Desarrollo de modelos predictivos de machine learning para la reducción de hospitalizaciones en pacientes con insuficiencia cardíaca en la segunda fase del macroproyecto de monitoreo domiciliario con el FIT Seat del Laboratorio de Biomedicina Computacional del Instituto Tecnológico de Rochester

El presente trabajo de investigación se enmarca dentro del macroproyecto “Inconspicuous Daily Monitoring to Reduce Hospitalizations in Heart Failure Patients”, desarrollado por el Instituto tecnológico de Rochester (RIT por sus siglas en inglés) en colaboración con el Centro Médico de la Universidad...

Full description

Autores:
Dorado Muñoz, Daniel
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:10614/16139
Acceso en línea:
https://hdl.handle.net/10614/16139
https://red.uao.edu.co/
Palabra clave:
Ingeniería Biomédica
Aprendizaje automático
Insuficiencia cardíaca
Predicción de eventos adversos
Monitoreo pasivo
Análisis exploratorio de datos
Hospitalización
Machine learning
Heart failure
Hospitalization
Adverse event prediction
Passive monitoring
FIT Seat
Exploratory data analysis
Rights
closedAccess
License
Derechos reservados - Universidad Autónoma de Occidente, 2025
id REPOUAO2_df3a2824d60e93fb211329c5e9ace519
oai_identifier_str oai:red.uao.edu.co:10614/16139
network_acronym_str REPOUAO2
network_name_str RED: Repositorio Educativo Digital UAO
repository_id_str
dc.title.spa.fl_str_mv Desarrollo de modelos predictivos de machine learning para la reducción de hospitalizaciones en pacientes con insuficiencia cardíaca en la segunda fase del macroproyecto de monitoreo domiciliario con el FIT Seat del Laboratorio de Biomedicina Computacional del Instituto Tecnológico de Rochester
title Desarrollo de modelos predictivos de machine learning para la reducción de hospitalizaciones en pacientes con insuficiencia cardíaca en la segunda fase del macroproyecto de monitoreo domiciliario con el FIT Seat del Laboratorio de Biomedicina Computacional del Instituto Tecnológico de Rochester
spellingShingle Desarrollo de modelos predictivos de machine learning para la reducción de hospitalizaciones en pacientes con insuficiencia cardíaca en la segunda fase del macroproyecto de monitoreo domiciliario con el FIT Seat del Laboratorio de Biomedicina Computacional del Instituto Tecnológico de Rochester
Ingeniería Biomédica
Aprendizaje automático
Insuficiencia cardíaca
Predicción de eventos adversos
Monitoreo pasivo
Análisis exploratorio de datos
Hospitalización
Machine learning
Heart failure
Hospitalization
Adverse event prediction
Passive monitoring
FIT Seat
Exploratory data analysis
title_short Desarrollo de modelos predictivos de machine learning para la reducción de hospitalizaciones en pacientes con insuficiencia cardíaca en la segunda fase del macroproyecto de monitoreo domiciliario con el FIT Seat del Laboratorio de Biomedicina Computacional del Instituto Tecnológico de Rochester
title_full Desarrollo de modelos predictivos de machine learning para la reducción de hospitalizaciones en pacientes con insuficiencia cardíaca en la segunda fase del macroproyecto de monitoreo domiciliario con el FIT Seat del Laboratorio de Biomedicina Computacional del Instituto Tecnológico de Rochester
title_fullStr Desarrollo de modelos predictivos de machine learning para la reducción de hospitalizaciones en pacientes con insuficiencia cardíaca en la segunda fase del macroproyecto de monitoreo domiciliario con el FIT Seat del Laboratorio de Biomedicina Computacional del Instituto Tecnológico de Rochester
title_full_unstemmed Desarrollo de modelos predictivos de machine learning para la reducción de hospitalizaciones en pacientes con insuficiencia cardíaca en la segunda fase del macroproyecto de monitoreo domiciliario con el FIT Seat del Laboratorio de Biomedicina Computacional del Instituto Tecnológico de Rochester
title_sort Desarrollo de modelos predictivos de machine learning para la reducción de hospitalizaciones en pacientes con insuficiencia cardíaca en la segunda fase del macroproyecto de monitoreo domiciliario con el FIT Seat del Laboratorio de Biomedicina Computacional del Instituto Tecnológico de Rochester
dc.creator.fl_str_mv Dorado Muñoz, Daniel
dc.contributor.advisor.none.fl_str_mv Ordóñez Medina, Stephanie
dc.contributor.author.none.fl_str_mv Dorado Muñoz, Daniel
dc.contributor.corporatename.spa.fl_str_mv Universidad Autónoma de Occidente
dc.contributor.jury.none.fl_str_mv Peña Paz, Lyda
dc.subject.proposal.spa.fl_str_mv Ingeniería Biomédica
Aprendizaje automático
Insuficiencia cardíaca
Predicción de eventos adversos
Monitoreo pasivo
Análisis exploratorio de datos
topic Ingeniería Biomédica
Aprendizaje automático
Insuficiencia cardíaca
Predicción de eventos adversos
Monitoreo pasivo
Análisis exploratorio de datos
Hospitalización
Machine learning
Heart failure
Hospitalization
Adverse event prediction
Passive monitoring
FIT Seat
Exploratory data analysis
dc.subject.proposal.eng.fl_str_mv Hospitalización
Machine learning
Heart failure
Hospitalization
Adverse event prediction
Passive monitoring
FIT Seat
Exploratory data analysis
