen, K. ten, y Lassig, J. (2013). A data mining approach to reduce the number of maintenance visits in the medical domain. 2013 IEEE 7th International Conference on Intelligent Data Acquisition and Advanced Computing Systems (IDAACS), 255-258. https://doi.org/10.1109/IDAACS.2013.6662684 Vlaardingerbroek, M. T., y Boer, J. A. (2003). Magnetic Resonance Imaging: Theory and Practice (3.a ed.). Springer. https://doi.org/10.1007/978-3-662-05252-5 Zamzam, A. H., Al-Ani, A. K. I., Wahab, A. K. A., Lai, K. W., Satapathy, S. C., Khalil, A., Azizan, M. M., y Hasikin, K. (2021). Prioritisation Assessment and Robust Predictive System for Medical Equipment: A Comprehensive Strategic Maintenance Management. Frontiers in Public Health, 9. https://doi.org/10.3389/fpubh.2021.782203 |
| dc.rights.spa.fl_str_mv |
Derechos reservados - Universidad Autónoma de Occidente, 2025 |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_14cb |
| dc.rights.uri.eng.fl_str_mv |
https://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.rights.accessrights.eng.fl_str_mv |
info:eu-repo/semantics/closedAccess |
| dc.rights.creativecommons.spa.fl_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) |
| rights_invalid_str_mv |
Derechos reservados - Universidad Autónoma de Occidente, 2025 https://creativecommons.org/licenses/by-nc-nd/4.0/ Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) http://purl.org/coar/access_right/c_14cb |
| eu_rights_str_mv |
closedAccess |
| dc.format.extent.spa.fl_str_mv |
84 páginas |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad Autónoma de Occidente |
| dc.publisher.program.spa.fl_str_mv |
Ingeniería Biomédica |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería y Ciencias Básicas |
| dc.publisher.place.spa.fl_str_mv |
Cali |
| institution |
Universidad Autónoma de Occidente |
| bitstream.url.fl_str_mv |
https://red.uao.edu.co/bitstreams/f65f9e35-8066-4bba-b614-24a85df4944b/download https://red.uao.edu.co/bitstreams/45c4a7b9-3c04-45b0-bb23-2e60cf04918d/download https://red.uao.edu.co/bitstreams/e048529e-9c4b-4e00-8142-ce77b509c754/download https://red.uao.edu.co/bitstreams/e3d7eff5-1836-4de5-bc63-67784a97cbcd/download https://red.uao.edu.co/bitstreams/6a92ef65-9394-4491-ad72-70e092bdfb92/download https://red.uao.edu.co/bitstreams/f880d7bb-f818-4517-9000-5caa6b2d6c85/download https://red.uao.edu.co/bitstreams/c32d1f40-30ce-4c5c-928f-f0c177b71588/download https://red.uao.edu.co/bitstreams/d09da002-512c-4f38-9d99-85b469f245c7/download https://red.uao.edu.co/bitstreams/b76702d8-56e2-467f-88d5-4045bcad4142/download https://red.uao.edu.co/bitstreams/4f9e21be-ed53-4292-951e-a4b007f771ec/download https://red.uao.edu.co/bitstreams/7f578fed-9ffe-4c7e-b164-0ee7fbdd2d82/download https://red.uao.edu.co/bitstreams/fabfcd09-c603-415b-9292-904c0ecfca60/download https://red.uao.edu.co/bitstreams/cd153a1d-e439-4e0e-8662-6760d3426bf0/download https://red.uao.edu.co/bitstreams/3fbe9784-c9bf-459f-b398-675f745d33f7/download https://red.uao.edu.co/bitstreams/1e79195c-8ca5-4352-ad94-fed274756198/download https://red.uao.edu.co/bitstreams/a722db3f-21e5-462e-b792-5b6cd200d4b2/download https://red.uao.edu.co/bitstreams/0b6a97c0-335e-4177-a543-b4e1dcb3e6a8/download https://red.uao.edu.co/bitstreams/c5bff5ac-12ac-46bc-b570-54ba6afc5d20/download https://red.uao.edu.co/bitstreams/29a41283-038d-4a56-9d26-94289f0fcd24/download https://red.uao.edu.co/bitstreams/932ecdd1-6d70-4070-b3f8-69ef99f25b9d/download https://red.uao.edu.co/bitstreams/bec5b466-fab5-4aba-b300-3027f6b0e600/download https://red.uao.edu.co/bitstreams/760e0bee-63ec-4e22-b26f-de5337dbd9a6/download https://red.uao.edu.co/bitstreams/6f93ca83-2941-42a9-bfe9-0ee45f5d3b1a/download https://red.uao.edu.co/bitstreams/8d19f7a2-b6a6-4573-ab8f-0c50459a345b/download https://red.uao.edu.co/bitstreams/51fd3685-9b41-493e-948e-a98d46ad94d1/download https://red.uao.edu.co/bitstreams/486fa3f6-8042-4cfc-872a-833e5b07034e/download https://red.uao.edu.co/bitstreams/9a3361a5-525f-4b1b-b8c0-faac8a0622dd/download https://red.uao.edu.co/bitstreams/88690378-df37-4b57-984e-982a7c03f873/download https://red.uao.edu.co/bitstreams/7326bc27-8eb7-4602-a25d-d4c16555bd4c/download https://red.uao.edu.co/bitstreams/8ec6706f-b1ea-4b57-9c9d-0bf39268061a/download |
| bitstream.checksum.fl_str_mv |
