Machine learning y el control de hipertensión arterial

Autores:: Campos Rodríguez, Laura Alejandra
Sánchez Álvarez, Daniel Julián
Abuchar Porras, Alexandra

Tipo de recurso:: Article of journal

Fecha de publicación:: 2025

Institución:: Universidad de Cundinamarca

Repositorio:: Repositorio UdeC

Idioma:

id	RUCUN2_135684d80dc63c08f10b93c34e3765c1
oai_identifier_str	oai:repositorio.cun.edu.co:cun/10837
network_acronym_str	RUCUN2
network_name_str	Repositorio UdeC
repository_id_str
dc.title.spa.fl_str_mv	Machine learning y el control de hipertensión arterial
title	Machine learning y el control de hipertensión arterial
spellingShingle	Machine learning y el control de hipertensión arterial Aprendizaje Autónomo Machine Learning Arterial Hipertensión Arterial (HTA) Arterial Tension Autonomous Teaching High Blood Pressure (HTA), Machine Learning
title_short	Machine learning y el control de hipertensión arterial
title_full	Machine learning y el control de hipertensión arterial
title_fullStr	Machine learning y el control de hipertensión arterial
title_full_unstemmed	Machine learning y el control de hipertensión arterial
title_sort	Machine learning y el control de hipertensión arterial
dc.creator.fl_str_mv	Campos Rodríguez, Laura Alejandra Sánchez Álvarez, Daniel Julián Abuchar Porras, Alexandra
dc.contributor.author.spa.fl_str_mv	Campos Rodríguez, Laura Alejandra Sánchez Álvarez, Daniel Julián Abuchar Porras, Alexandra
dc.subject.none.fl_str_mv	Aprendizaje Autónomo Machine Learning Arterial Hipertensión Arterial (HTA) Arterial Tension Autonomous Teaching High Blood Pressure (HTA), Machine Learning
topic	Aprendizaje Autónomo Machine Learning Arterial Hipertensión Arterial (HTA) Arterial Tension Autonomous Teaching High Blood Pressure (HTA), Machine Learning
publishDate	2025
dc.date.issued.none.fl_str_mv	%0-%02-%06
dc.date.accessioned.none.fl_str_mv	2020-02-06 00:00:00 2025-11-05T14:58:40Z
dc.date.available.none.fl_str_mv	2020-02-06 00:00:00
dc.type.spa.fl_str_mv	Artículo de revista
dc.type.coar.fl_str_mv	http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.coar.none.fl_str_mv	http://purl.org/coar/resource_type/c_6501
dc.type.coarversion.none.fl_str_mv	http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.content.none.fl_str_mv	Text
dc.type.driver.none.fl_str_mv	info:eu-repo/semantics/article
dc.type.local.eng.fl_str_mv	Journal article
dc.type.version.none.fl_str_mv	info:eu-repo/semantics/publishedVersion
format	http://purl.org/coar/resource_type/c_6501
status_str	publishedVersion
dc.identifier.uri.none.fl_str_mv	https://repositorio.cun.edu.co/handle/cun/10837
dc.identifier.doi.none.fl_str_mv	10.52143/2346139X.695
dc.identifier.eissn.none.fl_str_mv	2346-139X
dc.identifier.url.none.fl_str_mv	https://doi.org/10.52143/2346139X.695
url	https://repositorio.cun.edu.co/handle/cun/10837 https://doi.org/10.52143/2346139X.695
identifier_str_mv	10.52143/2346139X.695 2346-139X
dc.language.iso.none.fl_str_mv
language_invalid_str_mv
dc.relation.bitstream.none.fl_str_mv	https://revistas.cun.edu.co/index.php/hashtag/article/download/695/506
dc.relation.citationedition.spa.fl_str_mv	Núm. 15 , Año 2019 : Revista Hashtag 2019B
dc.relation.citationendpage.none.fl_str_mv	58
dc.relation.citationissue.spa.fl_str_mv	15
dc.relation.citationstartpage.none.fl_str_mv	47
dc.relation.ispartofjournal.spa.fl_str_mv	#ashtag
