TESIS DE GRADO GISELA GARCIA GAZABÓN Modelo de Machine Learning para la Clasificación d epacientes en términos del nivel asistencial requerido en una urgencia pediátrica cno Área de Cuidados Mínimos Ing. Gisela Isabel García Gazabón Ingeniera de Sistemas UNIVERSIDAD TECNOLOGICA DE BOLÍVAR MAESTRÍA EN INGENIERÍA CARTAGENA 1 TESIS DE GRADO GISELA GARCIA GAZABÓN Modelo de Machine Learning para la Clasificación d epacientes en términos del nivel asistencial requerido en una urgencia pediátrica cno Área de Cuidados Mínimos Gisela Isabel García Gazabón Ing. De Sistemas TESIS DE GRADO PARA OPTAR EL TÍTULO DE MAGISTER EN INGENIERIA con énfasis en SISTEMAS Y COMPUTACIÓN Director: WILLIAM CAICEDO, Ing de Sistemas M.S.c UNIVERSIDAD TECNOLOGICA DE BOLÍVAR MAESTRÍA EN INGENIERÍA CARTAGENA NOVIEMBRE 2014 2 TESIS DE GRADO GISELA GARCIA GAZABÓN AGRADECIMIENTOS Este es un logro que me llena de mucha satisfa,c cqióune me ha permitido ratificar que hay que proponerse las cosas y luchar por peallras alcanzarlas, no es fácil, y nadie puede decir que lo sea, pero el sacrificio que sh atec eayuda a entender que no hay cosas imposibles solo encontrarás algunas piedras ena meiln co necesarias para que crezcas y aprendas a valorar, gracias Dios por ponerme een ceasmt ino y por la fortaleza en aquellos momentos que uno cree desvanecer, conatidgao es imposible; gracias hijos míos, Fabián Andrés y Gabriela, por ese tiempo mquee regalaron, ese mismo que podíamos aprovechar para ayudarlos a hacer suas ,t apraera jugar, para salir a divertirnos, para charlar, gracias por ser mi motivación y lnogs ealitos que Dios me dio aquí en la tierra para que iluminaran mi camino; gracias Fna,b miái amado esposo, porque muchas veces eres mis manos, otras mis pies, y otras misá osj oms, gracias por tu comprensión y tu apoyo en aquellos momentos en que las piedr aess ten camino me parecían muy grande; gracias madre por tu luz desde el ciel oq,u seé siempre estás a mi lado; gracias padre porque junto con mi madre siempre me apo yya cronmplacieron en todo. Gracias William, tu guía y exigencias fueron paerste ncial de este logro, gracias por creer en este proyecto desde la primera vez que te loe nctoém en una de tus clases, gracias por acompañarme en este camino donde muchas vececsó tme otostrarme el norte para llegar, muchas gracias. 3 TESIS DE GRADO GISELA GARCIA GAZABÓN No podría dejar de darle gracias a mis compañear oms,i amiga Carol, Cristian, Luis, Camilo y Edgar, por su amistad por la colaboracqiuóen nos brindamos a cada momento, en cada tarea, en cada trabajo que realizamosu, ep oersqtuvimos en las buenas y en las malas; gracias también Luz Estella, fuiste la Mamdeá nuestro grupo, siempre preocupándote por conseguirnos las cosas, siemepnrdeie pnte de cada uno de nosotros, tu apoyo fue fundamental. Quiero ofrecerle un agradecimiento muy especiDalr .a Pl inzón, por abrirme las puertas de la Clínica donde fue posible esta investigacióna,c igars por ser la gran persona que es, con ese don de colaboración. Gracias también a latso rdaosc Doris y Katherine por la pasión y dedicación brindada a este proyecto. 4 TESIS DE GRADO GISELA GARCIA GAZABÓN Índice General AGRADECIMIENTOS ..................................................................................................................... 3 Índice Genera ..l........................................................................................................................... 5 Índice de Gráfica.s....................................................................................................................... 7 Índice de Tabla .s......................................................................................................................... 8 1. INTRODUCCIÓN ............................................................................................................... 9 1.1 Descripción del Problem ..a........................................................................................... 9 1.2 Justificación ............................................................................................................... 12 1.3 Estado del art.e........................................................................................................... 13 1.3.1 Otras Aplicaciones de las Técnicas de Machine Learning en la Medicina ............. 13 1.4 Objetivos ................................................................................................................... 22 1.4.1 Objetivo General ................................................................................................ 22 1.4.2 Objetivos Específicos .......................................................................................... 22 1.5 Organización del Documento ................................................................................. 23 2. GENERALIDADES .......................................................................................................... 24 2.1 Generalidades de Machine Learn .i.n..g....................................................................... 24 5 TESIS DE GRADO GISELA GARCIA GAZABÓN 2.2 Algunas Técnicas de Machine Learn .in...g................................................................. 27 2.3 Algunos Conceptos Preliminares de Urgencias Médicas ............................................. 37 3. RECOLECCIÓN Y ANÁLISIS DEL CONJUNTO DE DATO ..S......................................... 42 3.1 Identificación de Variable ..s.................................................................................... 42 3.2 Recolección de Dato ..s............................................................................................... 51 3.3 Análisis de Dato s....................................................................................................... 54 4. ENTRENAMIENTO VALIDACIÓN Y PRUEBAS ......................................................... 