description El presente trabajo de investigación se enmarca dentro del macroproyecto “Inconspicuous Daily Monitoring to Reduce Hospitalizations in Heart Failure Patients”, desarrollado por el Instituto tecnológico de Rochester (RIT por sus siglas en inglés) en colaboración con el Centro Médico de la Universidad de Rochester (URMC por sus siglas en inglés). Su objetivo fue contribuir al desarrollo de un modelo predictivo basado en machine learning para anticipar hospitalizaciones en pacientes con insuficiencia cardíaca (IC), utilizando datos fisiológicos recopilados por el FIT Seat, un dispositivo pasivo de monitoreo. La investigación se desarrolló bajo la modalidad de pasantía en el Laboratorio de Biomedicina Computacional del RIT, dirigido por la Dra. Linwei Wang. El estudio se estructuró en cuatro etapas: (I) Contextualización del macroproyecto, (II) Análisis exploratorio y preprocesamiento de datos, (III) Exploración y evaluación de modelos predictivos, y (IV) Ampliación del reclutamiento de pacientes para la cohorte observacional. Durante la etapa I, se revisaron los documentos metodológicos y se analizaron las variables clínicas, lo que reveló que el macroproyecto se retrasó más de lo previsto, con un número reducido de pacientes reclutados y una alta proporción de datos faltantes. En la etapa II, se realizó un análisis exploratorio del conjunto de datos, encontrando que el 42.09% de los registros diarios carecían de información sobre variables clínicas clave. Esto condujo a la implementación de estrategias para mejorar la consistencia de la selección de la muestra y reducir los sesgos en la segmentación temporal de los datos. En la etapa III, se evaluaron modelos como random forest, AdaBoost, bagging, máquinas de vectores de soporte y redes neuronales, aplicando validación cruzada y ajuste de hiperparámetros mediante búsqueda en cuadrícula. Se identificaron modelos con un rendimiento aceptable, logrando valores iguales o superiores a 0.65 en el área bajo la curva de la característica operativa del receptor (AUCROC, por sus siglas en inglés), indicador que mide la capacidad del modelo para discriminar entre eventos positivos y negativos. No obstante, varios modelos presentaron signos de sobreajuste y una baja estabilidad en sus métricas, principalmente debido a la escasa cantidad de eventos positivos registrados en la cohorte. Como resultado, se concluyó que avanzar a la siguiente fase del estudio no era viable sin ampliar la base de datos. En respuesta a esta necesidad, una etapa adicional se centró en ampliar el reclutamiento de pacientes, instalando el Asiento FIT en los hogares de tres nuevos participantes, con una integración exitosa en dos de ellos. Finalmente, los hallazgos fueron incluidos en el informe anual del macroproyecto, presentado a los Institutos Nacionales de Salud (NIH), donde se concluyó que es necesario aumentar la cantidad de datos recolectados antes de desarrollar un modelo con potencial de implementación clínica.
publishDate 2025
dc.date.accessioned.none.fl_str_mv 2025-05-16T14:28:47Z
dc.date.available.none.fl_str_mv 2025-05-16T14:28:47Z
dc.date.issued.none.fl_str_mv 2025-04-30
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 Dorado Muñoz, D. (2025). Desarrollo de modelos predictivos de machine learning para la reducción de hospitalizaciones en pacientes con insuficiencia cardíaca en la segunda fase del macroproyecto de monitoreo domiciliario con el FIT Seat del Laboratorio de Biomedicina Computacional del Instituto Tecnológico de Rochester. (Pasantía de investigación). Universidad Autónoma de Occidente. Cali. Colombia. https://hdl.handle.net/10614/16139
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/10614/16139
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 Dorado Muñoz, D. (2025). Desarrollo de modelos predictivos de machine learning para la reducción de hospitalizaciones en pacientes con insuficiencia cardíaca en la segunda fase del macroproyecto de monitoreo domiciliario con el FIT Seat del Laboratorio de Biomedicina Computacional del Instituto Tecnológico de Rochester. (Pasantía de investigación). Universidad Autónoma de Occidente. Cali. Colombia. https://hdl.handle.net/10614/16139
Universidad Autónoma de Occidente
Respositorio Educativo Digital UAO
url https://hdl.handle.net/10614/16139
https://red.uao.edu.co/
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.references.none.fl_str_mv [1] C. W. Tsao et al., “Heart Disease and Stroke Statistics - 2023 Update: A Report from the American Heart Association”, el 21 de febrero de 2023, Lippincott Williams and Wilkins. doi: 10.1161/CIR.0000000000001123.
[2] American Heart Association, “2025 Heart Disease and Stroke Statistics Update Fact Sheet At-a-Glance”, 2025.
[3] Centers for Disease Control and Prevention, “About Heart Failure”. Consultado: el 2 de marzo de 2025. [En línea]. Disponible en: https://www.cdc.gov/heart-disease/about/heart-failure.html
[4] Heart Failure Society of America, “Heart Failure Facts & Information”. Consultado: el 2 de marzo de 2025. [En línea]. Disponible en: https://hfsa.org/patient-hub/heart-failure-facts-information
[5] C. Wei, P. A. Heidenreich, y A. T. Sandhu, “The economics of heart failure care”, el 1 de enero de 2024, W.B. Saunders. doi: 10.1016/j.pcad.2024.01.010.
[6] P. A. Heidenreich et al., “Economic Issues in Heart Failure in the United States”, el 1 de marzo de 2022, Elsevier B.V. doi: 10.1016/j.cardfail.2021.12.017.
