Modelo predictor de fallas de monitores de signos vitales de una unidad de cuidados intensivos
RESUMEN : se realiza el desarrollo de un modelo predictor para determinar la cantidad de fallos que tendrá un monitor de signos vitales (MSV) en el año subsiguiente con el fin de ajustar la periodicidad del mantenimiento preventivo de dichos equipos. Para ello, se creó una base de datos con la que s...
- Autores:
-
Vargas Silva, Juan Pablo
- Tipo de recurso:
- Tesis
- Fecha de publicación:
- 2024
- Institución:
- Universidad de Antioquia
- Repositorio:
- Repositorio UdeA
- Idioma:
- spa
- OAI Identifier:
- oai:bibliotecadigital.udea.edu.co:10495/39940
- Acceso en línea:
- https://hdl.handle.net/10495/39940
- Palabra clave:
- Máquina de vectores de soporte
Support Vector Machine
Monitores de presión sanguínea
Blood Pressure Monitors
Predicción
Forecasting
Predicción de fallos
https://id.nlm.nih.gov/mesh/D060388
https://id.nlm.nih.gov/mesh/D015924
https://id.nlm.nih.gov/mesh/D005544
- Rights
- openAccess
- License
- https://creativecommons.org/licenses/by-nc-sa/4.0/
| id |
UDEA2_6c1da43a59bc37de06f7eea012af9405 |
|---|---|
| oai_identifier_str |
oai:bibliotecadigital.udea.edu.co:10495/39940 |
| network_acronym_str |
UDEA2 |
| network_name_str |
Repositorio UdeA |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Modelo predictor de fallas de monitores de signos vitales de una unidad de cuidados intensivos |
| title |
Modelo predictor de fallas de monitores de signos vitales de una unidad de cuidados intensivos |
| spellingShingle |
Modelo predictor de fallas de monitores de signos vitales de una unidad de cuidados intensivos Máquina de vectores de soporte Support Vector Machine Monitores de presión sanguínea Blood Pressure Monitors Predicción Forecasting Predicción de fallos https://id.nlm.nih.gov/mesh/D060388 https://id.nlm.nih.gov/mesh/D015924 https://id.nlm.nih.gov/mesh/D005544 |
| title_short |
Modelo predictor de fallas de monitores de signos vitales de una unidad de cuidados intensivos |
| title_full |
Modelo predictor de fallas de monitores de signos vitales de una unidad de cuidados intensivos |
| title_fullStr |
Modelo predictor de fallas de monitores de signos vitales de una unidad de cuidados intensivos |
| title_full_unstemmed |
Modelo predictor de fallas de monitores de signos vitales de una unidad de cuidados intensivos |
| title_sort |
Modelo predictor de fallas de monitores de signos vitales de una unidad de cuidados intensivos |
| dc.creator.fl_str_mv |
Vargas Silva, Juan Pablo |
| dc.contributor.advisor.none.fl_str_mv |
Mesa Quintero, Noe Alejandro |
| dc.contributor.author.none.fl_str_mv |
Vargas Silva, Juan Pablo |
| dc.subject.decs.none.fl_str_mv |
Máquina de vectores de soporte Support Vector Machine Monitores de presión sanguínea Blood Pressure Monitors Predicción Forecasting |
| topic |
Máquina de vectores de soporte Support Vector Machine Monitores de presión sanguínea Blood Pressure Monitors Predicción Forecasting Predicción de fallos https://id.nlm.nih.gov/mesh/D060388 https://id.nlm.nih.gov/mesh/D015924 https://id.nlm.nih.gov/mesh/D005544 |
| dc.subject.proposal.spa.fl_str_mv |
Predicción de fallos |
| dc.subject.meshuri.none.fl_str_mv |
https://id.nlm.nih.gov/mesh/D060388 https://id.nlm.nih.gov/mesh/D015924 https://id.nlm.nih.gov/mesh/D005544 |
| description |
RESUMEN : se realiza el desarrollo de un modelo predictor para determinar la cantidad de fallos que tendrá un monitor de signos vitales (MSV) en el año subsiguiente con el fin de ajustar la periodicidad del mantenimiento preventivo de dichos equipos. Para ello, se creó una base de datos con la que se entrena el modelo predictor, utilizando como técnica de entrenamiento las máquinas de soporte vectorial. Así mismo, se realiza variación del kernel con el fin de encontrar el mejor predictor; para esto se hace uso de un kernel gaussiano, lineal y polinomial. Por último, se implementan dos métodos de reducción de dimensionalidad los cuales son: la selección de características por análisis de componentes de vecindad para regresión (FSRNCA) y el análisis de componentes principales (PCA). |
| publishDate |
2024 |
| dc.date.accessioned.none.fl_str_mv |
2024-06-12T15:15:42Z |
| dc.date.available.none.fl_str_mv |
2024-06-12T15:15:42Z |
| dc.date.issued.none.fl_str_mv |
2024 |
| dc.type.spa.fl_str_mv |
Tesis/Trabajo de grado - Monografía - Especialización |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_46ec |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/COther |