61 4.1 Análisis de Componentes Princip a..l.e..s.................................................................. 62 4.2 Evaluación de Técnica .s............................................................................................. 69 4.2.1 Máquina de Soporte Vector i.a..l......................................................................... 70 4.2.2 Redes Neuronales (Perceptron Multica .p..a...).................................................... 71 4.2.3 Regresión Logístic .a........................................................................................... 71 4.3 Prueba s...................................................................................................................... 79 5. CONCLUSIONES Y TRABAJOS FUTURO .S................................................................. 81 REFERENCIAS ........................................................................................................................ 86 ANPÉNDICE ............................................................................................................................ 94 6 TESIS DE GRADO GISELA GARCIA GAZABÓN Índice de Gráficas GRÁFICO 1 RED NEURONAL ARTIFICIAL ................................................................................................................... 33 GRÁFICO 2 ESTRUCTURA DE UNA RED NEURONAL PERCEPTRON MULTICAPA.................................................................. 36 GRÁFICO 3 GRÁFICO DE SEDIMENTACIÓN COMPONENTES VS EIGENVALOR ................................................................... 67 GRÁFICO 4 GRAFICO DE SEDIMENTACIÓN COMPONENTES VS PORCENTAJE DE VARIANZA ................................................. 68 GRÁFICO 5 ANÁLISIS ROC .................................................................................................................................... 78 7 TESIS DE GRADO GISELA GARCIA GAZABÓN Índice de Tablas TABLA 1. ESCALA DE PRIORIDADES TRIAGE .................................................................................................. 10 TABLA 2 CLASIFICACIÓN DE ENFERMEDADES REPORTADAS EN LA URGECNIA EN EL 2013 ............................ 42 TABLA 3 DESCRIPCIÓN DEV ARIABLE ............................................................................................................ 45 TABLA 4 VARIABLES ELIMINADAS ................................................................................................................. 55 TABLA 5 NÚMERO DE VECES DE APLICACIÓN DE CADA ESCAL A.................................................................... 57 TABLA 6 ANÁLISIS DE COMPONENTESP RINCIPALES. .................................................................................... 62 TABLA 7 MATRIZ DE CONFUSIÓN ........................................................................................................................... 73 TABLA 8 MÉTRICAS PARAR EDES NEURONALES ............................................................................................ 77 TABLA 9 MÉTRICAS PARAM AQUINAS DE SOPORTEV ECTORIAL .................................................................... 78 TABLA 10 MÉTRICAS PARAR EGRESIÓNL OGÍSTICA ...................................................................................... 78 TABLA 11 MÉTRICAS PARA LASR EDES NEURONALES CON LOSD ATOS DE PRUEBA ....................................... 80 8 TESIS DE GRADO GISELA GARCIA GAZABÓN 1. INTRODUCCIÓN 1.1 Descripción del Problema Como lo menciona la superintendencia de Salud Nnacl,i oen su revista “Monitor Estratégico Superintendencia Nacional de Salude”n ys u “Informe Anual de Gestión”, en la ciudad de Cartagena, así como en otras ciudcaodmeos Barranquilla, Medellín, Bogotá, se presenta en general un problema grave de ante ennc iólos departamentos de urgencias de las diferentes clínicas de la ciudad y se bpe rcpior la demora en la atención y la insatisfacción de los usuarios del servicio de ds;a plurobablemente el colapso de esta área es causado por muchos factores influyentes comfaol tlaa de infraestructura física y de recurso humano, la mala asignación de recursosfa, ltla de personal debidamente capacitado, desmotivación laboral y más que todr op apcoientes que utilizan el servicio de urgencias de una clínica en busca de una atencficóine nete en comparación con la atención brindad en las consultas externas. Eesvtoa lal una experiencia negativa del usuario. Cuando un paciente llega al servicio de urgenceila psr,i mer procedimiento que se realiza es la clasificación del padecimiento que refierrea pdaeterminar la complejidad con que llega, a esto se le conoce como Triage. El paec ieqnute llega es clasificado por una enfermera y/o médico de acuerdo con los nivelepsr idoeri dad que maneja la clínica, y con ello se determina el tiempo de espera para la iaótne npcor parte de un médico; sin embargo debido al gran volumen de ingreso de nptaecsi eque llegan por su voluntad o por remisión de los Centros de Atención Primaria CAaP c,a lpacidad instalada de las cínicas y 9 TESIS DE GRADO GISELA GARCIA GAZABÓN el recurso médico asignado colapsa. Dentro del og rudpe pacientes en espera, encontraremos pacientes en los que la complejidea sdu d cuadro puede aumentar, esto puede ocurrir por una mala aplicación del Triagoer, upna evolución rápida de la enfermedad que padece el paciente en el momento r om palas prácticas en los procedimientos de la clínica, como resultado, cuuiearlqa que sea la causa se compromete la salud de un ser humano. Otro grupo de paci eqnutes se presenta son los de baja complejidad, para los que su estadía después d ere vuinsaión médica no duraría más de dos o tres horas. Actualmente si el pacientea llceogn una alta o baja