dc.relation.references.none.fl_str_mv	Álvarez, A., González, J., Maceo, L. y Suárez, A. (2017). Modelo predictivo para el desarrollo de la cardiopatía hipertensiva: cohorte prospectiva. Medwave Revista Biomédica Revisada por Pares, 17(4). Álvarez, G., Ruso, R., Pérez, M. y Fernández, M. (2006). Manual clínico del monitoreo ambulatorio de la presión arterial. Revista Cubana de Medicina, 45(4). Ávila, J. (2015). Herramientas de los sistemas gestores de las bases de datos. Pasarelas y medios de conexión. Madrid: Editorial Elearning. Cárdenas, C. (2018). Diseño de un modelo predictivo de pesquisa cardiovascular utilizando Árboles de Decisión: propensión de pacientes a presentar diabetes tipo 2, hipertensión arterial o dislipidemia: Estudio piloto, comuna de Quellón, Chiloé. Revista Chilena de Cardiología, 37(2), 126-133. EnColombia. (s. f.). Hipertensión arterial primaria (hta): módulo de seguimiento [recurso en línea]. Recuperado de https://encolombia.com/medicina/guiasmed/guia-hta/hipertension-arterial-primaria-seguimiento/ García, Y. (2018). Red neuronal para diagnóstico de hipertensión arterial (tesis de grado) Universidad internacional de la Rioja, Madrid, España. Developers Google. (s. f.). Framing: Key ML Terminology. Recuperado de https://developers.google.com/machine-learning/crash-course/framing/ml-terminology Jupyter. (s. f.). Jupyter [main]. Recuperado de https://jupyter.org Machado, J. (2013). ¿Inercia clínica, qué tanto nos afecta?, Revista Médica de Risaralda, 19(1), 94-96. Martín, D., Hernández, E. y García, V. (2018). Detector predictivo de conexiones fraudulentas (tesis de maestría). Universidad Oberta de Catalunya, Barcelona, España. Maté, C. (2014). Big data. Un nuevo paradigma de análisis de datos, Anales de Mecánica y Electricidad, 91(6), 10-16. Mendoza, L. (2016). Procesamiento de la señal eléctrica del corazón. Revista Latinoamericana de Hipertensión, 11(2), 1-6. Recuperado de https://www.redalyc.org/pdf/1702/170250835001.pdf Olalla, I. (2018). El machine learning, una necesidad para abordar los problemas a gran escala [entrada de blog]. MD. Marketing Directo. Recuperado de https://www.marketingdirecto.com/marketing-general/business-intelligence-powered-by-neural-one/el-machine-learning-una-necesidad-para-abordar-los-problemas-a-gran-escala Organización Mundial de la Salud (oms). (27 de octubre del 2004). Responsables de salud de todo el mundo se unen a la Organización Mundial de la Salud en el anuncio de un redoblado esfuerzo para mejorar la seguridad del paciente. Recuperado de https://www.who.int/mediacentre/news/releases/2004/pr74/es/ Organización Mundial de la Salud (oms). (2013). A Global Brief on Hypertension. Génova: who. Recuperado de https://apps.who.int/iris/bitstream/handle/10665/79059/WHO_DCO_WHD_2013.2_eng.pdf?sequence=1 Ortiz, J. (22 de marzo del 2017). El machine learning y sus aplicaciones. 20 ejemplos [entrada de blog]. Joanybel Ortiz. Recuperado de http://www.joanybelortiz.com/aplicaciones-machine-learning-ejemplos/ Pérez, S. (2003). Introducción a la regresión logística. Recuperado de: http://halweb.uc3m.es/esp/Personal/personas/amalonso/esp/bstat-tema9.pdf Pérez, G. y Grau, R. (2012). Predicción de la evolución hacia la hipertensión arterial en la adultez desde la adolescencia, Revista Cubana de Informática Médica, 4(1), 46-64. Serrano, E., Molina, M., Manrique, D. y Baumela, L. (2017). Aprendizaje experiencial en ciencia de datos: satisfacción de los estudiantes para tres modelos de enseñanza y aprendizaje. Conferencia presentada en el Congreso Internacional Sobre Aprendizaje, Innovación y Competitividad. Zaragoza Silva, M: (abril 2019). Aprendizaje por Refuerzo: Introducción al mundo del RL. Recuperado de https://medium.com/aprendizaje-por-refuerzo-introducci%C3%B3n-al-mundo-del/aprendizaje-por-refuerzo-introducci%C3%B3n-al-mundo-del-rl-1fcfbaa1c87 Spyder. (s. f.). Spyder: The Scientific Python Development Environment [main]. Recuperado de https://docs.spyder-ide.org/ Universidad de Alcalá. (s. f.). Diferencias entre big data y data science [entrada de blog]. Universidad de Alcalá. Recuperado de https://www.master-data-scientist.com/ diferencias-entre-master-big-data-y-data-science/
