Herramienta para la identificación de factores de riesgo en el desarrollo neuromotor y la obesidad en bebés prematuros
Este proyecto surge de la necesidad de ofrecer a los neonatólogos herramientas más precisas y eficaces para enfrentar los desafíos del desarrollo neonatal en bebés prematuros, a quienes se les aplica el método canguro. Utilizando los datos recopilados por la Fundación Canguro, que documentan el desa...
- Autores:
-
Vargas Prada, David Santiago
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2025
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/75332
- Acceso en línea:
- https://hdl.handle.net/1992/75332
- Palabra clave:
- Bebé Canguro
Machine Learning
Árbol de decisión
Neonatologia
Edad Corregida
Clasificador
Ingeniería
- Rights
- openAccess
- License
- https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
| id |
UNIANDES2_11a9aa6c55918bb4810e7ad37e8cd6ab |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/75332 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Herramienta para la identificación de factores de riesgo en el desarrollo neuromotor y la obesidad en bebés prematuros |
| title |
Herramienta para la identificación de factores de riesgo en el desarrollo neuromotor y la obesidad en bebés prematuros |
| spellingShingle |
Herramienta para la identificación de factores de riesgo en el desarrollo neuromotor y la obesidad en bebés prematuros Bebé Canguro Machine Learning Árbol de decisión Neonatologia Edad Corregida Clasificador Ingeniería |
| title_short |
Herramienta para la identificación de factores de riesgo en el desarrollo neuromotor y la obesidad en bebés prematuros |
| title_full |
Herramienta para la identificación de factores de riesgo en el desarrollo neuromotor y la obesidad en bebés prematuros |
| title_fullStr |
Herramienta para la identificación de factores de riesgo en el desarrollo neuromotor y la obesidad en bebés prematuros |
| title_full_unstemmed |
Herramienta para la identificación de factores de riesgo en el desarrollo neuromotor y la obesidad en bebés prematuros |
| title_sort |
Herramienta para la identificación de factores de riesgo en el desarrollo neuromotor y la obesidad en bebés prematuros |
| dc.creator.fl_str_mv |
Vargas Prada, David Santiago |
| dc.contributor.advisor.none.fl_str_mv |
Villamil Giraldo, María Del Pilar Hernández Peñalosa, José Tiberio |
| dc.contributor.author.none.fl_str_mv |
Vargas Prada, David Santiago |
| dc.subject.keyword.none.fl_str_mv |
Bebé Canguro Machine Learning Árbol de decisión Neonatologia Edad Corregida Clasificador |
| topic |
Bebé Canguro Machine Learning Árbol de decisión Neonatologia Edad Corregida Clasificador Ingeniería |
| dc.subject.themes.spa.fl_str_mv |
Ingeniería |
| description |
Este proyecto surge de la necesidad de ofrecer a los neonatólogos herramientas más precisas y eficaces para enfrentar los desafíos del desarrollo neonatal en bebés prematuros, a quienes se les aplica el método canguro. Utilizando los datos recopilados por la Fundación Canguro, que documentan el desarrollo desde el nacimiento hasta los 12 meses de edad corregida, se busca perfeccionar un clasificador existente para hacerlo más exacto, identificando y validando variables clave. Además, se propone el desarrollo de un sistema automatizado que, en su primera fase, se enfoca en la identificación de riesgos de obesidad, contribuyendo así a la detección de factores críticos para la salud neonatal. Se espera que las herramientas resultantes sean accesibles y fáciles de usar para los profesionales de la salud, mejorando la prevención y tratamiento de enfermedades en estos bebés. |
| publishDate |
2025 |
| dc.date.accessioned.none.fl_str_mv |
2025-01-10T16:53:30Z |
| dc.date.available.none.fl_str_mv |
2025-01-10T16:53:30Z |
| dc.date.issued.none.fl_str_mv |
2025-01-09 |
| dc.type.none.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.none.fl_str_mv |
Text |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/1992/75332 |
| dc.identifier.instname.none.fl_str_mv |
instname:Universidad de los Andes |
| dc.identifier.reponame.none.fl_str_mv |
reponame:Repositorio Institucional Séneca |
| dc.identifier.repourl.none.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
| url |
https://hdl.handle.net/1992/75332 |
| identifier_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
| dc.language.iso.none.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.none.fl_str_mv |