[7] S. I. Chaudhry et al., “Telemonitoring in Patients with Heart Failure”, New England Journal of Medicine, vol. 363, núm. 24, pp. 2301–2309, dic. 2010, doi: 10.1056/nejmoa1010029.
[8] M. K. Ong et al., “Effectiveness of remote patient monitoring after discharge of hospitalized patients with heart failure the better effectiveness after transition-heart failure (BEAT-HF) randomized clinical trial”, JAMA Intern Med, vol. 176, núm. 3, pp. 310–318, mar. 2016, doi: 10.1001/jamainternmed.2015.7712.
[9] P. B. Adamson et al., “CHAMPION trial rationale and design: The long-term safety and clinical efficacy of a wireless pulmonary artery pressure monitoring system”, J Card Fail, vol. 17, núm. 1, pp. 3–10, ene. 2011, doi: 10.1016/j.cardfail.2010.08.002.
[10] E. A. Kobe, T. McVeigh, I. Hameed, y M. Fudim, “Heart Failure Remote Monitoring: A Review and Implementation How-To”, el 1 de octubre de 2023, Multidisciplinary Digital Publishing Institute (MDPI). doi: 10.3390/jcm12196200.
[11] D. A. Borkholder, “Inconspicuous Daily Monitoring to Reduce Hospitalizations in Heart Failure Patients”, 2020.
[12] D. J. Dzikowicz et al., “Utilization of an undergraduate emergency department research associate program for the screening and recruitment of research subjects with heart failure into a clinical study”, Contemp Clin Trials Commun, vol. 43, feb. 2025, doi: 10.1016/j.conctc.2024.101410.
[13] B. Lekhak, R. Missel, D. Dzikowicz, S. Rachynska, W. Zareba, y L. Wang, “Novel In-Home Cardiac Monitoring for Heart Failure Patients”, en Computing in Cardiology, IEEE Computer Society, 2023. doi: 10.22489/CinC.2023.074.
[14] S. E. Whang, Y. Roh, H. Song, y J.-G. Lee, “Data Collection and Quality Challenges in Deep Learning: A Data-Centric AI Perspective”, dic. 2021, [En línea]. Disponible en: http://arxiv.org/abs/2112.06409
[15] A. Ranjbar y J. Ravn, “Data Quality in Healthcare for the Purpose of Artificial Intelligence: A Case Study on ECG Digitalization”, en Studies in Health Technology and Informatics, IOS Press BV, jun. 2023, pp. 471–474. doi: 10.3233/SHTI230534.
[16] M. Stonebraker y E. K. Rezig, “Machine Learning and Big Data: What is Important?”, 2019.
[17] Casana, “The Heart Seat”. Consultado: el 2 de marzo de 2025. [En línea]. Disponible en: https://casanacare.com/the-heart-seat/
[18] A. Rahman et al., “Machine learning and deep learning-based approach in smart healthcare: Recent advances, applications, challenges and opportunities”, 2024, American Institute of Mathematical Sciences. doi: 10.3934/publichealth.2024004.
[19] H. Nilius, S. Tsouka, M. Nagler, y M. Masoodi, “Machine learning applications in precision medicine: Overcoming challenges and unlocking potential”, el 1 de octubre de 2024, Elsevier B.V. doi: 10.1016/j.trac.2024.117872.
[20] B. Bozkurt et al., “Universal Definition and Classification of Heart Failure: A Report of the Heart Failure Society of America, Heart Failure Association of the European Society of Cardiology, Japanese Heart Failure Society and Writing Committee of the Universal Definition of Heart Failure”, J Card Fail, vol. 27, núm. 4, pp. 387–413, abr. 2021, doi: 10.1016/j.cardfail.2021.01.022.
[21] G. Savarese, P. M. Becher, L. H. Lund, P. Seferovic, G. M. C. Rosano, y A. J. S. Coats, “Global burden of heart failure: a comprehensive and updated review of epidemiology”, el 1 de diciembre de 2022, Oxford University Press. doi: 10.1093/cvr/cvac013.
[22] B. Bozkurt et al., “HF STATS 2024: Heart Failure Epidemiology and Outcomes Statistics An Updated 2024 Report from the Heart Failure Society of America”, J Card Fail, ene. 2024, doi: 10.1016/j.cardfail.2024.07.001.
[23] A. S Alsulymani et al., “Risk Factors for Readmission in Heart Failure Within 90 Days”, Cureus, dic. 2023, doi: 10.7759/cureus.50236.
[24] B. Ziaeian y G. C. Fonarow, “The Prevention of Hospital Readmissions in Heart Failure”, el 1 de enero de 2016, W.B. Saunders. doi: 10.1016/j.pcad.2015.09.004.
[25] The George Washington University Hospital, “Heart Failure Causes, Symptoms, and Treatments”. Consultado: el 2 de marzo de 2025. [En línea]. Disponible en: https://www.gwhospital.com/conditions-services/cardiovascular-center/advanced-heart-failure/causes-symptoms-treatments
[26] M. G. Nicholls y A. M. Richards, “Disease monitoring of patients with chronic heart failure”, abril de 2007. doi: 10.1136/hrt.2005.078519.
[27] W. T. Abraham, L. W. Stevenson, R. C. Bourge, J. A. Lindenfeld, J. G. Bauman, y P. B. Adamson, “Sustained efficacy of pulmonary artery pressure to guide adjustment of chronic heart failure therapy: Complete follow-up results from the CHAMPION randomised trial”, The Lancet, vol. 387, núm. 10017, pp. 453–461, ene. 2016, doi: 10.1016/S0140-6736(15)00723-0.