0845ac7acf2431a2561a78da7eb5217d 4c19cf91e6bd933443591fb3bb4b2090 81a4261f623b5080c94dcca52365b86d 9542a3b6be597e740a70b9e4c29e1536 baa9d9badf6eceb774d8adc19b652484 a609edfe509e967a440d5736f219f05b 8c3c5c4117fc0a5fcfec23a7f36026ea 89d44d5869ae3c3f6274d43241373c77 59054c63fb0dacad4ccd53463d38eddc 132761803be2fc3074a52fd234559c11 6987b791264a2b5525252450f99b10d1 48e4e6fa64bca12f0e58feddde20e678 146474f3613dc1fba3e1d4ad7603e9ca 52af477cf93ae87116aa18dce9c467cf a68ab1000de88b349e1c9b41a2b59c56 f5c620891cd74923968dd84ed7af029f 3de892cf1a15d592c9189449a9a6bc0e 3a9f0930e64c497feddd352c63239bb5 f4b286d20ec70176770e70bb17294b69 11104ffb91a69cbb5ad26e296d6884c5 bd291dfa0d17acb290cb0fcf14d76d02 5c1ed2a8582defa0670cc46896599805 6f387752167cdcaa5c81de81f366a0f0 b6699e668bb212c051114e2833019007 bb5d37089de78d11d87130db5aa4b51a 26edffff17b6819a73c36a6f75d88a6a 3f3351fd253dbf6f6c75d817a9c4e4ed b41c75284a8786b5cfd1377a9632b708 c851f830c48000d03a706422f6c7fcad 4173950b6aa3b69bc19b9d6fc4f0f727 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Digital Universidad Autonoma de Occidente |
| repository.mail.fl_str_mv |
repositorio@uao.edu.co |
| _version_ |
1851053224416509952 |
| spelling |
Quintero Ospina, Julián Davidvirtual::6251-1Campuzano Palacio, JulianaUniversidad Autónoma de OccidenteSánchez Bedoya, Ana María2025-08-14T20:26:07Z2025-08-14T20:26:07Z2025-08-11Campuzano Palacio, J. (2025). Metodología de mantenimiento predictivo para la prevención de fallas en equipos de resonancia magnética en el Hospital Universitario Fundación Valle del Lili. (Pasantía organizacional). Universidad Autónoma de Occidente. Cali. Colombia. https://hdl.handle.net/10614/16263https://hdl.handle.net/10614/16263Universidad Autónoma de OccidenteRespositorio Educativo Digital UAOhttps://red.uao.edu.co/El presente documento condensa el desarrollo de una metodología de mantenimiento predictivo orientada a prevenir fallas en los equipos de resonancia magnética del Hospital Universitario Fundación Valle del Lili, ubicado en Santiago de Cali. El proyecto se llevó a cabo como pasantía institucional entre diciembre de 2024 y junio de 2025, con el objetivo de fortalecer la continuidad operativa de estos equipos, reducir los tiempos de inactividad y anticipar fallas mediante el análisis de datos históricos, herramientas de visualización avanzada y técnicas de inteligencia artificial. Durante su ejecución, se realizó un análisis estructural y funcional de los cinco equipos de resonancia magnética instalados en la institución, considerando un total de 495 eventos de falla registrados entre 2019 y 2024, a partir de los cuales se construyeron representaciones gráficas, como un dashboard interactivo, mapas de calor y una matriz de criticidad, que permitieron identificar los componentes con mayor recurrencia de fallas, considerando tanto su frecuencia como su impacto funcional. De forma complementaria, se aplicó la técnica STL (descomposición estacional y de tendencia utilizando Loess) la cual permitió detectar patrones cíclicos en la ocurrencia de fallas y establecer intervalos óptimos para su intervención. Por lo tanto, con base en estos hallazgos, se formularon medidas predictivas clasificadas en dos líneas de acción: intervenciones directas, ejecutadas por el proveedor o personal certificado; y tareas de monitoreo continuo, asumidas por el equipo de ingeniería biomédica de la institución. En paralelo, se desarrolló un modelo de clasificación basado en el nivel de riesgo de las fallas (critico, medio y bajo) mediante el uso de algoritmos de inteligencia artificial, en el cual el modelo XGBosst se destacó por su alto desempeño al alcanzar una precisión del 88,5 % y un F1-score de 0,89 en la clase crítica, resultado que fue posible gracias al fortalecimiento del conjunto de datos de entrenamiento mediante la incorporación de datos sintéticos generados con el modelo de aprendizaje profundo CTGAN y la aplicación de la técnica SMOTE, lo que permitió balancear las clases y mejorar la capacidad de generalización del modelo. Finalmente, se implementó una prueba piloto en uno de los equipos de resonancia magnética de la institución, en la cual se aplicaron y ajustaron los protocolos técnicos, listas de chequeo e instrumentos de evaluación generados a lo largo del proyecto, lo que permitió verificar la viabilidad de la metodología y consolidar su implementación institucional como una estrategia replicable y adaptable para mejorar la gestión del mantenimiento de los