dc.rights.none.fl_str_mv	https://creativecommons.org/licenses/by-nc-nd/4.0/ - 2019
dc.rights.uri.none.fl_str_mv	https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.none.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.none.fl_str_mv	http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	https://creativecommons.org/licenses/by-nc-nd/4.0/ - 2019 https://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.mimetype.none.fl_str_mv	application/pdf
dc.publisher.spa.fl_str_mv	Fondo Editorial CUN
dc.source.none.fl_str_mv	https://revistas.cun.edu.co/index.php/hashtag/article/view/695
institution	Universidad de Cundinamarca
bitstream.url.fl_str_mv	https://repositorio.cun.edu.co/bitstreams/e72d5732-1a62-402f-a0eb-1d7bd46167de/download
bitstream.checksum.fl_str_mv	256fc1c02ffc2d6a603990a91628c469
bitstream.checksumAlgorithm.fl_str_mv	MD5
repository.name.fl_str_mv	Repositorio Digital Corporación Unificada Nacional de Educación Superior
repository.mail.fl_str_mv	bdigital@metabiblioteca.com
_version_	1849967528105738240
spelling	Campos Rodríguez, Laura AlejandraSánchez Álvarez, Daniel JuliánAbuchar Porras, Alexandra2020-02-06 00:00:002025-11-05T14:58:40Z2020-02-06 00:00:00%0-%02-%06https://repositorio.cun.edu.co/handle/cun/1083710.52143/2346139X.6952346-139Xhttps://doi.org/10.52143/2346139X.695application/pdfFondo Editorial CUNhttps://creativecommons.org/licenses/by-nc-nd/4.0/ - 2019https://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessEsta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.http://purl.org/coar/access_right/c_abf2https://revistas.cun.edu.co/index.php/hashtag/article/view/695Aprendizaje AutónomoMachine LearningArterialHipertensión Arterial (HTA)Arterial TensionAutonomous TeachingHigh Blood Pressure (HTA),Machine LearningMachine learning y el control de hipertensión arterialArtículo de revistahttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1http://purl.org/coar/version/c_970fb48d4fbd8a85Textinfo:eu-repo/semantics/articleJournal articleinfo:eu-repo/semantics/publishedVersionhttps://revistas.cun.edu.co/index.php/hashtag/article/download/695/506Núm. 15 , Año 2019 : Revista Hashtag 2019B581547#ashtagÁlvarez, A., González, J., Maceo, L. y Suárez, A. (2017). Modelo predictivo para el desarrollo de la cardiopatía hipertensiva: cohorte prospectiva. Medwave Revista Biomédica Revisada por Pares, 17(4).Álvarez, G., Ruso, R., Pérez, M. y Fernández, M. (2006). Manual clínico del monitoreo ambulatorio de la presión arterial. Revista Cubana de Medicina, 45(4).Ávila, J. (2015). Herramientas de los sistemas gestores de las bases de datos. Pasarelas y medios de conexión. Madrid: Editorial Elearning.Cárdenas, C. (2018). Diseño de un modelo predictivo de pesquisa cardiovascular utilizando Árboles de Decisión: propensión de pacientes a presentar diabetes tipo 2, hipertensión arterial o dislipidemia: Estudio piloto, comuna de Quellón, Chiloé. Revista Chilena de Cardiología, 37(2), 126-133.EnColombia. (s. f.). Hipertensión arterial primaria (hta): módulo de seguimiento [recurso en línea]. Recuperado de https://encolombia.com/medicina/guiasmed/guia-hta/hipertension-arterial-primaria-seguimiento/García, Y. (2018). Red neuronal para diagnóstico de hipertensión arterial (tesis de grado) Universidad