BMJ Global Health. (2023). Kangaroo mother care for preterm or low birth weight infants: A systematic review and meta-analysis. BMJ Global Health. Recuperado de https://gh.bmj.com/content/bmjgh/8/6/e010728.full.pdf American Academy of Pediatrics. (2023). Primary care framework to monitor preterm infants for neurodevelopmental outcomes in early childhood. Pediatrics. Recuperado de https://publications.aap.org/pediatrics/article/152/1/e2023062511/192156/Primary-Care-Framework-to-Monitor-Preterm-Infants?autologincheck=redirected Camelo Giraldo, D. A. (2024). Neurodesarrollo infantil en bebés canguro: Un enfoque en analítica de datos y visualización. Repositorio Uniandes. Recuperado de https://hdl.handle.net/1992/74500 Aguilera Figueroa, D. E., & Martínez Prieto, L. V. (2023). Atención neonatal: Un enfoque analítico en datos de bebés canguro. Repositorio Uniandes. Recuperado de https://hdl.handle.net/1992/73296 Jiang, Z., et al. (2023). Predicting adverse neonatal outcomes for preterm neonates with multi-task learning. arXiv preprint arXiv:2303.15656. Recuperado de https://arxiv.org/abs/2303.15656 Velasco, I. (2024). KMC-explorer: Implementación en Observable. Comunicación personal. Villamil, M. P., & Galindo, D. (2022). ASUM-DMBI. Recuperado de https://view.genial.ly/62f6950733e52700115f244c/interactive-content-asum-dmbi Jolliffe, I. T., & Cadima, J. (2016). Principal component analysis: A review and recent developments. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences. Recuperado de https://royalsocietypublishing.org/doi/10.1098/rsta.2015.0202 Hastie, T., Tibshirani, R., & Friedman, J. (2017). The elements of statistical learning: Data 98/rsta.2015.0202mining, inference, and prediction. Springer. Recuperado de https://web.stanford.edu/~hastie/ElemStatLearn/ Xue, B., Zhang, M., Browne, W. N., & Yao, X. (2016). A survey on evolutionary computation approaches to feature selection. IEEE Transactions on Evolutionary Computation. Recuperado de https://ieeexplore.ieee.org/document/7339682 Fenton, T. R., & Kim, J. H. (2013). A systematic review and meta-analysis to revise the Fenton growth chart for preterm infants. BMC Pediatrics. Recuperado de https://bmcpediatr.biomedcentral.com/articles/10.1186/1471-2431-13-59 |
| dc.rights.uri.none.fl_str_mv |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf |
| 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://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.none.fl_str_mv |
42 páginas |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidad de los Andes |
| dc.publisher.program.none.fl_str_mv |
Ingeniería de Sistemas y Computación |
| dc.publisher.faculty.none.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.department.none.fl_str_mv |
Departamento de Ingeniería de Sistemas y Computación |
| publisher.none.fl_str_mv |
Universidad de los Andes |
| institution |
Universidad de los Andes |
| bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/90a845f4-775a-4c39-b9c7-a50995eeb2fe/download https://repositorio.uniandes.edu.co/bitstreams/42f2c542-7fd6-4a84-aee6-38bd68969397/download https://repositorio.uniandes.edu.co/bitstreams/c7e6ad0e-99ca-4ea6-b032-73c66633771c/download https://repositorio.uniandes.edu.co/bitstreams/fc53bffc-0add-4426-82f1-a547754031b8/download https://repositorio.uniandes.edu.co/bitstreams/cff33045-af3c-4e6a-acb0-54d09f03d7c1/download https://repositorio.uniandes.edu.co/bitstreams/d2fe9405-6bd0-42a8-990d-eb4ccdd426b4/download https://repositorio.uniandes.edu.co/bitstreams/53277dea-e311-4e56-99ce-db08fc277677/download |
| bitstream.checksum.fl_str_mv |
7349f457bf2ee02bd230051f6fe15469 961679eeda3da75b4d970974d1401b46 ae9e573a68e7f92501b6913cc846c39f 0ede48ed96819fd8b0a413d8f96f79cb c5d175f71ea5f733ee43c727f5c9af0f daa011924e0458ee4f5fee7331dcacb1 df04a26ea05d58f6c11d4e1fe866f553 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio institucional Séneca |
| repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
| _version_ |
1828159158394814464 |
| spelling |
Villamil Giraldo, María Del Pilarvirtual::21949-1Hernández Peñalosa, José TiberioVargas Prada, David Santiago2025-01-10T16:53:30Z2025-01-10T16:53:30Z2025-01-09https://hdl.handle.net/1992/75332instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/Este proyecto surge de la necesidad de ofrecer a los neonatólogos herramientas más precisas y eficaces para enfrentar los desafíos del desarrollo neonatal en bebés prematuros, a quienes se les aplica el método canguro. Utilizando los datos recopilados por la Fundación Canguro, que documentan el desarrollo desde el nacimiento hasta los 12 meses de edad corregida, se busca perfeccionar un clasificador existente para hacerlo más exacto, identificando y validando variables clave. Además, se propone el desarrollo de un sistema automatizado que, en su primera fase, se enfoca en la identificación de riesgos de obesidad, contribuyendo así a la detección de factores críticos para la salud neonatal. Se espera que las herramientas resultantes sean accesibles y fáciles de usar para los profesionales de la salud, mejorando la prevención y tratamiento de enfermedades en estos bebés.Pregrado42 páginasapplication/pdfspaUniversidad de los AndesIngeniería de Sistemas y ComputaciónFacultad de IngenieríaDepartamento