complejidad es clasificado y atendido bajo el procedimiento traiodnical de los departamentos de urgencias donde inicialmente se hace una evalu arácpióidna del paciente por medio de un interrogatorio donde se conoce su nombre, edadiv, om doet consulta, enfermedad actual y antecedentes relevantes. Posteriormente se reuanl izeax amen físico limitado al órgano que lo aqueja según lo referido por el pacientaem oi lifar. Dentro de este examen físico se tienen en cuenta los signos vitales, la apariegnecniae ral, el estado mental y la valoración del dolor. En Colombia el Ministerio de Protección Social a ebsletció una escala de prioridades que determinan el Triage en todas las clínicas que jmena nSealas de Urgencias (Ministerio de Protección Social Colombia, 2009), la Tabla 1 mruae lsat clasificación determinada. Tabla 1. Escala de Prioridades Triage Escala Tiempo de Respuesta Prioridad I Atención médica y de enfermería: Reanimación inmediato, simultáneo a valoración. Atención de enfermería: inmediato. Prioridad II Emergencia Atención médica: 15 minutos. 10 TESIS DE GRADO GISELA GARCIA GAZABÓN Escala Tiempo de Respuesta Atención médica y de enfermería: menor de Prioridad III Urgencia 30 minutos. Prioridad IV Urgencia Atención médica y de enfermería: menor de menor 60 minutos Prioridad V No urgente Tiempo de atención: 120 minutos Las directivas médicas del Hospital Napoleón Fora nPcareja-Casa del Niño han detectado, en particular, que el primer nivel tdeen caión en la ciudad de Cartagena - ESE Cartagena de Indias, quien dirige todos los ce ndtero astención primaria CAP, tiene poca capacidad resolutiva por diferentes razones, eontrtares recurso humano no especializado, escasez de equipos de biotecnología y una infuracetusrtar hospitalaria deficiente. Por estas razones los pacientes son transferidos al hosepnit ablu sca de una mejor atención, también se presentan casos de pacientes que no se di rliogse nC aAP y prefieren llegar a la clínica por sus propios medios. Lo anterior influye en oella pcso del servicio de urgencia que actualmente se presenta en la clínica. El Hospital Infantil Napoleón Franco Pareja – C daesla Niño, como parte de una solución que disminuya el tiempo de atención a paciennte se l eservicio de urgencias, está restructurando sus procedimientos a fin de esctearb ldeos áreas de asistencia médica, estas son: Área de Cuidados Mínimos o Fast Tra cekl Á yrea de Alta Complejidad. Con esto se pretende evacuar en el menor tiempo p olossib cleasos de baja complejidad y que solo pasen al área de Alta Complejidad aquellos s qeu celasifiquen con una prioridad alta. 11 TESIS DE GRADO GISELA GARCIA GAZABÓN Sin embargo, la alta rotación del personal médRiceos i(dentes e Internos cuyo tiempo de estadía es aproximadamente 2 meses), trae comsoe ccuoenncia inicios constantes del programa de entrenamiento y perdida del aprend yizaa ajedquirido. Lo anterior conlleva a que por desconocimiento de los procedimiento eesctaidbols se realice en ocasiones, una clasificación (Triage) inadecuada de los pacie ntes. Tomando como base la restructuración de los prmociendtios en el Hospital Napoleón Franco Pareja – Casa de Niño, surgió la pregunQtau:é ¿aporte pueden hacer las herramientas basadas en técnicas de Machine Lge arpnainra clasificar (Triage) los pacientes de una urgencia pediátrica en términ olsa daetención requerida, ya sea en el área de cuidados mínimos o en el área de alta ceojidmapdl, como una herramienta de apoyo al profesional del área para tomar una dóenc?is i 1.2 Justificación Estudios realizados en países como Estados U nNiduoesv,a Zelanda, Australia, España, han demostrado que la implementación dte T Fraacsk en las salas de urgencias, ha mejorado el flujo de los pacientes disminuye enld toiempo de estadía de estos como se describe en varios estudios (Considine, 200F8it)z,G (erald, 2009), (Laskowski, 2009), (Yoon, 2003), (Holden, 2011), pero es de destaucea r eqstas implementaciones no tienen en cuenta el entrenamiento del personal médiccou, ael l se pierde cuando la rotación del personal alta. 12 TESIS DE GRADO GISELA GARCIA GAZABÓN Al incluir técnicas de Machine Learning en la reaonrigzación del triage con el área de cuidados mínimos, estamos contribuyendo con lear mdeintación de modelos que pueden llevar a encontrar esos patrones escondidos sloosb rdea tos partiendo de la experiencia de los médicos y las escalas recomendadas por lat ulitrear. 1.3 Estado del arte Aplicaciones de las Técnicas de Machine Learning en la Medicina Son muchas las aplicaciones que encontramos diec atés cdne Machine learning en la medicina, varias investigaciones demuestran la ritmanpcoia que han tomado estas técnicas para el diagnóstico tratamiento y pronóstico mé,d sicoobre todo cuando se tienen grandes volúmenes de datos. Por los resultados que seo bhtaen ido en estas investigaciones, la comunidad médica a aumentado su confianza en iepsot ed et herramientas, y en la literatura se encuentran estudios para detecció nd ifdeerentes tipos de cáncer, en la especialidad de alergología, en enfermedades dse revsíapiratorias como la Neumonía, Asma, Bronquiolitis, para enfermedades cardiovasrecus,l para el descubrimiento de nuevas drogas, para clasificación del dolor, pavaralu ear tiempos de esperas y asignación de recursos médicos, entre otros, son tantas liacsa caiopnes en donde ha tomado fuerza las técnicas de machine Learning que hay comunsid addeedicadas a alimentar repositorios para contribuir al aprendizaje y eavcailóun de dichas técnicas como por ejemplo existe un repositorio en línea con base dsa dtoes para utilizar en el aprendizaje automático, mantenido por la Universidad de Canlifao ren Irvine, que incluye resultados de biopsias de lesiones mamarias, predictores rdeio pcatía, registros de supervivencia posquirúrgica y otras 270 bases de datos de dsiv edriscaiplinas para aprender. 