equipos de resonancia magnética.This document summarizes the development of a predictive maintenance methodology aimed at preventing failures in magnetic resonance imaging (MRI) equipment at the Hospital Universitario Fundación Valle del Lili, located in Santiago de Cali. The Project was carried out as an institutional internship between December 2024 and June 2025, with the objective of strengthening the operational continuity of these systems, reducing downtime, and anticipating failures through the analysis of historical data, advanced visualization tools, and artificial intelligence techniques. Throughout its execution, a structural and functional analysis was conducted on the five MRI systems installed in the institution, considering a total of 495 failure events recorded between 2019 and 2024. Based on this information, graphical representations were developed, including an interactive dashboard, heatmaps, and a criticality matrix, which made it possible to identify the components with the highest recurrence of failures, considering both their frequency and functional impact. In addition, the STL (Seasonal and Trend decomposition using Loess) technique was applied, which made it possible to detect cyclical patterns in failure occurrences and establish optimal intervention intervals. Based on these findings, predictive measures were formulated and classified into two lines of action: direct interventions, executed by the supplier or certified personnel, and continuous monitoring tasks, carried out by the institution’s biomedical engineering team. Meanwhile, a classification model was developed based on the risk level of failures (critical, medium, and low) using artificial intelligence algorithms. Among these, the XGBoost model stood out for its high performance, achieving an accuracy of 88.5% and an F1-score of 0.89 in the critical class. This result was made possible by strengthening the training dataset through the incorporation of synthetic data generated using the Deep learning model CTGAN and the application of the SMOTE technique, which allowed for class balancing and improved the model’s generalization capacity. Finally, a pilot test was implemented on one of the MRI systems in the institution, in which the technical protocols, checklists, and evaluation instruments developed throughout the project were applied and adjusted. This made it possible to verify the feasibility of the methodology and consolidate its institutional implementation as a replicable and adaptable strategy to enhance the maintenance management of MRI equipmentPasantía organizacional (Ingeniero Biomédico)-- Universidad Autónoma de Occidente, 2025PregradoIngeniero(a) Biomédico(a)84 páginasapplication/pdfspaUniversidad Autónoma de OccidenteIngeniería BiomédicaFacultad de Ingeniería y Ciencias BásicasCaliDerechos reservados - Universidad Autónoma de Occidente, 2025https://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/closedAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)http://purl.org/coar/access_right/c_14cbMetodología de mantenimiento predictivo para la prevención de fallas en equipos de resonancia magnética en el Hospital Universitario Fundación Valle del LiliTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttp://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/version/c_970fb48d4fbd8a85Abdel Wahed, M., Sharawi, A. A., y Badawi, H. A. (2010). Modeling of medical equipment maintenance in health care facilities to support decision making. 2010 5th Cairo International Biomedical Engineering Conference, 202-205. https://doi.org/10.1109/CIBEC.2010.5716080Able, C. M., Baydush, A. H., Nguyen, C., Gersh, J., Ndlovu, A., Rebo, I., Booth, J., Perez, M., Sintay, B., y Munley, M. T. (2016). A model for preemptive maintenance of medical linear accelerators—predictive maintenance. Radiation Oncology, 11, 1-9. https://doi.org/10.1186/s13014-016-0602-1Adem, B. E., Angmorterh, S. K., Aboagye, S., Agyemang, P. N., Angaag, N. A., y Ofori, E. K. (2023). Equipment downtime in the radiology departments of three teaching hospitals in Ghana. Radiography, 29(5), 833-837. https://doi.org/10.1016/j.radi.2023.06.002Alvarado Chávez, J. A., y Rodríguez Valencia, J. A. (2017). Guía tecnológica: Resonancia Magnética 1.5T y 3.0T. http://www.cenetec.salud.gob.mx/descargas/biomedica/guias_tecnologicas/Guia_Tec_Resonancia_Magnetica_26Ene_v5.pdfAndritoi, D., Luca, C., Corciova, C., y Ciorap, R. (2013). Predictive maintenance application for health technology management. 