Show simple item record

Predicción temprana de morbilidad materna extrema usando aprendizaje automático /

dc.rights.licenceLos usuarios del Repositorio de la UTB estarán autorizados para adaptar, transformar y crear a partir del contenido de esta publicación incluso para fines comerciales, sin embargo toda obra derivada de la publicación original deberá ser distribuida bajo la misma licencia CC-BY-SA. El autor o autores, sin excepción deberán ser claramente identificados como titulares de los derechos de autor de la publicación original.
dc.coverage.spatialCartagena de Indias
dc.creatorArrieta Rodríguez, Eugenia Luz
dc.date.accessioned2019-10-18T18:54:02Z
dc.date.available2019-10-18T18:54:02Z
dc.date.created2017
dc.date.issued2017
dc.identifier.other(ALEPH)000048145UTB01
dc.identifier.urihttps://hdl.handle.net/20.500.12585/2504
dc.description.abstractLa Morbilidad Materna Extrema (MME) es un problema de salud pública en el mundo. Ocurre durante el embarazo, parto, o puerperio, esta condición pone en riesgo la vida de la mujer y del bebé. Esta condición es muy difícil de detectar en una etapa temprana. En respuesta a lo anterior, este trabajo propone la utilización de técnicas de Aprendizaje Automático, que se consideran más relevantes en un entorno biomédico, usando el aprendizaje para predecir el nivel de riesgo de morbilidad materna extrema en pacientes durante el embarazo. La población estudiada corresponde a las mujeres que embarazadas reciben atención prenatal y conclusión de su embarazo en la E.S.E Clínica de Maternidad Rafael Calvo (CMRC) en Cartagena, Colombia. Para la construcción de esta herramienta inicialmente se recolectó la información más importante de las gestantes de control prenatal a través de formularios. Con esta información se creó una base de datos para el proyecto que incluyó datos de 2015 y 2016. Debido a la cantidad de variables del estudio se decide hacer un proceso de filtrado de variables al conjunto de entrenamiento que corresponde al 80 % de la muestra, quedando solo con las variables que contribuyan sensiblemente al buen desempeño del clasificador. La técnica de filtrado utilizada es selección de características que determinan la correlación entre atributos y la variable que se desea predecir. La herramienta fue construida usando varias técnicas de aprendizaje automático como son la regresión logística, regresión logística polinomial y máquinas de soporte vectorial.spa
dc.format.extent84 páginas
dc.format.mimetypeapplication/pdf
dc.language.isospa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.source.urihttp://biblioteca.utb.edu.co/notas/tesis/0070602.pdf
dc.subject.otherMorbilidad
dc.subject.otherAprendizaje automático (Inteligencia artificial)
dc.subject.otherInteligencia artificial -- Aplicaciones médicas
dc.titlePredicción temprana de morbilidad materna extrema usando aprendizaje automático /
datacite.rightshttp://purl.org/coar/access_right/c_abf2
oaire.resourceTypehttp://purl.org/coar/resource_type/c_bdcc
oaire.versionhttp://purl.org/coar/version/c_970fb48d4fbd8a85
thesis.degree.disciplineMaestría en Ingeniería
thesis.degree.levelTesis maestría
thesis.degree.nameMagister en Ingeniería
dc.publisher.universityUniversidad Tecnológica de Bolívar
dc.type.driverinfo:eu-repo/semantics/masterThesis
thesis.degree.grantorUniversidad Tecnológica de Bolívar
dc.contributor.directorMartínez Santos, Juan Carlos
dc.type.hasVersioninfo:eu-repo/semantics/publishedVersion
dc.rights.accessRightsinfo:eu-repo/semantics/openAccess
dc.rights.ccAtribución-NoComercial 4.0 Internacional
dc.identifier.instnameUniversidad Tecnológica de Bolívar
dc.identifier.reponameRepositorio UTB
dc.date.other2017
dc.description.notesIncluye referencias bibliográficas
dc.identifier.ddc614.15 A775


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Los usuarios  del Repositorio de la UTB estarán autorizados para adaptar, transformar y crear a partir del contenido de esta publicación incluso para fines comerciales, sin embargo toda obra derivada de la publicación original deberá ser distribuida bajo la misma licencia CC-BY-SA.  El autor o autores, sin excepción deberán ser claramente identificados como titulares de los derechos de autor de la publicación original.
Except where otherwise noted, this item's license is described as Los usuarios del Repositorio de la UTB estarán autorizados para adaptar, transformar y crear a partir del contenido de esta publicación incluso para fines comerciales, sin embargo toda obra derivada de la publicación original deberá ser distribuida bajo la misma licencia CC-BY-SA. El autor o autores, sin excepción deberán ser claramente identificados como titulares de los derechos de autor de la publicación original.