Análisis de reingresos de pacientes adultos utilizando redes neuronales recurrentes: caso de estudio en un hospital de tercer nivel de la ciudad de Medellín
RESUMEN : La readmisión hospitalaria de pacientes es un fenómeno muy común a nivel nacional, es costoso y puede conllevar a procesos en los cuales la evaluación en la calidad de los servicios de salud por parte de los centros que lo prestan se puede ver altamente comprometida, debido a que esto es u...
- Autores:
-
Rivera Soto, Deiner Alonso
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2024
- Institución:
- Universidad de Antioquia
- Repositorio:
- Repositorio UdeA
- Idioma:
- spa
- OAI Identifier:
- oai:bibliotecadigital.udea.edu.co:10495/39752
- Acceso en línea:
- https://hdl.handle.net/10495/39752
- Palabra clave:
- Readmisión del Paciente
Patient Readmission
Aprendizaje Automático
Machine Learning
Redes Neurales de la Computación
Neural Networks, Computer
Base de datos
Databases
Readmisión hospitalaria
Redes Neuronales Recurrentes
Predicción
http://vocabularies.unesco.org/thesaurus/concept501
https://id.nlm.nih.gov/mesh/D010359
https://id.nlm.nih.gov/mesh/D000069550
https://id.nlm.nih.gov/mesh/D016571
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-sa/2.5/co/
| id |
UDEA2_0df8a3fee6b25e8d46e09182f1f3b87a |
|---|---|
| oai_identifier_str |
oai:bibliotecadigital.udea.edu.co:10495/39752 |
| network_acronym_str |
UDEA2 |
| network_name_str |
Repositorio UdeA |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Análisis de reingresos de pacientes adultos utilizando redes neuronales recurrentes: caso de estudio en un hospital de tercer nivel de la ciudad de Medellín |
| title |
Análisis de reingresos de pacientes adultos utilizando redes neuronales recurrentes: caso de estudio en un hospital de tercer nivel de la ciudad de Medellín |
| spellingShingle |
Análisis de reingresos de pacientes adultos utilizando redes neuronales recurrentes: caso de estudio en un hospital de tercer nivel de la ciudad de Medellín Readmisión del Paciente Patient Readmission Aprendizaje Automático Machine Learning Redes Neurales de la Computación Neural Networks, Computer Base de datos Databases Readmisión hospitalaria Redes Neuronales Recurrentes Predicción http://vocabularies.unesco.org/thesaurus/concept501 https://id.nlm.nih.gov/mesh/D010359 https://id.nlm.nih.gov/mesh/D000069550 https://id.nlm.nih.gov/mesh/D016571 |
| title_short |
Análisis de reingresos de pacientes adultos utilizando redes neuronales recurrentes: caso de estudio en un hospital de tercer nivel de la ciudad de Medellín |
| title_full |
Análisis de reingresos de pacientes adultos utilizando redes neuronales recurrentes: caso de estudio en un hospital de tercer nivel de la ciudad de Medellín |
| title_fullStr |
Análisis de reingresos de pacientes adultos utilizando redes neuronales recurrentes: caso de estudio en un hospital de tercer nivel de la ciudad de Medellín |
| title_full_unstemmed |
Análisis de reingresos de pacientes adultos utilizando redes neuronales recurrentes: caso de estudio en un hospital de tercer nivel de la ciudad de Medellín |
| title_sort |
Análisis de reingresos de pacientes adultos utilizando redes neuronales recurrentes: caso de estudio en un hospital de tercer nivel de la ciudad de Medellín |
| dc.creator.fl_str_mv |
Rivera Soto, Deiner Alonso |
| dc.contributor.advisor.none.fl_str_mv |
Salazar Sánchez, María Bernarda |
| dc.contributor.author.none.fl_str_mv |
Rivera Soto, Deiner Alonso |
| dc.contributor.researchgroup.spa.fl_str_mv |
Intelligent Information Systems Lab. |
| dc.subject.decs.none.fl_str_mv |
Readmisión del Paciente Patient Readmission Aprendizaje Automático Machine Learning Redes Neurales de la Computación Neural Networks, Computer |
| topic |
Readmisión del Paciente Patient Readmission Aprendizaje Automático Machine Learning Redes Neurales de la Computación Neural Networks, Computer Base de datos Databases Readmisión hospitalaria Redes Neuronales Recurrentes Predicción http://vocabularies.unesco.org/thesaurus/concept501 https://id.nlm.nih.gov/mesh/D010359 https://id.nlm.nih.gov/mesh/D000069550 https://id.nlm.nih.gov/mesh/D016571 |
| dc.subject.unesco.none.fl_str_mv |
Base de datos Databases |
| dc.subject.proposal.spa.fl_str_mv |
Readmisión hospitalaria Redes Neuronales Recurrentes Predicción |
| dc.subject.unescouri.none.fl_str_mv |
http://vocabularies.unesco.org/thesaurus/concept501 |