2013 8TH International Syposium on advanced topics in electrical engineering. https://doi.org/10.1109/ATEE.2013.6563431Azith Teja, V. K. (2023). AI-Driven Predictive Maintenance System for Critical Equipment in Healthcare Facilities. 1(1). https://doi.org/10.70179/rbddkx27Betancourt, G. A. (2005). Las máquinas de soporte vectorial (SVMs). Scientia Et Technica, 1(27). https://moodle2.utp.edu.co/index.php/revistaciencia/article/view/6895Carlyle Bushong, S., y Clarke, G. (2015). Magnetic Resonance Imaging: Physical and Biological Principles (4.a ed.). Elsevier.Cieslak, M. C., Castelfranco, A. M., Roncalli, V., Lenz, P. H., y Hartline, D. K. (2020). t-Distributed Stochastic Neighbor Embedding (t-SNE): A tool for eco-physiological transcriptomic analysis. Marine Genomics, 51. https://doi.org/10.1016/j.margen.2019.100723Clínica Universidad de Navarra. (s. f.). Cómo funciona la resonancia magnética 3 Teslas. https://www.cun.es/material-audiovisual/infografia/como-funciona-resonancia-magnetica-3-teslasCosta Subías, J., y Soria Jerez, J. A. (2021). Resonancia magnética dirigida a técnicos superiores en imagen para el diagnóstico (2.a ed.).Cui, M., y Zhang, D. Y. (2021). Artificial intelligence and computational pathology. Laboratory Investigation, 101(4), 412-422. https://doi.org/10.1038/s41374-020-00514-0Farhat, J., Shamayleh, A., y Al-Nashash, H. (2018). Medical equipment efficient failure management in IoT environment. 2018 Advances in Science and Engineering Technology International Conferences (ASET), 1-5. https://doi.org/10.1109/ICASET.2018.8376911Fundación Valle del Lili. (s. f.). Acerca de Nosotros: Misión, Visión, Valores, Historia. https://valledellili.org/nuestra-institucion/acerca-de-nosotros/Gallab, M., Ahidar, I., Zrira, N., y Ngote, N. (2024). Towards a Digital Predictive Maintenance (DPM): Healthcare Case Study. Procedia Computer Science, 232, 3183-3194. https://doi.org/10.1016/j.procs.2024.02.134Garcia-Alvarez, D., y Fuente, M. J. (2011). Estudio comparativo de técnicas de detección de fallos basadas en el Análisis de Componentes Principales (PCA). Revista Iberoamericana de Automática e Informática Industrial RIAI, 8(3), 182-195. https://doi.org/10.1016/j.riai.2011.06.006Genuer, R., Poggi, J.-M., Tuleau-Malot, C., y Villa-Vialaneix, N. (2017). Random Forests for Big Data. Big Data Research, 9, 28-46. https://doi.org/10.1016/j.bdr.2017.07.003Gupta, V., Mishra, V. K., Singhal, P., y Kumar, A. (2022). An Overview of Supervised Machine Learning Algorithm. 2022 11th International Conference on System Modeling y Advancement in Research Trends (SMART), 87-92. https://doi.org/10.1109/SMART55829.2022.10047618Heyer, C. M., Thüring, J., Lemburg, S. P., Kreddig, N., Hasenbring, M., Dohna, M., y Nicolas, V. (2015). Anxiety of Patients Undergoing CT Imaging—An Underestimated Problem? Academic Radiology, 22(1), 105-112. https://doi.org/10.1016/j.acra.2014.07.014Iadanza, E., Gonnelli, V., Satta, F., y Gherardelli, M. (2019). Evidence-based medical equipment management: a convenient implementation. Medical & Biological Engineering & Computing, 57, 2215-2230. https://doi.org/10.1007/s11517-019-02021-xIbrahem Ahmed Osman, A., Najah Ahmed, A., Chow, M. F., Feng Huang, Y., y El-Shafie, A. (2021). Extreme gradient boosting (Xgboost) model to predict the groundwater levels in Selangor Malaysia. Ain Shams Engineering Journal, 12(2), 1545-1556. https://doi.org/10.1016/j.asej.2020.11.011Icontec. (2000). NTC-IEC 60601-2-33:2000 Equipos electromédicos. Parte 2: Requisitos particulares para la seguridad de los equipos de resonancia magnética para diagnóstico médico. https://bit.ly/3Il5nJ8Instituto ECRI. (2025). Sistemas de escaneo, resonancia magnética. https://members.ecri.org/comparativedata/scanning-systems-mriJoint Commission International. (2024). Accreditation Standards for Hospitals: Including Standards for Academic Medical Center Hospitals (8.a ed.). Joint Commission Resources. https://bit.ly/3GB3nvMKKT Kraus. (s. f.). Operating Instruction Industrial Cooler of the KCC Series. https://www.kkt-chillersusa.com/wp-content/uploads/2022/06/KCC215-USA_Vers_10__1_.pdfKomorowski, M., Marshall, D. C., Salciccioli, J. D., y Crutain, Y. (2016). Exploratory Data Analysis. En Secondary Analysis of