13 TESIS DE GRADO GISELA GARCIA GAZABÓN (Brown, Chatterjee, Jounger, Makey, 2011) muestrna ne sutudio de la Universidad de Stanford en el que utilizaron la resonancia magcan éftuincional para detectar cuando la gente experimenta dolor, mediante la detección admeb cios en los patrones del flujo sanguíneo en el cerebro. Los investigadores toonm oacrho sujetos, y los colocaron en la máquina de escaneo cerebral. Luego se les apliac ós ounda de calor en los antebrazos, causando un dolor moderado y se registraron lorso npeast cerebrales con y sin dolor, los cuales fueron interpretados por algoritmos avansz addeo informática para crear un modelo de cómo se ve el dolor. El proceso se repitió cno ns eugundo grupo de ocho sujetos. La idea era formar una máquina de soporte vectorniaela l i en un conjunto de individuos, y luego usar ese modelo de computadora para clar sicfiocna precisión el dolor en un conjunto completamente nuevo de individuos. La umináaq de soporte vectorial fue entrenada para clasificar los estímulos de calno r “D eolor” o “No Dolor”. Dentro del proceso de entrenamiento se obtuvo una precisiódnia m del 86.6%, (a través de los ocho individuos de prueba varió del 71.4% a 100%), lsotsím eulos clasificados como dolorosos que eran en realidad dolorosos fue del 90.3% yc llaosi ficados como no dolorosos que eran en realidad no dolorosos fue del 85,4%. (Prieto, 2012) presentó un nuevo procedimiento rmináf tico que ayuda al diagnóstico precoz de la enfermedad de Alzheimer. Para el ieos tsued utiliza una gran cantidad de imágenes (1.350) procedentes de la base de dastaorsr odlelada en Estados Unidos dentro del proyecto ADNI, que han sido seleccionadas ayn edsatrizadas por las Clínicas Mayo, de Rochester y de Minnesota. El procedimiento icsoten sen la clasificación automática de imágenes de resonancia magnética nuclear de peasc iesannt os, pacientes con deterioro 14 TESIS DE GRADO GISELA GARCIA GAZABÓN cognitivo leve y pacientes que sufren la enferm edea dAlzheimer, la demencia más extendida por todo el mundo. Para el desarrollo sdisetel ma se han utilizado diversas técnicas de procesamiento de la información comno l as oTransformada Discreta Wavelet (DWT), para la extracción de características deim láag enes, Análisis de Componentes Principales (PCA) para la reducción de caractecarís,t iy diferentes metodologías para la selección de características, como son las de Maí-nRimedundancia Máxima-relevancia (mRMR) y de Información Mutua Normalizada. La cfliacsaición de las imágenes representadas por las características seleccio nsaed haas realizado utilizando Máquinas de Soporte Vectorial (SVM). Los resultados obtenidons lae clasificación de imágenes ofrecen una sensibilidad y especificidad del 98o,7r cpiento para la clasificación entre personas sanas y con enfermedad de Alzheimer, y 8d0e ly 96 por ciento, respectivamente, cuando se incluye en la clasióficna ac sujetos con deterioro cognitivo leve. Hay que tener en cuenta que la comunidadt ífciciean considera como buenos los resultados superiores al 80 por ciento. (Rojas, Herrera, Acuña, Muñoz, Ibargüen, 2)0 m07uestra el diseño y la implementación de un prototipo de transmisión vía radio frecuencia pealr a nálisis y supervisión de la señal cardiaca. El prototipo consta de un electrocardaifóog prortátil con transmisión inalámbrica y una herramienta computacional para la visualóizna cyi análisis de la señal obtenida de las derivaciones DI, DII y DIII, utilizando el médto wavelets para eliminar componentes ajenas a la señal electrocardiográfica y métodossa dboas en derivadas para extraer las características propias de cada onda cardíacao qnu ien tsroducidas a una SVM (Maquinas de Soporte Vectorial) para su posterior reconocnimtoi.e Como fase de investigación se 15 TESIS DE GRADO GISELA GARCIA GAZABÓN entrenó una máquina de soporte vectorial parae ceol nrocimiento de tres arritmias diferentes: Bloqueo de rama derecha (RBBB), blo qdue orama izquierda (LBBB) y Wolff-Síndrome Parkinson-Blanco (WPW), además dae suenñal de ritmo sinusal normal (NOR). La SVM fue entrenada utilizando funcionesc lenoú de tipo RBF (funciones de base radial) y polinómicas. Los resultados obtesn icdoon las SVM son satisfactorios pues obtuvieron errores de entrenamiento y validación omr es al 10 %. (Contreras, Silveras, 2001) mostraron una invecsitóigna para evaluar tres detectores de apneas – bradicardias (detector de umbral fijoe, cdtoert umbral relativo y detector de cambios abruptos) en neonatos junto con la impletamceiónn de una red neuronal para fusionarlos. Para el estudio utilizaron una base ddaetos constituida por 29 electrocardiogramas de pacientes neonatos. P adriase eñlo de la red se implementó una red tipo backpropagation, una neurona de entra0d ae,n 2 la capa oculta y una neurona en la capa de salida. La clasificación de los resuolsta pdara el grupo de control se estableció en base a la exactitud, sensibilidad y especifdic, idpara lo que se obtuvo una exactitud del 94.34%, una sensibilidad del 87.32% y una eifsicpiedcad del 92.88%. (Villamil, Ayala, 2004) realizaron en la Universidad de El Bosque, funódna ci Cardioinfantil, un modelo para diagnóstico de pnielforitis aguda en niños, basadas en redes neuronales como técnica no invasiva que édse scpoumpararían con la gamagrafia DMSA. Para el estudio usaron datos clínicos y cplíanriacos de la base de datos de historias clínicas conformadas por 487 pacientessp ihtaolizados con sospecha diagnóstica 16 TESIS DE GRADO GISELA GARCIA GAZABÓN de infección de vías urinarias, Utilizaron un peeprtcrón multicapa con tres capas ocultas que tuvo un error promedio final normalizado de0 01.9069 después de 7964 ciclos de aprendizaje, con una eficiencia de 99.6%, una bsielindsaid