[28] J. P. Boehmer et al., “A Multisensor Algorithm Predicts Heart Failure Events in Patients With Implanted Devices Results From the MultiSENSE Study”, 2017.
[29] G. Silvarole, “Toilet seat that detects heart failure created by RIT, URMC”, el 9 de abril de 2019. Consultado: el 2 de marzo de 2025. [En línea]. Disponible en: https://www.democratandchronicle.com/story/news/2019/04/09/toilet-seat-heart-failure-rit-nicholas-conn-health-intelligence-karl-schwarz-urmc/3231992002/
[30] Casana Care, “About Us”. Consultado: el 2 de marzo de 2025. [En línea]. Disponible en: https://casanacare.com/about-us/
[31] M. Dellatto, “This ‘smart’ toilet can predict heart failure”, el 22 de mayo de 2019. Consultado: el 2 de marzo de 2025. [En línea]. Disponible en: https://nypost.com/2019/05/22/this-smart-toilet-can-predict-heart-failure-study/
[32] N. J. Conn, K. Q. Schwarz, y D. A. Borkholder, “In-home cardiovascular monitoring system for heart failure: Comparative study”, JMIR Mhealth Uhealth, vol. 7, núm. 1, 2019, doi: 10.2196/12419.
[33] N. J. Conn, K. Q. Schwarz, y D. A. Borkholder, “Nontraditional electrocardiogram and algorithms for inconspicuous in-home monitoring: Comparative study”, JMIR Mhealth Uhealth, vol. 6, núm. 5, may 2018, doi: 10.2196/mhealth.9604.
[34] National Institute of Nursing Research, “Inconspicuous Daily Monitoring to Reduce Heart Failure Hospitalizations”, 2020. Consultado: el 2 de marzo de 2025. [En línea]. Disponible en: https://reporter.nih.gov/search/esh2KWdBM0-C8UCjPf3ohg/project-details/9883497
[35] L. Zhang, T. Geisler, H. Ray, y Y. Xie, “Improving logistic regression on the imbalanced data by a novel penalized log-likelihood function”, J Appl Stat, vol. 49, núm. 13, pp. 3257–3277, 2022, doi: 10.1080/02664763.2021.1939662.
[36] S. Rezvani, F. Pourpanah, C. P. Lim, y Q. M. J. Wu, “Methods for Class-Imbalanced Learning with Support Vector Machines: A Review and an Empirical Evaluation”, jun. 2024, doi: 10.1007/s00500-024-09931-5.
[37] C. Chen y A. Liaw, “Using Random Forest to Learn Imbalanced Data”, jul. 2004. Consultado: el 19 de abril de 2025. [En línea]. Disponible en: https://statistics.berkeley.edu/sites/default/files/tech-reports/666.pdf
[38] W. Wang y D. Sun, “The improved AdaBoost algorithms for imbalanced data classification”, Inf Sci (N Y), vol. 563, pp. 358–374, jul. 2021, doi: 10.1016/j.ins.2021.03.042.
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 80 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/4a4db130-b528-46ad-a7ea-b574a3fad758/download
https://red.uao.edu.co/bitstreams/a21f5ac6-7f6a-494e-bb0d-d213803f3c6b/download
https://red.uao.edu.co/bitstreams/f0881402-da7f-440a-96d6-968fad580236/download
https://red.uao.edu.co/bitstreams/504c04dc-afd9-4444-965f-34464e42f4ec/download
https://red.uao.edu.co/bitstreams/c8bdd843-4089-421b-8bd0-c4897eef394b/download
https://red.uao.edu.co/bitstreams/03cba322-e132-45cf-a982-e675ebdc062d/download
https://red.uao.edu.co/bitstreams/ff751296-3db6-4944-a269-fc82088a87fa/download
https://red.uao.edu.co/bitstreams/3fd95ca9-6149-4860-9468-7b5705d2ff08/download
https://red.uao.edu.co/bitstreams/41032ecb-b56a-4399-b4a3-671e0a78fade/download
https://red.uao.edu.co/bitstreams/49f08bac-f841-4df1-a68a-f4e68ddce9b8/download
https://red.uao.edu.co/bitstreams/b8669b0e-e928-465c-a791-4f05f4fd9c71/download
https://red.uao.edu.co/bitstreams/80f9115e-76e4-42e1-8329-2f1fb2e03750/download
bitstream.checksum.fl_str_mv fea67624b3949d999fced38e82cb74a4
7e7021adaac784a14e4ebac2cee1c09f
2446594f104d99ad02d76c4fbbb5a02c
34d2f6c59e2b745ccef60021532a331f
95f3e524310430d8956fa64915524d85
6987b791264a2b5525252450f99b10d1
33c98b9943142a165da48377466b940c
60543b299e23435773aa545b35a7f579
e248899213bd80d569ad6ce52aaeee77
5294450f22c556e42358fd836063cb1c
834ab7df3e935888e4ecdc5a5f8a50c1
2d5dbcf92eef648db17238ebf97cf51d
bitstream.checksumAlgorithm.fl_str_mv 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_ 1834111018725277696
spelling Ordóñez Medina, StephanieDorado Muñoz, DanielUniversidad Autónoma de OccidentePeña Paz, Lydavirtual::6069-12025-05-16T14:28:47Z2025-05-16T14:28:47Z2025-04-30Dorado Muñoz, D. (2025). Desarrollo de modelos predictivos de machine learning para la reducción de hospitalizaciones en pacientes con insuficiencia cardíaca en la segunda fase del macroproyecto de monitoreo domiciliario con el FIT Seat del Laboratorio de Biomedicina Computacional del Instituto Tecnológico de Rochester. (Pasantía de investigación). Universidad Autónoma de Occidente. Cali. Colombia. https://hdl.handle.net/10614/16139https://hdl.handle.net/10614/16139Universidad Autónoma de OccidenteRespositorio Educativo Digital UAOhttps://red.uao.edu.co/El presente trabajo de investigación se enmarca dentro del macroproyecto “Inconspicuous Daily Monitoring to Reduce Hospitalizations in Heart Failure Patients”, desarrollado