Electronic Health Records. Springer. https://doi.org/10.1007/978-3-319-43742-2_15Krantz, T. (2025). What is data processing? https://www.ibm.com/think/topics/data-processingKwaku Kutor, J., Agede, P., y Haruna Ali, R. (2017). Maintenance Practice, Causes of Failure and Risk Assessment of Diagnostic Medical Equipment. Journal of Biomedical Engineering and Medical Devices, 2(1). https://doi.org/10.4172/2475-7586.1000123Lee, S., y Min, M. (2025). CG-TGAN: Conditional Generative Adversarial Networks with Graph Neural Networks for Tabular Data Synthesizing. Proceedings of the AAAI Conference on Artificial Intelligence, 39(17), 18145-18153. https://doi.org/10.1609/aaai.v39i17.33996Lee, S., Yu, H., Yang, H., Song, I., Choi, J., Yang, J., Lim, G., Kim, K.-S., Choi, B., y Kwon, J. (2021). A Study on Deep Learning Application of Vibration Data and Visualization of Defects for Predictive Maintenance of Gravity Acceleration Equipment. Applied Sciences, 11(4). https://doi.org/10.3390/app11041564Lu, Q.-P., Wu, Y., Mao, X.-D., Wan, H.-J., Shao, J., Yu, Q.-K., Zhang, W., Zhao, Y., y Wang, C.-Y. (2024). Continuous quality improvement project to reduce the downtime of medical linear accelerators: A case study at Zhejiang Cancer Hospital. Heliyon, 10(9). https://doi.org/10.1016/j.heliyon.2024.e30668Maktoubian, J., y Ansari, K. (2019). An IoT architecture for preventive maintenance of medical devices in healthcare organizations. Health and Technology, 9, 233-243. https://doi.org/10.1007/s12553-018-00286-0Mallioris, P., Aivazidou, E., y Bechtsis, D. (2024). Predictive maintenance in Industry 4.0: A systematic multi-sector mapping. CIRP Journal of Manufacturing Science and Technology, 50, 80-103. https://doi.org/10.1016/j.cirpj.2024.02.003Manchadi, O., Ben-Bouazza, F.-E., y Jioudi, B. (2023). Predictive Maintenance in Healthcare System: A Survey. IEEE Access, 11, 61313-61330. https://doi.org/10.1109/ACCESS.2023.3287490Martínez Galindo, P. (2019). Mantenimiento predictivo; estado del arte y desarrollo de herramienta para monitorización [Tesis de Maestría Universidad de Zaragoza]. https://zaguan.unizar.es/record/84763/files/TAZ-TFM-2019-1066.pdfMedenou, D., Idjiwole, F. B. A., y Houessouvo, R. C. (2019). A framework for failure prediction models of medical electron linear accelerators. 2019 IEEE Africon, 1-5. https://doi.org/10.1109/AFRICON46755.2019.9133833Microsoft Ignite. (2024). Azure Machine Learning: Hirió. https://learn.microsoft.com/es-es/azure/machine-learning/component-reference/smote?view=azureml-api-2Ministerio de la protección social. (2005). Decreto 4725 de 2005 por el cual se reglamenta el régimen de registros sanitarios, permiso de comercialización y vigilancia sanitaria de los dispositivos médicos para uso humano. https://www.minsalud.gov.co/sites/rid/lists/bibliotecadigital/ride/de/dij/decreto-4725-de-2005.pdfMinisterio de salud y protección social. (2019). Resolución 3100 de 2019 por la cual se definen los procedimientos y condiciones de inscripción de los prestadores de servicios de salud y de habilitación de los servicios de salud y se adopta el Manual de Inscripción de Prestadores y Habilitación de Servicios de Salud. https://www.minsalud.gov.co/normatividad_nuevo/resoluci%C3%B3n%20no.%203100%20de%202019.pdfMobley, R. Keith. (2002). An introduction to predictive maintenance (2.a ed.). Butterworth-Heinemann. https://doi.org/10.1016/B978-0-7506-7531-4.X5000-3Morocho Ordóñez, G. S. (2012). Guía para la implementación y funcionamiento de un equipo de resonancia magnética de 3.0 Tesla [Tesis de pregrado Escuela Politécnica Nacional]. https://bibdigital.epn.edu.ec/handle/15000/4799Oettl, F. C., Oeding, J. F., Feldt, R., Ley, C., Hirschmann, M. T., y Samuelsson, K. (2024). The artificial intelligence advantage: Supercharging exploratory data analysis. Knee Surgery, Sports Traumatology, Arthroscopy, 32(11), 3039-3042. https://doi.org/10.1002/ksa.12389Ofori, E. K., Angmorterh, S. K., Ofori-Manteaw, B. B., Acheampong, F., Aboagye, S., y Yarfi, C. (2021). An audit of MRI machines and services in Ghana. Radiography, 27(1), 127-131. https://doi.org/10.1016/j.radi.2020.07.004Pineda, J. M. (2022). Modelos predictivos en salud basados en aprendizaje de maquina (machine learning). Revista Médica Clínica Las Condes, 33(6), 583-590. https://doi.org/10.1016/j.rmclc.2022.11.002Price, R., Allison, J., Clarke, G., Dennis, M., Hendrick, R. E., Keener, C., Masten, J., Nessaiver, M., Och, J., Reeve, D., Och, J., y Reeve, D. (2015). Magnetic Resonance Imaging: Quality Control Manual.Ranjbar, E., Sedehi, R. G., Rashidi, M., y Suratgar, A. A. (2019). Design of an IoT-Based System for Smart Maintenance of Medical Equipment. 