de 99.63% y una especificidad del 99.53%. El modelo presentado de RNA arrojau ltraedsos convincentes, acercándose finalmente a la prueba oro con la gammagrafía,u alol scugiere que no es necesario el uso de parámetros adicionales en el diagnóstico diee loan pefritis aguda. (Mendez, Gil, 2008) presentaron una tesis doctoprarl a modelar y simular el comportamiento neurológico del tracto urinario riniofre como un sistema de ayuda al diagnóstico. Esta investigación trata con el eios tudde los sistemas neuroreguladores, en especial con el regulador neuronal del tracto uriroin ainferior. La solución en esta investigación la abordan con agentes inteligenctueysa, arquitectura la basan técnicas de minería de datos para lo que realizaron una renv idseió los métodos más idóneos usados en las áreas de medicina y biología, dentro dem léotso dos utilizados estaban: Perceptron multicapa el cual reportó una precisión de 89,30s%ist,e mas neurodifusos (ANFIS) 88;00%, árbol de decisión con un 87;93% y el ainsá dlise componentes con un 82%, la medida más aceptable se alcanzó con las redesn naeleusr.o (Del Campo, Arribas, Hornero, Álvarez, Marcos, 2)0 m08uestran un estudio con 84 pacientes cuyos objetivos era: analizar la utilidad de lau rsaactión de oxígeno y el tiempo de tránsito de pulso junto con la aplicación de una red neul rpoenraceptrón multicarpa como ayuda diagnóstica en el síndrome de apnea hipopnea udeeñlo s. La aplicación de una red 17 TESIS DE GRADO GISELA GARCIA GAZABÓN neuronal proporcionó una sensibilidad del 96,4% e, supnecificidad del 76,9%, y un área bajo la curva de 0,86 (0,76-0,92, IC95%). Con illaiz uatción de esta red neuronal hubo 6 falsos positivos y tan sólo dos falsos negativosst.o sE resultados fueron superiores al análisis por separado de cada una de las señal eloss yí ndices oximétricos clásicos de la saturación de oxígeno. (Serrano, 2003) muestra en la facultad de Mediyc inOad ontología de la Universidad de Valencia una investigación que tenía dentro deo sbujest ivos: 1. Desarrollar y validar un modelo matemático neuronal capaz de identificarn, clao mayor sensibilidad y especificidad, la evolución a corto, medio y larpglaoz o del Trasplante Renal Pediátrico mediante el empleo únicamente de factores prel-atrnatsep. 2) Contrastar la capacidad clasificatoria que presentan las redes neuronartleifisc iales y en concreto el perceptron multicapa, frente a la regresión logística en oebl plerma planteado. Teniendo en cuenta todas estas aplicaciones yi toe l qéuxe han tenido algunas en especial, esta investigación se centrará en la evaluaciópne ceífsica de las Redes Neuronales, Máquinas de soporte vectorial y la Regresión Loicgaí.s t 18 TESIS DE GRADO GISELA GARCIA GAZABÓN La Inteligencia Artificial ha tenido mucha aplicóanc i en el campo de la medicina, más exactamente en actividades de diagnóstico taym tireanto se han hecho aportes importantes, en estos se observa el aporte deé clansic at s de Machine Learning como Redes bayesianas, redes neuronales, Maquinas odrete s Vopectorial, Arboles de decisión, y otras más, que son utilizadas como herramienet aasp doyo para la toma de decisiones. Para casos donde estas herramientas han sidoa duatisli zy han cumplido los objetivos propuestos, la literatura provee muchos ejempJlo. Js. .A (guilera, M.J. Del Jesus, P. González, F. Herrer, M. Navío, J. Sáinz.) muestran en la investigación realizada en elt roc edne Urgencias Psiquiátricas del Hospital Ramón y Cadjea l Madrid España el uso de algoritmo de minería de datos con dos componeUntne sa:l goritmo genético de extracción de reglas difusas de asociación y un algoritmo sdce nasión de colinas que optimiza la regla obtenida para descubrir información sobtrme orsi de horarios en la llegada al servicio de urgencias. (Abad-Grau, Ierache, Cneor,v2i008) realizaron una investigación en la Universidad de Granada con información deslp Hitaol Posadas, Hospital de Haedo, Hospital Italiano, Hospital Alemán, entre otros m. áSse enfocaron en Urgencias Médicas directamente enfermedades cardiovasculares y aretosrpiairs donde aplicaron redes bayesianas, algoritmos de aprendizaje automátiácrob, o l de decisión, el vecino más cercano y algoritmo genéticos en el modelado dete msaiss expertos de Triage (clasificación) en los servicios de urgencias mcaésd.i Las redes se construyeron teniendo en cuenta tanto los datos provenientes de expeiarsie ndce Triage como la opinión de médicos expertos en urgencias. El sistema tien ed oubnlae finalidad: a nivel teórico para entender cómo la información requerida en el Tr ipaugede ser modelada mediante redes bayesianas y a nivel práctico para entrenamienutsoo y p or el personal de Triage; en esta 19 TESIS DE GRADO GISELA GARCIA GAZABÓN investigación los mejores resultados se obtuv iecron los algoritmos de redes bayesianas. (Wub, Zheng, Chen, 2011) reportan la utilización de técnicas de induccióen redglas y técnicas de análisis de grupos en el servicio dge nUcrias del hospital de Taiwan, donde analizaron la asignación del personal médico, alas ifcicl ación que le han realizado a los pacientes así como los costos generados en l ad es aulargencia, a fin de identificar si estaban aplicando bien los recursos asignados. (Michalowski, Wilk, Farion, Pike, Rubin, Showishki) reportan el diseño de un algoritmo basado en sistemas de soporte de decisión en el Child rHeons’spital of Eastern Ontario (CHEO) de Canadá, diseñaron un algoritmo para determiln Tarri aege en la sala de urgencias, en aquellos niños con dolor o hinchazón escrotal, pealrloa realizaron una revisión retrospectivas de pacientes donde tuvieron en ac u1e3n at tributos clínicos asociados con el dolor escrotal. Para llegar al diseño, construny evraorios modelos donde, para cada uno, variaron el número de atributos a tener en cue nltuae gyo