por el Instituto tecnológico de Rochester (RIT por sus siglas en inglés) en colaboración con el Centro Médico de la Universidad de Rochester (URMC por sus siglas en inglés). Su objetivo fue contribuir al desarrollo de un modelo predictivo basado en machine learning para anticipar hospitalizaciones en pacientes con insuficiencia cardíaca (IC), utilizando datos fisiológicos recopilados por el FIT Seat, un dispositivo pasivo de monitoreo. La investigación se desarrolló bajo la modalidad de pasantía en el Laboratorio de Biomedicina Computacional del RIT, dirigido por la Dra. Linwei Wang. El estudio se estructuró en cuatro etapas: (I) Contextualización del macroproyecto, (II) Análisis exploratorio y preprocesamiento de datos, (III) Exploración y evaluación de modelos predictivos, y (IV) Ampliación del reclutamiento de pacientes para la cohorte observacional. Durante la etapa I, se revisaron los documentos metodológicos y se analizaron las variables clínicas, lo que reveló que el macroproyecto se retrasó más de lo previsto, con un número reducido de pacientes reclutados y una alta proporción de datos faltantes. En la etapa II, se realizó un análisis exploratorio del conjunto de datos, encontrando que el 42.09% de los registros diarios carecían de información sobre variables clínicas clave. Esto condujo a la implementación de estrategias para mejorar la consistencia de la selección de la muestra y reducir los sesgos en la segmentación temporal de los datos. En la etapa III, se evaluaron modelos como random forest, AdaBoost, bagging, máquinas de vectores de soporte y redes neuronales, aplicando validación cruzada y ajuste de hiperparámetros mediante búsqueda en cuadrícula. Se identificaron modelos con un rendimiento aceptable, logrando valores iguales o superiores a 0.65 en el área bajo la curva de la característica operativa del receptor (AUCROC, por sus siglas en inglés), indicador que mide la capacidad del modelo para discriminar entre eventos positivos y negativos. No obstante, varios modelos presentaron signos de sobreajuste y una baja estabilidad en sus métricas, principalmente debido a la escasa cantidad de eventos positivos registrados en la cohorte. Como resultado, se concluyó que avanzar a la siguiente fase del estudio no era viable sin ampliar la base de datos. En respuesta a esta necesidad, una etapa adicional se centró en ampliar el reclutamiento de pacientes, instalando el Asiento FIT en los hogares de tres nuevos participantes, con una integración exitosa en dos de ellos. Finalmente, los hallazgos fueron incluidos en el informe anual del macroproyecto, presentado a los Institutos Nacionales de Salud (NIH), donde se concluyó que es necesario aumentar la cantidad de datos recolectados antes de desarrollar un modelo con potencial de implementación clínica.This research was conducted as part of the "Inconspicuous Daily Monitoring to Reduce Hospitalizations in Heart Failure Patients" macroproject, developed by the Rochester Institute of Technology (RIT) in collaboration with the University of Rochester Medical Center (URMC). Its objective was to contribute to the development of a machine learning-based predictive model to anticipate hospitalizations in patients with heart failure, using physiological data collected by the FIT Seat, a passive monitoring device. The research was conducted as an internship in the Computational Biomedicine Laboratory at RIT, directed by Dr. Linwei Wang. The study was structured into four stages: (I) Contextualization of the macroproject, (II) Exploratory data analysis and preprocessing, (III) Exploration and evaluation of predictive models, and (IV) Expansion of patient recruitment for the observational cohort. During stage I, methodological documents were reviewed, and clinical variables were analyzed, revealing that the macroproject was more delayed than expected, with a reduced number of recruited patients and a high proportion of missing data. In stage II, an exploratory analysis of the dataset was conducted, finding that 42.09% of daily records lacked information in key clinical variables, leading to the implementation of strategies to improve sample selection consistency and reduce biases in temporal data segmentation. In stage III, models such as random forest, AdaBoost, bagging, support vector machines, and neural networks were evaluated, applying crossvalidation and hyperparameter tuning through grid search. Models with aceptable performance were identified, achieving values equal to or greater than 0.65 in the area under the receiver operating characteristic curve (AUC-ROC), an indicator that measures the model's ability to discriminate between positive and negative events. However, several models showed signs of overfitting and low stability in their metrics, primarily due to the small number of positive