de Ingeniería de Sistemas y Computaciónhttps://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Herramienta para la identificación de factores de riesgo en el desarrollo neuromotor y la obesidad en bebés prematurosTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPBebé CanguroMachine LearningÁrbol de decisiónNeonatologiaEdad CorregidaClasificadorIngenieríaBMJ Global Health. (2023). Kangaroo mother care for preterm or low birth weight infants: A systematic review and meta-analysis. BMJ Global Health. Recuperado de https://gh.bmj.com/content/bmjgh/8/6/e010728.full.pdfAmerican Academy of Pediatrics. (2023). Primary care framework to monitor preterm infants for neurodevelopmental outcomes in early childhood. Pediatrics. Recuperado de https://publications.aap.org/pediatrics/article/152/1/e2023062511/192156/Primary-Care-Framework-to-Monitor-Preterm-Infants?autologincheck=redirectedCamelo Giraldo, D. A. (2024). Neurodesarrollo infantil en bebés canguro: Un enfoque en analítica de datos y visualización. Repositorio Uniandes. Recuperado de https://hdl.handle.net/1992/74500Aguilera Figueroa, D. E., & Martínez Prieto, L. V. (2023). Atención neonatal: Un enfoque analítico en datos de bebés canguro. Repositorio Uniandes. Recuperado de https://hdl.handle.net/1992/73296Jiang, Z., et al. (2023). Predicting adverse neonatal outcomes for preterm neonates with multi-task learning. arXiv preprint arXiv:2303.15656. Recuperado de https://arxiv.org/abs/2303.15656Velasco, I. (2024). KMC-explorer: Implementación en Observable. Comunicación personal.Villamil, M. P., & Galindo, D. (2022). ASUM-DMBI. Recuperado de https://view.genial.ly/62f6950733e52700115f244c/interactive-content-asum-dmbiJolliffe, I. T., & Cadima, J. (2016). Principal component analysis: A review and recent developments. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences. Recuperado de https://royalsocietypublishing.org/doi/10.1098/rsta.2015.0202Hastie, T., Tibshirani, R., & Friedman, J. (2017). The elements of statistical learning: Data 98/rsta.2015.0202mining, inference, and prediction. Springer. Recuperado de https://web.stanford.edu/~hastie/ElemStatLearn/Xue, B., Zhang, M., Browne, W. N., & Yao, X. (2016). A survey on evolutionary computation approaches to feature selection. IEEE Transactions on Evolutionary Computation. Recuperado de https://ieeexplore.ieee.org/document/7339682Fenton, T. R., & Kim, J. H. (2013). A systematic review and meta-analysis to revise the Fenton growth chart for preterm infants. BMC Pediatrics. Recuperado de https://bmcpediatr.biomedcentral.com/articles/10.1186/1471-2431-13-59202013826Publication904ec569-8ee0-47e9-82aa-47f73edeb962virtual::21949-1904ec569-8ee0-47e9-82aa-47f73edeb962virtual::21949-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000228079virtual::21949-1ORIGINALHerramienta para la identificación de factores de riesgo en el desarrollo neuromotor.pdfHerramienta para la identificación de factores de riesgo en el desarrollo neuromotor.pdfapplication/pdf879610https://repositorio.uniandes.edu.co/bitstreams/90a845f4-775a-4c39-b9c7-a50995eeb2fe/download7349f457bf2ee02bd230051f6fe15469MD51autorizacion tesis DSV.pdfautorizacion tesis DSV.pdfHIDEapplication/pdf256089https://repositorio.uniandes.edu.co/bitstreams/42f2c542-7fd6-4a84-aee6-38bd68969397/download961679eeda3da75b4d970974d1401b46MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82535https://repositorio.uniandes.edu.co/bitstreams/c7e6ad0e-99ca-4ea6-b032-73c66633771c/downloadae9e573a68e7f92501b6913cc846c39fMD53TEXTHerramienta para la identificación de factores de riesgo en el desarrollo neuromotor.pdf.txtHerramienta para la identificación de factores de riesgo en el desarrollo neuromotor.pdf.txtExtracted texttext/plain101945https://repositorio.uniandes.edu.co/bitstreams/fc53bffc-0add-4426-82f1-a547754031b8/download0ede48ed96819fd8b0a413d8f96f79cbMD54autorizacion tesis DSV.pdf.txtautorizacion tesis DSV.pdf.txtExtracted texttext/plain2111https://repositorio.uniandes.edu.co/bitstreams/cff33045-af3c-4e6a-acb0-54d09f03d7c1/downloadc5d175f71ea5f733ee43c727f5c9af0fMD56THUMBNAILHerramienta para la identificación de factores de riesgo en el desarrollo neuromotor.pdf.jpgHerramienta para la identificación de factores de riesgo en el desarrollo neuromotor.pdf.jpgGenerated Thumbnailimage/jpeg6504https://repositorio.uniandes.edu.co/bitstreams/d2fe9405-6bd0-42a8-990d-eb4ccdd426b4/downloaddaa011924e0458ee4f5fee7331dcacb1MD55autorizacion tesis DSV.pdf.jpgautorizacion tesis DSV.pdf.jpgGenerated Thumbnailimage/jpeg11165https://repositorio.uniandes.edu.co/bitstreams/53277dea-e311-4e56-99ce-db08fc277677/downloaddf04a26ea05d58f6c11d4e1fe866f553MD571992/75332oai:repositorio.uniandes.edu.co:1992/753322025-01-12 03:00:52.682https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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 |