los compararon utilizando Cross-Validation. D(exheimera, Brown, Leegon, Aronsky, 2007) muestran una investigación realizada por el Departamento de Bioinformática Vdea nderbilt, en Nashville (USA) donde aplicaron y compararon varias técnicas deh iMnea cLearning (Maquinas de soporte vectorial, redes neuronales, procesos Gaussianuonsa yr ed bayesiana con aprendizaje automático) con Redes Bayesianas-construidas mmaennutael con conocimiento de un experto, para detectar pacientes con asma en uanr tDamepento de Urgencias. Este estudio fue realizado en la sala de urgencias del Hospeitdailá trico Vanderblit donde se tomaron las muestras durante un período de dos mesese. vPaaluraa r el desempeño de cada técnica 20 TESIS DE GRADO GISELA GARCIA GAZABÓN se usó la curva ROC, además se midió la sensidb,i liedsapecificidad, valores predichos positivos y valores predichos negativos. Al finsael determinó que las cuatro técnicas alcanzaron una alta precisión y resaltan que ladse sr ebayesianas con aprendizaje automático tuvo un desempeño similar a la red bianyae sconstruida con el conocimiento de un experto. 21 TESIS DE GRADO GISELA GARCIA GAZABÓN 1.4 Objetivos 1.4.1 Objetivo General Desarrollar un modelo de Machine Learning paral alas ifcicación de pacientes en términos del nivel asistencial requerido en unae nucrgia pediátrica con Área de Cuidados Mínimos. 1.4.2 Objetivos Específicos • Identificar los síntomas y los signos que puedeer nu sados como predictores de gravedad para clasificar una urgencia pediátrica de acuceordno e l nivel asistencial requerido. • Establecer cuáles son las técnicas de Machine iLnega qrnue se pueden usar para realizar la clasificación de pacientes en una Urgencia pecdaiá trtieniendo en cuenta el nivel asistencial (alta complejidad y cuidados mínimoFsa sot Track). • Construir un conjunto de datos para entrenamievnatloid, ación y prueba que pueda ser utilizado para determinar la técnica de Machiner nLienag a utilizar en el clasificador. • Construir, entrenar y validar los clasificadores abdaos en los modelos identificados en la revisión literaria, y escoger el que ofrezca losjo mrees resultados. 22 TESIS DE GRADO GISELA GARCIA GAZABÓN • Probar el clasificador escogido con nuevos datoes pqeurmitan verificar la exactitud del mismo. 1.5 Organización del Documento En el Capítulo de Generalidades encontraremos pcotonsc erelacionados con Machine Learning y algunas de sus técnicas, asío c ocmonceptos utilizados en los servicios de Urgencias Clínicas. En el capítulgou iseinte se explica la metodología aplicada para la recolección de los datos a urt ileizna el proceso de entrenamiento, validación y prueba, así como el análisis de di cdhaotsos. Luego se tiene el capítulo de entrenamiento Validación y prueba, el cual mueeslt rap roceso realizado para bajar la dimensionalidad del conjunto de datos, el procees oe ndtrenamiento y validación junto con los resultados de las métricas obtenidos yr oecle pso de pruebas realizado. Al final encontraremos las conclusiones, los trabajos fsu tuy rolas referencias que se utilizaron para el desarrollo de este trabajo. Es importraenstael tar que las gráficas aquí utilizadas, excepto las proporcionadas por de Statgraphic,o no psropiedad de los participantes en esta investigación, muchos de estos gráficos fu eerxotnraídos de las referencias relacionadas y otros directamente encontrados cimomágoe nes en la web. 23 TESIS DE GRADO GISELA GARCIA GAZABÓN 2. GENERALIDADES 2.1 Generalidades de Machine Learning Machine learning es un conjunto de técnicas que nh apcarte de la inteligencia artificial, que basadas en algoritmos buscan eel nadpizraje dentro de grandes conjuntos de datos. Una característica muy importante de easlgtoosr itmos es la predicción de nuevos casos basándose en la experiencia aprendida djeuln ctoo nde datos utilizados para su entrenamiento, a esto se le conoce en la liter actoumrao generalizaciónF e(rnández, 2003), (Beltrán, 2008). Dentro de la literatura(García, García, 20017)e, i(tFasr , 2012), (García, Quintales, García Peñalvo, Martí)n encontramos que el aprendizaje en Machine Lega rnsien divide usualmente en dos tipos, el aprendizaje “superov”is addonde cada uno de las observaciones o muestras del conjunto de datoes rteielancionado una variable o un dato que indica lo que sucedió, lo que pasó, es desc ier nlatradas están etiquetadas. Este tipo de aprendizaje se subdivide en clasificación ye rseiógrn. En clasificación las salidas del sistema son finitas y discretas y son interpret acdoamso la clase a la que pertenece, ejemplo “0” o “1”, “Falso” o “Verdadero”, “Si” o N” o”, mientras que en la regresión, las salidas son continuas. En esta investigación nofosc aemos en el tipo de aprendizaje supervisado. 24 TESIS DE GRADO GISELA GARCIA GAZABÓN El otro tipo de aprendizaje es el “No supervisa, deon” este tipo de aprendizaje, en el conjunto de datos se disponen de datos para eln eanmtriento pero no se conoce o no se dispone de la salida o se conoce muy poco sobtare, es decir no hay una variable objetivo y lo que se requiere es buscar patronPeasra. determinar lo que se quiere predecir se pueden encontrar estructuras sobre los datonstr,o ddee estas estructuras se pueden mencionar el clustering (proceso de particionarc ounj unto de datos en un conjunto de subclases significativas llamadas grupos) y lac iascoión (conjunto de características significativas). Frecuentemente los expertos en machine learninogm riecndan en la construcción de los modelos, separar el conjunto de datos en subcon jpuanrta entrenamiento, validación y prueba. Con los conjuntos de datos separados pntarrean aemiento y prueba se escoge el modelo con menor error de validación y el conoju dnet datos de pruebas se utiliza para probar el mejor modelo encontrado. Dentro de léacsn ict as