2019 3rd International Conference on Internet of Things and Applications (IoT), 1-12. https://doi.org/10.1109/IICITA.2019.8808841Syakur, M. A., Khotimah, B. K., Rochman, E. M. S., y Satoto, B. D. (2018). Integration K-Means Clustering Method and Elbow Method For Identification of The Best Customer Profile Cluster. IOP Conference Series: Materials Science and Engineering, 336. https://doi.org/10.1088/1757-899X/336/1/012017Tyagi, K., Rane, C., Sriram, R., y Manry, M. (2022). Chapter 3 - Unsupervised learning. En Artificial Intelligence and Machine Learning for EDGE Computing (pp. 33-52). Elsevier. https://doi.org/10.1016/B978-0-12-824054-0.00012-5Ullrich, M., Hagen, K. ten, y Lassig, J. (2013). A data mining approach to reduce the number of maintenance visits in the medical domain. 2013 IEEE 7th International Conference on Intelligent Data Acquisition and Advanced Computing Systems (IDAACS), 255-258. https://doi.org/10.1109/IDAACS.2013.6662684Vlaardingerbroek, M. T., y Boer, J. A. (2003). Magnetic Resonance Imaging: Theory and Practice (3.a ed.). Springer. https://doi.org/10.1007/978-3-662-05252-5Zamzam, A. H., Al-Ani, A. K. I., Wahab, A. K. A., Lai, K. W., Satapathy, S. C., Khalil, A., Azizan, M. M., y Hasikin, K. (2021). Prioritisation Assessment and Robust Predictive System for Medical Equipment: A Comprehensive Strategic Maintenance Management. Frontiers in Public Health, 9. https://doi.org/10.3389/fpubh.2021.782203Ingeniería BiomédicaMantenimiento predictivoEquipos de resonancia magnéticaInteligencia artificialAnálisis de datosHistórico de fallasGestión del mantenimientoPredictive maintenanceMagnetic resonance imaging equipmentArtificial intelligenceData analysisFailure historyMaintenance managementComunidad generalPublication0705f841-6336-4543-b138-084d7153e2e3virtual::6251-10705f841-6336-4543-b138-084d7153e2e3virtual::6251-1ORIGINALT11468_Metodología de mantenimiento predictivo para la prevención de fallas en equipos de resonancia magnética en el Hospital Universitario Fundación Valle del Lili.pdfT11468_Metodología de mantenimiento predictivo para la prevención de fallas en equipos de resonancia magnética en el Hospital Universitario Fundación Valle del Lili.pdfArchivo texto completo del trabajo de grado, PDFapplication/pdf2715115https://red.uao.edu.co/bitstreams/f65f9e35-8066-4bba-b614-24a85df4944b/download0845ac7acf2431a2561a78da7eb5217dMD51T11468A_Anexo A. Código desarrollado para el análisis de criticidad.PDFT11468A_Anexo A. Código desarrollado para el análisis de criticidad.PDFAnexo A. Código desarrollado para el análisis de criticidadapplication/pdf42090https://red.uao.edu.co/bitstreams/45c4a7b9-3c04-45b0-bb23-2e60cf04918d/download4c19cf91e6bd933443591fb3bb4b2090MD52T11468B_Anexo B. Código desarrollado para el análisis STL.pdfT11468B_Anexo B. Código desarrollado para el análisis STL.pdfAnexo B. Código desarrollado para el análisis STLapplication/pdf43674https://red.uao.edu.co/bitstreams/e048529e-9c4b-4e00-8142-ce77b509c754/download81a4261f623b5080c94dcca52365b86dMD53T11468C_Anexo C. Código del algoritmo de inteligencia desarrollado para el mantenimiento predictivo.PDFT11468C_Anexo C. Código del algoritmo de inteligencia desarrollado para el mantenimiento predictivo.PDFAnexo C. Código del algoritmo de inteligencia desarrollado para el mantenimiento predictivoapplication/pdf4077522https://red.uao.edu.co/bitstreams/e3d7eff5-1836-4de5-bc63-67784a97cbcd/download9542a3b6be597e740a70b9e4c29e1536MD54T11468D_Anexo D. Procedimiento institucional de mantenimiento predictivo en los equipos de resonancia magnética.pdfT11468D_Anexo D. Procedimiento institucional de mantenimiento predictivo en los equipos de resonancia magnética.pdfAnexo D. Procedimiento institucional de mantenimiento predictivo en los equipos de resonancia magnéticaapplication/pdf342155https://red.uao.edu.co/bitstreams/6a92ef65-9394-4491-ad72-70e092bdfb92/downloadbaa9d9badf6eceb774d8adc19b652484MD55T11468E_Anexo E. Protocolo para el mantenimiento predictivo en equipos de resonancia magnética.PDFT11468E_Anexo E. Protocolo para el mantenimiento predictivo en