Pronóstico del aumento de ingresos en redes hospitalarias por diagnósticos de enfermedades respiratorias según las condiciones meteorológicas y la calidad del aire del Valle de Aburrá

Colombia es un país que presenta un alto porcentaje de mortalidad por enfermedades respiratorias debido a sus zonas de concentración de contaminantes. Estas cifras pueden darse en ocasiones donde las condiciones climáticas y ambientales son dañinas para la salud. Dadas estas cifras alarmantes, es ne...

Full description

Autores:
Naranjo Velásquez, Juan José
Leonel Triana, Kenneth David
Tipo de recurso:
Tesis
Fecha de publicación:
2025
Institución:
Universidad de Antioquia
Repositorio:
Repositorio UdeA
Idioma:
spa
OAI Identifier:
oai:bibliotecadigital.udea.edu.co:10495/46722
Acceso en línea:
https://hdl.handle.net/10495/46722
Palabra clave:
Enfermedades respiratorias
Respiratory Tract Diseases
Ocupación de camas
Bed Occupancy
Aprendizaje automático (inteligencia artificial)
Machine learning
Calidad del aire
Air quality
https://id.nlm.nih.gov/mesh/D012140
https://id.nlm.nih.gov/mesh/D001509
ODS 3: Salud y bienestar. Garantizar una vida sana y promover el bienestar de todos a todas las edades
Rights
openAccess
License
http://creativecommons.org/licenses/by-nc-sa/4.0/
Description
Summary:Colombia es un país que presenta un alto porcentaje de mortalidad por enfermedades respiratorias debido a sus zonas de concentración de contaminantes. Estas cifras pueden darse en ocasiones donde las condiciones climáticas y ambientales son dañinas para la salud. Dadas estas cifras alarmantes, es necesario tener en cuenta la cantidad de pacientes que pueden ingresar a los hospitales en ocasiones donde existan afectaciones en las condiciones ambientales, por ello, con el fin de alertar a los establecimientos de salud acerca de la cantidad de pacientes con diagnósticos asociados a enfermedades respiratorias que ingresarán en ciertos sectores o comunas de Medellín, presentamos un modelo alimentado por variables climáticas e ingresos en hospitales, con datos proporcionados por el Sistema de Alerta Temprana de Medellín y el Valle de Aburrá y el Sistema de Información de Prestaciones de Salud en los años de 2020 a 2024. La creación del modelo predictivo es a base de la metodología CRISP-DM, lo que permite realizar el proceso ETL en los datos para ajustar el modelo de Random Forest a un R2 de 0.9940. De esta forma, podemos estimar la cantidad de asistencias proyectadas en entidades hospitalarias cercanas a los puntos de toma de información.