| 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/other |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/draft |
| format |
http://purl.org/coar/resource_type/c_46ec |
| status_str |
draft |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/10495/39940 |
| url |
https://hdl.handle.net/10495/39940 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| 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 |
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 |
16 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. Especialización en Gerencia de Mantenimiento |
| institution |
Universidad de Antioquia |
| bitstream.url.fl_str_mv |
https://bibliotecadigital.udea.edu.co/bitstreams/0ec6b824-eb40-4a2e-bd85-3280183f786e/download https://bibliotecadigital.udea.edu.co/bitstreams/8980d8f8-eabf-49b3-b1de-3503b4a3dedc/download https://bibliotecadigital.udea.edu.co/bitstreams/e0c4ed5d-3c6e-4724-ad23-eb2351416f83/download https://bibliotecadigital.udea.edu.co/bitstreams/d31b6d87-5e56-4b42-8dca-8e72267a6e7a/download |
| bitstream.checksum.fl_str_mv |
dd1e81672906a3424810b5b9ffda211a 8a4605be74aa9ea9d79846c1fba20a33 1d12330c1ac4cd19ded142891b02b3cd 7436a2c278bd6d452bd48b2264f23713 |
| bitstream.checksumAlgorithm.fl_str_mv |
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_ |
1851052200237727744 |
| spelling |
Mesa Quintero, Noe AlejandroVargas Silva, Juan Pablo2024-06-12T15:15:42Z2024-06-12T15:15:42Z2024https://hdl.handle.net/10495/39940RESUMEN : se realiza el desarrollo de un modelo predictor para determinar la cantidad de fallos que tendrá un monitor de signos vitales (MSV) en el año subsiguiente con el fin de ajustar la periodicidad del mantenimiento preventivo de dichos equipos. Para ello, se creó una base de datos con la que se entrena el modelo predictor, utilizando como técnica de entrenamiento las máquinas de soporte vectorial. Así mismo, se realiza variación del kernel con el fin de encontrar el mejor predictor; para esto se hace uso de un kernel gaussiano, lineal y polinomial. Por último, se implementan dos métodos de reducción de dimensionalidad los cuales son: la selección de características por análisis de componentes de vecindad para regresión (FSRNCA) y el análisis de componentes principales (PCA).EspecializaciónEspecialista en Gerencia de Mantenimiento16 páginasapplication/pdfspaUniversidad de AntioquiaMedellín, ColombiaFacultad de Ingeniería. Especialización en Gerencia de Mantenimientohttps://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Modelo predictor de fallas de monitores de signos vitales de una unidad de cuidados intensivosTesis/Trabajo de grado - Monografía - Especializaciónhttp://purl.org/coar/resource_type/c_46echttp://purl.org/redcol/resource_type/COtherhttp://purl.org/coar/version/c_b1a7d7d4d402bcceinfo:eu-repo/semantics/otherinfo:eu-repo/semantics/draftMáquina de vectores de soporteSupport Vector MachineMonitores de presión sanguíneaBlood Pressure MonitorsPredicciónForecastingPredicción de falloshttps://id.nlm.nih.gov/mesh/D060388https://id.nlm.nih.gov/mesh/D015924https://id.nlm.nih.gov/mesh/D005544PublicationORIGINALVargasJuan_2024_PrediccionFallosMonitores.pdfVargasJuan_2024_PrediccionFallosMonitores.pdfTrabajo de grado de especializaciónapplication/pdf311751https://bibliotecadigital.udea.edu.co/bitstreams/0ec6b824-eb40-4a2e-bd85-3280183f786e/downloaddd1e81672906a3424810b5b9ffda211aMD54trueAnonymousREADLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://bibliotecadigital.udea.edu.co/bitstreams/8980d8f8-eabf-49b3-b1de-3503b4a3dedc/download8a4605be74aa9ea9d79846c1fba20a33MD55falseAnonymousREADTEXTVargasJuan_2024_PrediccionFallosMonitores.pdf.txtVargasJuan_2024_PrediccionFallosMonitores.pdf.txtExtracted texttext/plain26525https://bibliotecadigital.udea.edu.co/bitstreams/e0c4ed5d-3c6e-4724-ad23-eb2351416f83/download1d12330c1ac4cd19ded142891b02b3cdMD56falseAnonymousREADTHUMBNAILVargasJuan_2024_PrediccionFallosMonitores.pdf.jpgVargasJuan_2024_PrediccionFallosMonitores.pdf.jpgGenerated Thumbnailimage/jpeg6720https://bibliotecadigital.udea.edu.co/bitstreams/d31b6d87-5e56-4b42-8dca-8e72267a6e7a/download7436a2c278bd6d452bd48b2264f23713MD57falseAnonymousREAD10495/39940oai:bibliotecadigital.udea.edu.co:10495/399402025-03-26 18:30:51.426https://creativecommons.org/licenses/by-nc-sa/4.0/open.accesshttps://bibliotecadigital.udea.edu.coRepositorio Institucional de la Universidad de Antioquiaaplicacionbibliotecadigitalbiblioteca@udea.edu.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 |