encontradas para entrenamiento y validación, se propone en la ltiuterara la utilización de Cross Validation (Refaelizadeh, Tang, Liu, 200,8 t)écnica utilizada para evaluar los resultadose noidbot s en el análisis realizado. La validación cruzada se di veidne tres tipos; el primero, validación cruzada k Fold, consiste en dividir el conjuntoe dnetr enamiento en k partes. Una de las partes se utiliza como dato de prueba y las k-t1a nretess como datos de entrenamiento, este proceso es repetido k iteraciones y al finea rl esaliza la media aritmética de los resultados de cada iteración y se obtienen unr esosulolt ado. El segundo tipo de validación encontrado es el aleatorio y consiste en divideira taolriamente el conjunto de datos de prueba. El tercer tipo de validación cruzada easv Le one out, consiste en separar una 25 TESIS DE GRADO GISELA GARCIA GAZABÓN muestra del conjunto de datos para la validación e l yresto se utiliza para el entrenamiento, este proceso se repite según elr on údme emuestras que se tenga. Según los expertos dentro del proceso de escog deenlc imaodelo ideal se deben tener en cuenta la complejidad y la medida de error de loissm mos, contemplando el sesgo y la varianza. Los errores que se determinan parau aerv ael aprendizaje, son el “error de entrenamiento” y “error de validación” y se calcnu lsaobre el conjunto destinado para tal fin. En la literatura L(iu, Huan, 2005),(Morelli, 2013), Fernández, et al.(2003), Belt reatn al. (2008) se demuestra que cuando tenemos urn d er reontrenamiento bajo y un en error de validación alto hubo un error por varianza, ecsi rd se tiene un overfitting, y se entiende que el algoritmo sobre-ajustó los dato se ndtreenamiento y aprendió del ruido contenido en la muestra y por ello probablemeanltle fla generalización del modelo. Cuando se tienen un error de entrenamiento altno eyr ruor de validación bajo se tiene un problema por sesgo, es decir underfiting. Lo iandoic es buscar un nivel óptimo donde se decida la complejidad del modelo de acuerdo co nd alotoss disponibles y no de acuerdo con la complejidad de la función que el investigra sduopone. Para la búsqueda de un nivel óptimo la literatura ofrece las estrategdiaes regularización, que es una forma de penalizar la función objetivo para evitar que esset ad esvíe para aquellos datos atípicos y aberrantes. La regularización tiene como objerteivaoli zar un intercambio apropiado entre la fiabilidad de los datos de entrenamiento y blaosn dades del modelo. En procedimientos de aprendizaje supervisado, el cianmtebr io se realiza a través de la minimización del riesgo total (Haikyn, 1999). Otro tema importe que se debe tener claro por psuo ritmancia de aplicación en las técnicas de Machine Learning es el “Análisis de ComponenPterisn cipales”, es una técnica 26 TESIS DE GRADO GISELA GARCIA GAZABÓN estadística multivariable, desarrollado por el cfréasn Benzecri(1980) que permite reducir la dimensionalidad de un conjunto de datos, trarmnsafondo el conjunto de “p” variables originales en otro conjunto de “q” variables inceolarrcionadas (≤qp) llamadas componentes principales. Las p variables son maes disdobre cada uno de los n individuos, obteniéndose una matriz de datos den o nrdq (Vieyra, 2013)(Sellero, 2008). El método consiste en buscar combinaciones lin edaele slas variables originales que representen lo mejor posible a la variabilidad epnretes en los datos. De este modo, con unas pocas combinaciones lineales, que serán lmasp ocnoentes principales, sería suficiente para entender la información contennid alo se datos (Otero, 2008) . 2.2 Algunas Técnicas de Machine Learning • Regresión Logística La regresión logística es un tipo especial de rseiógnre que se utiliza para explicar y predecir una variable categórica binaria, en funn cdieó varias variables independientes que a su vez puede ser cuantitativas o cualitativas. Por sus características, los modelos de regreosgióísnt ilca permiten dos finalidades: a. Cuantificar la importancia de la relación existe enntetre cada una de las covariables o variables independientes y la variable dependi elnot eq,ue lleva implícito también clarificar la existencia de interacción y confus ieóntre covariables respecto a la variable dependiente (es decir, conocer la “odtdios” rpaara cada covariable). 27 TESIS DE GRADO GISELA GARCIA GAZABÓN b. Clasificar individuos dentro de las categorías s(epnrete/ausente) de la variable dependiente, según la probabilidad que tenga dte npeecrer a una de ellas dada la presencia de determinadas covariables. No cabe duda que la regresión logística es una sd hee lrramientas estadísticas con mejor capacidad para el análisis de datos en investing accliíónica y epidemiología, de ahí su amplia utilización. El objetivo primordial que resuelve esta técnic ae le sde modelar cómo influye en la probabilidad de aparición de un suceso, habituatlem deincotómico, la presencia o no de diversos factores y el valor o nivel de los mism Toasm. bién puede ser usada para estimar la probabilidad de aparición de cada una de laisb ipliodsades de un suceso con más de dos categorías (politómico). • Arboles de Decisión Un árbol de decisión es una estructura en la caudaal cnodo interno denota una prueba sobre uno o varios atributos, cada ramae srenptra una salida de la prueba y los nodos hoja representan clases. La caracterísrtiinccai ppal de los árboles de decisión es que son modelos de caja blanca en los cuales sde pvueer directamente la frecuencia de aparición de cada atributo. Además, le permitex pael reto conocer el atributo con mayor poder de clasificación, es decir, aquel que sel icloec aen el nodo raíz (Mazo, Bedoya, 2010). 