| dc.subject.meshuri.none.fl_str_mv |
https://id.nlm.nih.gov/mesh/D010359 https://id.nlm.nih.gov/mesh/D000069550 https://id.nlm.nih.gov/mesh/D016571 |
| description |
RESUMEN : La readmisión hospitalaria de pacientes es un fenómeno muy común a nivel nacional, es costoso y puede conllevar a procesos en los cuales la evaluación en la calidad de los servicios de salud por parte de los centros que lo prestan se puede ver altamente comprometida, debido a que esto es un índice de la calidad de servicio prestado al paciente durante su estancia. Por lo anterior es indispensable mitigar este tipo de impactos, ya que al predecir con anticipación las readmisiones puede aumentar la calidad de la atención hospitalaria y reducir los abultados costos a largo plazo. En el presente artículo se usarán dos técnicas de clasificación basadas en árboles: Árbol de Decisión y Bosques Aleatorios, y la técnica de aprendizaje profundo denominada Redes Neuronales Recurrentes con el objetivo de predecir la ventana de readmisión de un paciente a 3, 28 o más de 28 días desde una base de datos otorgada por un hospital de tercer nivel de la ciudad de Medellín. Los resultados muestran que no existe una correlación marcada entre las diferentes bases de datos por lo cual al aplicar el método de Bosques Aleatorios y Redes Neuronales Recurrentes, no se encuentra una mejora significativa de predicción con respecto al Árbol de Decisión. |
| publishDate |
2024 |
| dc.date.accessioned.none.fl_str_mv |
2024-06-07T13:45:18Z |
| dc.date.available.none.fl_str_mv |
2024-06-07T13:45:18Z |
| dc.date.issued.none.fl_str_mv |
2024 |
| dc.type.spa.fl_str_mv |
Tesis/Trabajo de grado - Monografía - Pregrado |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.redcol.spa.fl_str_mv |
https://purl.org/redcol/resource_type/TP |
| dc.type.coarversion.spa.fl_str_mv |
http://purl.org/coar/version/c_b1a7d7d4d402bcce |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/draft |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
draft |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/10495/39752 |
| url |
https://hdl.handle.net/10495/39752 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-sa/2.5/co/ |
| dc.rights.uri.spa.fl_str_mv |
https://creativecommons.org/licenses/by-nc-sa/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/2.5/co/ https://creativecommons.org/licenses/by-nc-sa/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
49 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad de Antioquia |
| dc.publisher.place.spa.fl_str_mv |
Medellín, Colombia |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería. Bioingeniería |
| institution |
Universidad de Antioquia |
| bitstream.url.fl_str_mv |
https://bibliotecadigital.udea.edu.co/bitstreams/fbd3b489-3634-44e3-9912-33213cdf4dfe/download https://bibliotecadigital.udea.edu.co/bitstreams/30166659-4fae-49f9-91f3-ea5bf4ba7622/download https://bibliotecadigital.udea.edu.co/bitstreams/0c06da4f-d3d1-4355-ad2a-5806d470ca0a/download https://bibliotecadigital.udea.edu.co/bitstreams/d60c966b-ecc3-4623-ae0d-5eeeb3ef3cad/download https://bibliotecadigital.udea.edu.co/bitstreams/f1d5aae6-8188-45ba-aa53-1243c639d33a/download |
| bitstream.checksum.fl_str_mv |
ace6daf73432a3fb30d094909be5549e e2060682c9c70d4d30c83c51448f4eed 8a4605be74aa9ea9d79846c1fba20a33 0af2fe73dbd25e9b5d80724c781cb0eb 262136ca669eecf093d69dd30090020a |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional de la Universidad de Antioquia |
| repository.mail.fl_str_mv |
aplicacionbibliotecadigitalbiblioteca@udea.edu.co |
| _version_ |
1851052358066241536 |
| spelling |
Salazar Sánchez, María BernardaRivera Soto, Deiner AlonsoIntelligent Information Systems Lab.2024-06-07T13:45:18Z2024-06-07T13:45:18Z2024https://hdl.handle.net/10495/39752RESUMEN : La readmisión hospitalaria de pacientes es un fenómeno muy común a nivel nacional, es costoso y puede conllevar a procesos en los cuales la evaluación en la calidad de los servicios de salud por parte de los centros que lo prestan se puede ver altamente comprometida, debido a que esto es un índice de la calidad de servicio prestado al paciente durante su estancia. Por lo anterior es indispensable mitigar este tipo de impactos, ya que al predecir con anticipación las readmisiones puede aumentar la calidad de la atención hospitalaria y reducir los abultados costos a largo