events recorded in the cohort. As a result, it was concluded that advancing to the next phase of the study was not viable without expanding the database. In response to this need, an additional stage focused on expanding patient recruitment, installing the FIT Seat in the homes of three new participants, with successful integration in two of them. Finally, the findings were included in the macroproject’s annual report, submitted to the National Institutes of Health (NIH), where it was concluded that increasing the amount of collected data is necessary before developing a model with clinical implementation potentialPasantía de investigación (Ingeniero Biomédico)-- Universidad Autónoma de Occidente, 2025PregradoIngeniero(a) Biomédico(a)80 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_14cbDesarrollo de modelos predictivos de machine learning para la reducción de hospitalizaciones en pacientes con insuficiencia cardíaca en la segunda fase del macroproyecto de monitoreo domiciliario con el FIT Seat del Laboratorio de Biomedicina Computacional del Instituto Tecnológico de RochesterTrabajo 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_970fb48d4fbd8a85[1] C. W. Tsao et al., “Heart Disease and Stroke Statistics - 2023 Update: A Report from the American Heart Association”, el 21 de febrero de 2023, Lippincott Williams and Wilkins. doi: 10.1161/CIR.0000000000001123.[2] American Heart Association, “2025 Heart Disease and Stroke Statistics Update Fact Sheet At-a-Glance”, 2025.[3] Centers for Disease Control and Prevention, “About Heart Failure”. Consultado: el 2 de marzo de 2025. [En línea]. Disponible en: https://www.cdc.gov/heart-disease/about/heart-failure.html[4] Heart Failure Society of America, “Heart Failure Facts & Information”. Consultado: el 2 de marzo de 2025. [En línea]. Disponible en: https://hfsa.org/patient-hub/heart-failure-facts-information[5] C. Wei, P. A. Heidenreich, y A. T. Sandhu, “The economics of heart failure care”, el 1 de enero de 2024, W.B. Saunders. doi: 10.1016/j.pcad.2024.01.010.[6] P. A. Heidenreich et al., “Economic Issues in Heart Failure in the United States”, el 1 de marzo de 2022, Elsevier B.V. doi: 10.1016/j.cardfail.2021.12.017.[7] S. I. Chaudhry et al., “Telemonitoring in Patients with Heart Failure”, New England Journal of Medicine, vol. 363, núm. 24, pp. 2301–2309, dic. 2010, doi: 10.1056/nejmoa1010029.[8] M. K. Ong et al., “Effectiveness of remote patient monitoring after discharge of hospitalized patients with heart failure the better effectiveness after transition-heart failure (BEAT-HF) randomized clinical trial”, JAMA Intern Med, vol. 176, núm. 3, pp. 310–318, mar. 2016, doi: 10.1001/jamainternmed.2015.7712.[9] P. B. Adamson et al., “CHAMPION trial rationale and design: The long-term safety and clinical efficacy of a wireless pulmonary artery pressure monitoring system”, J Card Fail, vol. 17, núm. 1, pp. 3–10, ene. 2011, doi: 10.1016/j.cardfail.2010.08.002.[10] E. A. Kobe, T. McVeigh, I. Hameed, y M. Fudim, “Heart Failure Remote Monitoring: A Review and Implementation How-To”, el 1 de octubre de 2023, Multidisciplinary Digital Publishing Institute (MDPI). doi: 10.3390/jcm12196200.[11] D. A. Borkholder, “Inconspicuous Daily Monitoring to Reduce Hospitalizations in Heart Failure Patients”, 2020.[12] D. J. Dzikowicz et al., “Utilization of an undergraduate emergency department research associate program for the screening and recruitment of research subjects with heart failure into a clinical study”, Contemp Clin Trials Commun, vol. 43, feb. 2025, doi: 10.1016/j.conctc.2024.101410.[13] B. Lekhak, R. Missel, D. Dzikowicz, S. Rachynska, W. Zareba, y L. Wang, “Novel In-Home Cardiac Monitoring for Heart Failure Patients”, en Computing in Cardiology, IEEE Computer Society, 2023. doi: 10.22489/CinC.2023.074.[14] S. E. Whang, Y. Roh, H. Song, y J.-G. Lee, “Data Collection and Quality Challenges in Deep Learning: A Data-Centric AI Perspective”, dic. 2021, [En línea]. Disponible en: http://arxiv.org/abs/2112.06409[15] A. Ranjbar y J. Ravn, “Data Quality in Healthcare for the Purpose of Artificial Intelligence: A Case Study on ECG Digitalization”, en Studies in Health Technology and Informatics, IOS Press BV, jun. 2023, pp. 471–474. doi: 10.3233/SHTI230534.[16] M. Stonebraker y E. K. Rezig, “Machine Learning and Big Data: What is Important?”, 2019.[17] Casana, “The Heart Seat”. Consultado: el 2 de marzo de 2025. [En línea]. Disponible en: https://casanacare.com/the-heart-seat/[18] A. Rahman et al., “Machine learning and deep learning-based approach in smart healthcare: Recent advances, applications, challenges and opportunities”, 2024, American Institute of Mathematical Sciences. doi: 10.3934/publichealth.2024004.