internacional de la Rioja, Madrid, España.Developers Google. (s. f.). Framing: Key ML Terminology. Recuperado de https://developers.google.com/machine-learning/crash-course/framing/ml-terminologyJupyter. (s. f.). Jupyter [main]. Recuperado de https://jupyter.orgMachado, J. (2013). ¿Inercia clínica, qué tanto nos afecta?, Revista Médica de Risaralda, 19(1), 94-96.Martín, D., Hernández, E. y García, V. (2018). Detector predictivo de conexiones fraudulentas (tesis de maestría). Universidad Oberta de Catalunya, Barcelona, España.Maté, C. (2014). Big data. Un nuevo paradigma de análisis de datos, Anales de Mecánica y Electricidad, 91(6), 10-16.Mendoza, L. (2016). Procesamiento de la señal eléctrica del corazón. Revista Latinoamericana de Hipertensión, 11(2), 1-6. Recuperado de https://www.redalyc.org/pdf/1702/170250835001.pdfOlalla, I. (2018). El machine learning, una necesidad para abordar los problemas a gran escala [entrada de blog]. MD. Marketing Directo. Recuperado de https://www.marketingdirecto.com/marketing-general/business-intelligence-powered-by-neural-one/el-machine-learning-una-necesidad-para-abordar-los-problemas-a-gran-escalaOrganización Mundial de la Salud (oms). (27 de octubre del 2004). Responsables de salud de todo el mundo se unen a la Organización Mundial de la Salud en el anuncio de un redoblado esfuerzo para mejorar la seguridad del paciente. Recuperado de https://www.who.int/mediacentre/news/releases/2004/pr74/es/Organización Mundial de la Salud (oms). (2013). A Global Brief on Hypertension. Génova: who. Recuperado de https://apps.who.int/iris/bitstream/handle/10665/79059/WHO_DCO_WHD_2013.2_eng.pdf?sequence=1Ortiz, J. (22 de marzo del 2017). El machine learning y sus aplicaciones. 20 ejemplos [entrada de blog]. Joanybel Ortiz. Recuperado de http://www.joanybelortiz.com/aplicaciones-machine-learning-ejemplos/Pérez, S. (2003). Introducción a la regresión logística. Recuperado de: http://halweb.uc3m.es/esp/Personal/personas/amalonso/esp/bstat-tema9.pdfPérez, G. y Grau, R. (2012). Predicción de la evolución hacia la hipertensión arterial en la adultez desde la adolescencia, Revista Cubana de Informática Médica, 4(1), 46-64.Serrano, E., Molina, M., Manrique, D. y Baumela, L. (2017). Aprendizaje experiencial en ciencia de datos: satisfacción de los estudiantes para tres modelos de enseñanza y aprendizaje. Conferencia presentada en el Congreso Internacional Sobre Aprendizaje, Innovación y Competitividad. ZaragozaSilva, M: (abril 2019). Aprendizaje por Refuerzo: Introducción al mundo del RL. Recuperado de https://medium.com/aprendizaje-por-refuerzo-introducci%C3%B3n-al-mundo-del/aprendizaje-por-refuerzo-introducci%C3%B3n-al-mundo-del-rl-1fcfbaa1c87Spyder. (s. f.). Spyder: The Scientific Python Development Environment [main]. Recuperado de https://docs.spyder-ide.org/Universidad de Alcalá. (s. f.). Diferencias entre big data y data science [entrada de blog]. Universidad de Alcalá. Recuperado de https://www.master-data-scientist.com/ diferencias-entre-master-big-data-y-data-science/PublicationOREORE.xmltext/xml2575https://repositorio.cun.edu.co/bitstreams/e72d5732-1a62-402f-a0eb-1d7bd46167de/download256fc1c02ffc2d6a603990a91628c469MD51falseAnonymousREADcun/10837oai:repositorio.cun.edu.co:cun/108372025-11-05 09:58:40.957https://creativecommons.org/licenses/by-nc-nd/4.0/https://creativecommons.org/licenses/by-nc-nd/4.0/ - 2019metadata.onlyhttps://repositorio.cun.edu.coRepositorio Digital Corporación Unificada Nacional de Educación Superiorbdigital@metabiblioteca.com

Machine learning y el control de hipertensión arterial

Publicaciones similares