plazo. En el presente artículo se usarán dos técnicas de clasificación basadas en árboles: Árbol de Decisión y Bosques Aleatorios, y la técnica de aprendizaje profundo denominada Redes Neuronales Recurrentes con el objetivo de predecir la ventana de readmisión de un paciente a 3, 28 o más de 28 días desde una base de datos otorgada por un hospital de tercer nivel de la ciudad de Medellín. Los resultados muestran que no existe una correlación marcada entre las diferentes bases de datos por lo cual al aplicar el método de Bosques Aleatorios y Redes Neuronales Recurrentes, no se encuentra una mejora significativa de predicción con respecto al Árbol de Decisión.ABSTRACT : Hospital readmission of patients is a very common phenomenon nationwide, it is costly, and can lead to processes in which the assessment of the quality of healthcare services provided by the centers can be highly compromised, as this is an index of the quality of service provided to the patient during their stay. Therefore, it is essential to mitigate these types of impacts, as predicting readmissions in advance can increase the quality of hospital care and reduce long-term hefty costs. In this article, two classification techniques based on trees will be used: Decision Tree and Random Forests, and the deep learning technique called Recurrent Neural Networks with the aim of predicting the readmission window of a patient at 3, 28, or more than 28 days from a database provided by a tertiary hospital in the city of Medellín. The results show that there is no marked correlation between the different databases, therefore, when applying the Random Forests and Recurrent Neural Networks method, there is no significant improvement in prediction compared to the Decision Tree.PregradoBioingeniero49 páginasapplication/pdfspaUniversidad de AntioquiaMedellín, ColombiaFacultad de Ingeniería. Bioingenieríahttp://creativecommons.org/licenses/by-nc-sa/2.5/co/https://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Análisis de reingresos de pacientes adultos utilizando redes neuronales recurrentes: caso de estudio en un hospital de tercer nivel de la ciudad de MedellínTesis/Trabajo de grado - Monografía - Pregradohttp://purl.org/coar/resource_type/c_7a1fhttps://purl.org/redcol/resource_type/TPhttp://purl.org/coar/version/c_b1a7d7d4d402bcceinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/draftReadmisión del PacientePatient ReadmissionAprendizaje AutomáticoMachine LearningRedes Neurales de la ComputaciónNeural Networks, ComputerBase de datosDatabasesReadmisión hospitalariaRedes Neuronales RecurrentesPredicciónhttp://vocabularies.unesco.org/thesaurus/concept501https://id.nlm.nih.gov/mesh/D010359https://id.nlm.nih.gov/mesh/D000069550https://id.nlm.nih.gov/mesh/D016571PublicationORIGINALRiveraDeiner_2024_AnalisisReingresoPacientes.pdfRiveraDeiner_2024_AnalisisReingresoPacientes.pdfTrabajo de grado de pregradoapplication/pdf980621https://bibliotecadigital.udea.edu.co/bitstreams/fbd3b489-3634-44e3-9912-33213cdf4dfe/downloadace6daf73432a3fb30d094909be5549eMD51trueAnonymousREADCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81051https://bibliotecadigital.udea.edu.co/bitstreams/30166659-4fae-49f9-91f3-ea5bf4ba7622/downloade2060682c9c70d4d30c83c51448f4eedMD53falseAnonymousREADLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://bibliotecadigital.udea.edu.co/bitstreams/0c06da4f-d3d1-4355-ad2a-5806d470ca0a/download8a4605be74aa9ea9d79846c1fba20a33MD54falseAnonymousREADTEXTRiveraDeiner_2024_AnalisisReingresoPacientes.pdf.txtRiveraDeiner_2024_AnalisisReingresoPacientes.pdf.txtExtracted texttext/plain80084https://bibliotecadigital.udea.edu.co/bitstreams/d60c966b-ecc3-4623-ae0d-5eeeb3ef3cad/download0af2fe73dbd25e9b5d80724c781cb0ebMD55falseAnonymousREADTHUMBNAILRiveraDeiner_2024_AnalisisReingresoPacientes.pdf.jpgRiveraDeiner_2024_AnalisisReingresoPacientes.pdf.jpgGenerated Thumbnailimage/jpeg6486https://bibliotecadigital.udea.edu.co/bitstreams/f1d5aae6-8188-45ba-aa53-1243c639d33a/download262136ca669eecf093d69dd30090020aMD56falseAnonymousREAD10495/39752oai:bibliotecadigital.udea.edu.co:10495/397522025-03-26 21:04:57.883http://creativecommons.org/licenses/by-nc-sa/2.5/co/open.accesshttps://bibliotecadigital.udea.edu.coRepositorio Institucional de la Universidad de Antioquiaaplicacionbibliotecadigitalbiblioteca@udea.edu.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 |