equipos de resonancia magnética.PDFAnexo E. Protocolo para el mantenimiento predictivo en equipos de resonancia magnéticaapplication/pdf201562https://red.uao.edu.co/bitstreams/f880d7bb-f818-4517-9000-5caa6b2d6c85/downloada609edfe509e967a440d5736f219f05bMD56T11468F_Anexo F. Lista de chequeo para recepción de equipos de resonancia magnética en mantenimiento predictivo.PDFT11468F_Anexo F. Lista de chequeo para recepción de equipos de resonancia magnética en mantenimiento predictivo.PDFAnexo F. Lista de chequeo para recepción de equipos de resonancia magnética en mantenimiento predictivoapplication/pdf122428https://red.uao.edu.co/bitstreams/c32d1f40-30ce-4c5c-928f-f0c177b71588/download8c3c5c4117fc0a5fcfec23a7f36026eaMD57T11468G_Anexo G. Lista de chequeo para recepción del chiller en mantenimiento predictivo.PDFT11468G_Anexo G. Lista de chequeo para recepción del chiller en mantenimiento predictivo.PDFAnexo G. Lista de chequeo para recepción del chiller en mantenimiento predictivoapplication/pdf160649https://red.uao.edu.co/bitstreams/d09da002-512c-4f38-9d99-85b469f245c7/download89d44d5869ae3c3f6274d43241373c77MD58T11468H_Anexo H. Matrices del análisis de criticidad.xlsxT11468H_Anexo H. Matrices del análisis de criticidad.xlsxAnexo H. Matrices del análisis de criticidadapplication/vnd.openxmlformats-officedocument.spreadsheetml.sheet16908https://red.uao.edu.co/bitstreams/b76702d8-56e2-467f-88d5-4045bcad4142/download59054c63fb0dacad4ccd53463d38eddcMD59TA11468_Autorización trabajo de grado.pdfTA11468_Autorización trabajo de grado.pdfAutorización para publicación del trabajo de gradoapplication/pdf326511https://red.uao.edu.co/bitstreams/4f9e21be-ed53-4292-951e-a4b007f771ec/download132761803be2fc3074a52fd234559c11MD510LICENSElicense.txtlicense.txttext/plain; charset=utf-81672https://red.uao.edu.co/bitstreams/7f578fed-9ffe-4c7e-b164-0ee7fbdd2d82/download6987b791264a2b5525252450f99b10d1MD511TEXTT11468_Metodología de mantenimiento predictivo para la prevención de fallas en equipos de resonancia magnética en el Hospital Universitario Fundación Valle del Lili.pdf.txtT11468_Metodología de mantenimiento predictivo para la prevención de fallas en equipos de resonancia magnética en el Hospital Universitario Fundación Valle del Lili.pdf.txtExtracted texttext/plain102043https://red.uao.edu.co/bitstreams/fabfcd09-c603-415b-9292-904c0ecfca60/download48e4e6fa64bca12f0e58feddde20e678MD512T11468A_Anexo A. Código desarrollado para el análisis de criticidad.PDF.txtT11468A_Anexo A. Código desarrollado para el análisis de criticidad.PDF.txtExtracted texttext/plain3601https://red.uao.edu.co/bitstreams/cd153a1d-e439-4e0e-8662-6760d3426bf0/download146474f3613dc1fba3e1d4ad7603e9caMD514T11468B_Anexo B. Código desarrollado para el análisis STL.pdf.txtT11468B_Anexo B. Código desarrollado para el análisis STL.pdf.txtExtracted texttext/plain2950https://red.uao.edu.co/bitstreams/3fbe9784-c9bf-459f-b398-675f745d33f7/download52af477cf93ae87116aa18dce9c467cfMD516T11468C_Anexo C. Código del algoritmo de inteligencia desarrollado para el mantenimiento predictivo.PDF.txtT11468C_Anexo C. Código del algoritmo de inteligencia desarrollado para el mantenimiento predictivo.PDF.txtExtracted texttext/plain54437https://red.uao.edu.co/bitstreams/1e79195c-8ca5-4352-ad94-fed274756198/downloada68ab1000de88b349e1c9b41a2b59c56MD518T11468D_Anexo D. Procedimiento institucional de mantenimiento predictivo en los equipos de resonancia magnética.pdf.txtT11468D_Anexo D. Procedimiento institucional de mantenimiento predictivo en los equipos de resonancia magnética.pdf.txtExtracted texttext/plain27857https://red.uao.edu.co/bitstreams/a722db3f-21e5-462e-b792-5b6cd200d4b2/downloadf5c620891cd74923968dd84ed7af029fMD520T11468E_Anexo E. Protocolo para el mantenimiento predictivo en equipos de resonancia magnética.PDF.txtT11468E_Anexo E. Protocolo para el mantenimiento predictivo en equipos de resonancia magnética.PDF.txtExtracted texttext/plain30463https://red.uao.edu.co/bitstreams/0b6a97c0-335e-4177-a543-b4e1dcb3e6a8/download3de892cf1a15d592c9189449a9a6bc0eMD522T11468F_Anexo F. Lista de chequeo para recepción de equipos de resonancia magnética en mantenimiento predictivo.PDF.txtT11468F_Anexo F. Lista de chequeo para recepción de equipos de resonancia magnética en mantenimiento predictivo.PDF.txtExtracted