[19] H. Nilius, S. Tsouka, M. Nagler, y M. Masoodi, “Machine learning applications in precision medicine: Overcoming challenges and unlocking potential”, el 1 de octubre de 2024, Elsevier B.V. doi: 10.1016/j.trac.2024.117872.[20] B. Bozkurt et al., “Universal Definition and Classification of Heart Failure: A Report of the Heart Failure Society of America, Heart Failure Association of the European Society of Cardiology, Japanese Heart Failure Society and Writing Committee of the Universal Definition of Heart Failure”, J Card Fail, vol. 27, núm. 4, pp. 387–413, abr. 2021, doi: 10.1016/j.cardfail.2021.01.022.[21] G. Savarese, P. M. Becher, L. H. Lund, P. Seferovic, G. M. C. Rosano, y A. J. S. Coats, “Global burden of heart failure: a comprehensive and updated review of epidemiology”, el 1 de diciembre de 2022, Oxford University Press. doi: 10.1093/cvr/cvac013.[22] B. Bozkurt et al., “HF STATS 2024: Heart Failure Epidemiology and Outcomes Statistics An Updated 2024 Report from the Heart Failure Society of America”, J Card Fail, ene. 2024, doi: 10.1016/j.cardfail.2024.07.001.[23] A. S Alsulymani et al., “Risk Factors for Readmission in Heart Failure Within 90 Days”, Cureus, dic. 2023, doi: 10.7759/cureus.50236.[24] B. Ziaeian y G. C. Fonarow, “The Prevention of Hospital Readmissions in Heart Failure”, el 1 de enero de 2016, W.B. Saunders. doi: 10.1016/j.pcad.2015.09.004.[25] The George Washington University Hospital, “Heart Failure Causes, Symptoms, and Treatments”. Consultado: el 2 de marzo de 2025. [En línea]. Disponible en: https://www.gwhospital.com/conditions-services/cardiovascular-center/advanced-heart-failure/causes-symptoms-treatments[26] M. G. Nicholls y A. M. Richards, “Disease monitoring of patients with chronic heart failure”, abril de 2007. doi: 10.1136/hrt.2005.078519.[27] W. T. Abraham, L. W. Stevenson, R. C. Bourge, J. A. Lindenfeld, J. G. Bauman, y P. B. Adamson, “Sustained efficacy of pulmonary artery pressure to guide adjustment of chronic heart failure therapy: Complete follow-up results from the CHAMPION randomised trial”, The Lancet, vol. 387, núm. 10017, pp. 453–461, ene. 2016, doi: 10.1016/S0140-6736(15)00723-0.[28] J. P. Boehmer et al., “A Multisensor Algorithm Predicts Heart Failure Events in Patients With Implanted Devices Results From the MultiSENSE Study”, 2017.[29] G. Silvarole, “Toilet seat that detects heart failure created by RIT, URMC”, el 9 de abril de 2019. Consultado: el 2 de marzo de 2025. [En línea]. Disponible en: https://www.democratandchronicle.com/story/news/2019/04/09/toilet-seat-heart-failure-rit-nicholas-conn-health-intelligence-karl-schwarz-urmc/3231992002/[30] Casana Care, “About Us”. Consultado: el 2 de marzo de 2025. [En línea]. Disponible en: https://casanacare.com/about-us/[31] M. Dellatto, “This ‘smart’ toilet can predict heart failure”, el 22 de mayo de 2019. Consultado: el 2 de marzo de 2025. [En línea]. Disponible en: https://nypost.com/2019/05/22/this-smart-toilet-can-predict-heart-failure-study/[32] N. J. Conn, K. Q. Schwarz, y D. A. Borkholder, “In-home cardiovascular monitoring system for heart failure: Comparative study”, JMIR Mhealth Uhealth, vol. 7, núm. 1, 2019, doi: 10.2196/12419.[33] N. J. Conn, K. Q. Schwarz, y D. A. Borkholder, “Nontraditional electrocardiogram and algorithms for inconspicuous in-home monitoring: Comparative study”, JMIR Mhealth Uhealth, vol. 6, núm. 5, may 2018, doi: 10.2196/mhealth.9604.[34] National Institute of Nursing Research, “Inconspicuous Daily Monitoring to Reduce Heart Failure Hospitalizations”, 2020. Consultado: el 2 de marzo de 2025. [En línea]. Disponible en: https://reporter.nih.gov/search/esh2KWdBM0-C8UCjPf3ohg/project-details/9883497[35] L. Zhang, T. Geisler, H. Ray, y Y. Xie, “Improving logistic regression on the imbalanced data by a novel penalized log-likelihood function”, J Appl Stat, vol. 49, núm. 13, pp. 3257–3277, 2022, doi: 10.1080/02664763.2021.1939662.[36] S. Rezvani, F. Pourpanah, C. P. Lim, y Q. M. J. Wu, “Methods for Class-Imbalanced Learning with Support Vector Machines: A Review and an Empirical Evaluation”, jun. 2024, doi: 10.1007/s00500-024-09931-5.[37] C. Chen y A. Liaw, “Using Random Forest to Learn Imbalanced Data”, jul. 2004. Consultado: el 19 de abril de 2025. [En línea]. Disponible en: https://statistics.berkeley.edu/sites/default/files/tech-reports/666.pdf[38] W. Wang y D. Sun, “The improved AdaBoost algorithms for imbalanced data classification”, Inf Sci (N Y), vol. 563, pp. 358–374, jul. 2021, doi: 10.1016/j.ins.2021.03.042.Ingeniería BiomédicaAprendizaje automáticoInsuficiencia cardíacaPredicción de eventos adversosMonitoreo pasivoAnálisis exploratorio de datosHospitalizaciónMachine learningHeart failureHospitalizationAdverse event predictionPassive monitoringFIT SeatExploratory data analysisComunidad