texttext/plain4997https://red.uao.edu.co/bitstreams/c5bff5ac-12ac-46bc-b570-54ba6afc5d20/download3a9f0930e64c497feddd352c63239bb5MD524T11468G_Anexo G. Lista de chequeo para recepción del chiller en mantenimiento predictivo.PDF.txtT11468G_Anexo G. Lista de chequeo para recepción del chiller en mantenimiento predictivo.PDF.txtExtracted texttext/plain7540https://red.uao.edu.co/bitstreams/29a41283-038d-4a56-9d26-94289f0fcd24/downloadf4b286d20ec70176770e70bb17294b69MD526T11468H_Anexo H. Matrices del análisis de criticidad.xlsx.txtT11468H_Anexo H. Matrices del análisis de criticidad.xlsx.txtExtracted texttext/plain4130https://red.uao.edu.co/bitstreams/932ecdd1-6d70-4070-b3f8-69ef99f25b9d/download11104ffb91a69cbb5ad26e296d6884c5MD528TA11468_Autorización trabajo de grado.pdf.txtTA11468_Autorización trabajo de grado.pdf.txtExtracted texttext/plain5328https://red.uao.edu.co/bitstreams/bec5b466-fab5-4aba-b300-3027f6b0e600/downloadbd291dfa0d17acb290cb0fcf14d76d02MD529THUMBNAILT11468_Metodología de mantenimiento predictivo para la prevención de fallas en equipos de resonancia magnética en el Hospital Universitario Fundación Valle del Lili.pdf.jpgT11468_Metodología de mantenimiento predictivo para la prevención de fallas en equipos de resonancia magnética en el Hospital Universitario Fundación Valle del Lili.pdf.jpgGenerated Thumbnailimage/jpeg6792https://red.uao.edu.co/bitstreams/760e0bee-63ec-4e22-b26f-de5337dbd9a6/download5c1ed2a8582defa0670cc46896599805MD513T11468A_Anexo A. Código desarrollado para el análisis de criticidad.PDF.jpgT11468A_Anexo A. Código desarrollado para el análisis de criticidad.PDF.jpgGenerated Thumbnailimage/jpeg10350https://red.uao.edu.co/bitstreams/6f93ca83-2941-42a9-bfe9-0ee45f5d3b1a/download6f387752167cdcaa5c81de81f366a0f0MD515T11468B_Anexo B. Código desarrollado para el análisis STL.pdf.jpgT11468B_Anexo B. Código desarrollado para el análisis STL.pdf.jpgGenerated Thumbnailimage/jpeg9219https://red.uao.edu.co/bitstreams/8d19f7a2-b6a6-4573-ab8f-0c50459a345b/downloadb6699e668bb212c051114e2833019007MD517T11468C_Anexo C. Código del algoritmo de inteligencia desarrollado para el mantenimiento predictivo.PDF.jpgT11468C_Anexo C. Código del algoritmo de inteligencia desarrollado para el mantenimiento predictivo.PDF.jpgGenerated Thumbnailimage/jpeg12184https://red.uao.edu.co/bitstreams/51fd3685-9b41-493e-948e-a98d46ad94d1/downloadbb5d37089de78d11d87130db5aa4b51aMD519T11468D_Anexo D. Procedimiento institucional de mantenimiento predictivo en los equipos de resonancia magnética.pdf.jpgT11468D_Anexo D. Procedimiento institucional de mantenimiento predictivo en los equipos de resonancia magnética.pdf.jpgGenerated Thumbnailimage/jpeg20580https://red.uao.edu.co/bitstreams/486fa3f6-8042-4cfc-872a-833e5b07034e/download26edffff17b6819a73c36a6f75d88a6aMD521T11468E_Anexo E. Protocolo para el mantenimiento predictivo en equipos de resonancia magnética.PDF.jpgT11468E_Anexo E. Protocolo para el mantenimiento predictivo en equipos de resonancia magnética.PDF.jpgGenerated Thumbnailimage/jpeg20044https://red.uao.edu.co/bitstreams/9a3361a5-525f-4b1b-b8c0-faac8a0622dd/download3f3351fd253dbf6f6c75d817a9c4e4edMD523T11468F_Anexo F. Lista de chequeo para recepción de equipos de resonancia magnética en mantenimiento predictivo.PDF.jpgT11468F_Anexo F. Lista de chequeo para recepción de equipos de resonancia magnética en mantenimiento predictivo.PDF.jpgGenerated Thumbnailimage/jpeg20022https://red.uao.edu.co/bitstreams/88690378-df37-4b57-984e-982a7c03f873/downloadb41c75284a8786b5cfd1377a9632b708MD525T11468G_Anexo G. Lista de chequeo para recepción del chiller en mantenimiento predictivo.PDF.jpgT11468G_Anexo G. Lista de chequeo para recepción del chiller en mantenimiento predictivo.PDF.jpgGenerated Thumbnailimage/jpeg17991https://red.uao.edu.co/bitstreams/7326bc27-8eb7-4602-a25d-d4c16555bd4c/downloadc851f830c48000d03a706422f6c7fcadMD527TA11468_Autorización trabajo de grado.pdf.jpgTA11468_Autorización trabajo de grado.pdf.jpgGenerated Thumbnailimage/jpeg13111https://red.uao.edu.co/bitstreams/8ec6706f-b1ea-4b57-9c9d-0bf39268061a/download4173950b6aa3b69bc19b9d6fc4f0f727MD53010614/16263oai:red.uao.edu.co:10614/162632025-08-15 03:01:57.259https://creativecommons.org/licenses/by-nc-nd/4.0/Derechos reservados - Universidad Autónoma de Occidente, 2025restrictedhttps://red.uao.edu.coRepositorio Digital Universidad Autonoma de Occidenterepositorio@uao.edu.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 |