generalPublicationhttps://scholar.google.com/citations?user=czXZ0VAAAAAJ&hl=esvirtual::6069-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000504823virtual::6069-1d2a46a1b-1b77-45dd-83dc-904c73ca6ad4virtual::6069-1d2a46a1b-1b77-45dd-83dc-904c73ca6ad4virtual::6069-1ORIGINALT11400_Desarrollo de modelos predictivos de machine learning para la reducción de hospitalizaciones en pacientes con insuficiencia cardíaca en la segunda fase del macroproyecto de monitoreo domiciliario con el FIT Seat del Laboratorio de Biomedicina Computacional del Instituto Tecnológico de Rochester.PDFT11400_Desarrollo de modelos predictivos de machine learning para la reducción de hospitalizaciones en pacientes con insuficiencia cardíaca en la segunda fase del macroproyecto de monitoreo domiciliario con el FIT Seat del Laboratorio de Biomedicina Computacional del Instituto Tecnológico de Rochester.PDFArchivo texto completo del trabajo de grado, PDFapplication/pdf3307889https://red.uao.edu.co/bitstreams/4a4db130-b528-46ad-a7ea-b574a3fad758/downloadfea67624b3949d999fced38e82cb74a4MD54Anexo_A_Revisión_Fundamentos_Machine_Learning.rarAnexo_A_Revisión_Fundamentos_Machine_Learning.rarAnexo A. Revisión fundamentos Machine Learning.RARapplication/octet-stream67405099https://red.uao.edu.co/bitstreams/a21f5ac6-7f6a-494e-bb0d-d213803f3c6b/download7e7021adaac784a14e4ebac2cee1c09fMD51Anexo_B_Análisis_&_Resultados_Python.rarAnexo_B_Análisis_&_Resultados_Python.rarAnexo B. Análisis & resultados Python.rarapplication/octet-stream37848194https://red.uao.edu.co/bitstreams/f0881402-da7f-440a-96d6-968fad580236/download2446594f104d99ad02d76c4fbbb5a02cMD52Anexo_C_Informe_Anual_NIH_112024.pdfAnexo_C_Informe_Anual_NIH_112024.pdfAnexo C. Informe anual NIH_112024application/pdf655348https://red.uao.edu.co/bitstreams/504c04dc-afd9-4444-965f-34464e42f4ec/download34d2f6c59e2b745ccef60021532a331fMD53TA11400_Autorización trabajo de grado.pdfTA11400_Autorización trabajo de grado.pdfAutorización para publicación del trabajo de gradoapplication/pdf334208https://red.uao.edu.co/bitstreams/c8bdd843-4089-421b-8bd0-c4897eef394b/download95f3e524310430d8956fa64915524d85MD55LICENSElicense.txtlicense.txttext/plain; charset=utf-81672https://red.uao.edu.co/bitstreams/03cba322-e132-45cf-a982-e675ebdc062d/download6987b791264a2b5525252450f99b10d1MD56TEXTT11400_Desarrollo de modelos predictivos de machine learning para la reducción de hospitalizaciones en pacientes con insuficiencia cardíaca en la segunda fase del macroproyecto de monitoreo domiciliario con el FIT Seat del Laboratorio de Biomedicina Computacional del Instituto Tecnológico de Rochester.PDF.txtT11400_Desarrollo de modelos predictivos de machine learning para la reducción de hospitalizaciones en pacientes con insuficiencia cardíaca en la segunda fase del macroproyecto de monitoreo domiciliario con el FIT Seat del Laboratorio de Biomedicina Computacional del Instituto Tecnológico de Rochester.PDF.txtExtracted texttext/plain101939https://red.uao.edu.co/bitstreams/ff751296-3db6-4944-a269-fc82088a87fa/download33c98b9943142a165da48377466b940cMD57Anexo_C_Informe_Anual_NIH_112024.pdf.txtAnexo_C_Informe_Anual_NIH_112024.pdf.txtExtracted texttext/plain15047https://red.uao.edu.co/bitstreams/3fd95ca9-6149-4860-9468-7b5705d2ff08/download60543b299e23435773aa545b35a7f579MD59TA11400_Autorización trabajo de grado.pdf.txtTA11400_Autorización trabajo de grado.pdf.txtExtracted texttext/plain5447https://red.uao.edu.co/bitstreams/41032ecb-b56a-4399-b4a3-671e0a78fade/downloade248899213bd80d569ad6ce52aaeee77MD511THUMBNAILT11400_Desarrollo de modelos predictivos de machine learning para la reducción de hospitalizaciones en pacientes con insuficiencia cardíaca en la segunda fase del macroproyecto de monitoreo domiciliario con el FIT Seat del Laboratorio de Biomedicina Computacional del Instituto Tecnológico de Rochester.PDF.jpgT11400_Desarrollo de modelos predictivos de machine learning para la reducción de hospitalizaciones en pacientes con insuficiencia cardíaca en la segunda fase del macroproyecto de monitoreo domiciliario con el FIT Seat del Laboratorio de Biomedicina Computacional del Instituto Tecnológico de Rochester.PDF.jpgGenerated Thumbnailimage/jpeg7814https://red.uao.edu.co/bitstreams/49f08bac-f841-4df1-a68a-f4e68ddce9b8/download5294450f22c556e42358fd836063cb1cMD58Anexo_C_Informe_Anual_NIH_112024.pdf.jpgAnexo_C_Informe_Anual_NIH_112024.pdf.jpgGenerated Thumbnailimage/jpeg14278https://red.uao.edu.co/bitstreams/b8669b0e-e928-465c-a791-4f05f4fd9c71/download834ab7df3e935888e4ecdc5a5f8a50c1MD510TA11400_Autorización trabajo de grado.pdf.jpgTA11400_Autorización trabajo de grado.pdf.jpgGenerated Thumbnailimage/jpeg13172https://red.uao.edu.co/bitstreams/80f9115e-76e4-42e1-8329-2f1fb2e03750/download2d5dbcf92eef648db17238ebf97cf51dMD51210614/16139oai:red.uao.edu.co:10614/161392025-05-17 03:01:29.276https://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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