28 TESIS DE GRADO GISELA GARCIA GAZABÓN • Máquinas de Soporte Vectorial . Las Máquinas de Soporte Vectorial (del inglés Surtp pVoector Machine) fueron desarrolladas en 1995 por Vladimir Vapnik cuandop porne un modelo matemático para la resolución de problemas de clasificación y rseigórne el cual llamaron Modelo MSV. Están basadas en la teoría de aprendizaje esctaod qísutei permiten resolver problemas de clasificación y regresión de manera eficiente (C, u2b0a10), D( exheimera et al. (2007), (Rengifo, Juménez, 201 0 )El éxito de las máquinas de soporte vectoriailc ara den tres ventajas fundamentales: a. Poseen una sólida fundamentación matemática. b. Se basan en el concepto de minimización del riesgtrou ctural, esto es, minimizar la probabilidad de una clasificación errónea sobrev onsu eejemplos, particularmente importante cuando se dispone de pocos datos deen eanmtriento. c. Se disponen de potentes herramientas y algoritmaroas hpallar la solución de manera rápida y eficiente. Las máquinas de soporte vectorial a diferencial adse r edes neuronales, abstraen el problema desde un espacio de atributos a un es dpae cpioatrones de características con mayor dimensión, a fin de que puedan ser separpaodr ausn hiperplano. Así, mediante una función no lineal de mapeo apropiada, que aumean dteim l ensión de forma adecuada, es posible separar muestras que pertenezcan a dogso rcíatse diferentes mediante un hiperplano (Maldonado, Weber, 2012). 29 TESIS DE GRADO GISELA GARCIA GAZABÓN • Clasificación Linealmente Separables: Dentro de los conjuntos de datos que abarcamo sla cso mnáquinas de soporte vectorial, encontramos aquellos que son linealmente sepa,r ayb elens ellos, minimizar la función de costos resulta muy sencillo. La hipótesis de dpa rteis que las clases son linealmente separables y por ello existen infinitos hiperpla nquoes separan las muestras de una clase, de la otra. Los puntos del espacio que caen d ednet rcoada uno de estos hiperplanos son los que satisfacen la siguiente expresión (Reg 2in0fo1,0). Donde w Y x Є Rd, siendo la dimensión del espacio de entrada. La resolución para dicho caso sería suponer qutien see un conjunto de n datos separables linealmente (1,1 ), (2,2) ,…, (,) donde 1 ∈ e 1 ∈^{ −1,1} . Se cumplirá, según el lado en el que se encuentren respechtoip deerpl lano lo siguiente: Hay casos de datos linealmente separables en elo ps uqeude existir ruido debido a errores en la medida de los datos o por la presencia dúen adlgato atípico o extremo. En dichos casos no es conveniente que la máquina de sopeocrtoer ival se ajuste totalmente a los 30 TESIS DE GRADO GISELA GARCIA GAZABÓN datos. Este punto no debería ser considerado paallraar hla frontera de decisión ya que podría alterar los resultados deseados nos lale vaa crlíasificaciones incorrectas. • Clasificación Linealmente no Separable Cuando los datos no son linealmente separablesst,e elxai posibilidad de transformar los datos a un espacio de mayor dimensión utilizandao función , donde se encontrará un hiperplano que los puedar asre. p La frontera de decisión resultante en el espacio de entrada ya no seraál lyin evendrá dada por otro tipo de función que pueda ser polinómica de grado supear i1o,r gaussiana, sigmoide, entre otras, dichas funciones se conocen como funciones núc l“eKoe ronel”. Las muestras una vez proyectadas, pueden usarse como un nuevo conjuen eton tdrenamiento, de esta forma se buscará una frontera lineal en el espacio , dicohnat efra otra en el espacio de partida cuya forma dependerá de la función de proyección mpl eeada y de las muestras del conjunto de entrenamiento. Como se nota ya looss deant la formulación de la máquina de soporte vectorial sólo aparecen como producttroe elans muestras , en este caso solo se necesita la función Kernel,u tea l q Teniendo esta función se puede aplicar el algor idtme oentrenamiento de la Máquina de soporte vectorial sin conocer explícitamente cusa l ae transformación o incluso el espacio . La única condición necesaria es que enl elk eursado esté correctamente definido. 31 TESIS DE GRADO GISELA GARCIA GAZABÓN Las funciones más utilizadas son: La Función Polinómica tienes la siguiente forma: La Función Gaussiana, tiene la siguiente forma: La Función Sigmoide tiene la siguiente forma: La selección del mejor kernel para una aplicacisó nto edavía un tema de investigación. El procedimiento más común es el de seleccionar lorásm peatros de kernel (el grado del polinomio d para las funciones polinomiales o ecl haon del kernel para la función Gaussiana) calibrando estos parámetros en conjcuonnto e l proceso de selección del modelo (parámetro C que controla la generalizadcieóln m odelo) mediante una búsqueda de grilla • Generalidades de las Redes Neuronales La neurona es la unidad fundamental del sistemavi onseor y en particular del cerebro. Cada neurona es una simple unidad proocreas aqdue recibe y combina señales 32 TESIS DE GRADO GISELA GARCIA GAZABÓN desde y hacia otras neuronas. Si la combinacióenn tdrea das es suficientemente fuerte, la salida de la neurona se activa. El cerebro consiste en uno o varios billones der onneaus densamente interconectadas. El axón (salida) de la neurona se ramifica y está cctoandea a las dendritas (entradas) de otras neuronas a través de uniones llamadas sinapsiesf.i cLaac ia de la sinapsis es modificable durante el proceso de aprendizaje de la red (Aos,e Mnsairtínez, 2009). Desde la primera mitad del siglo XX se han empe zad odesarrollar modelos computacionales que han intentado emular el comampoiertnto del cerebro humano. Aunque se han propuesto una gran cantidad de etolldooss, usan una estructura en red en la cual los nodos o neuronas son procesos num éqriuceo sinvolucran estados de otros nodos según sus uniones. Una clase de estos ms ocdoemloputacionales son las redes neuronales artificiales, las cuales se han hecuhyo pmopulares debido a la facilidad en su uso e implementación y la habilidad para aproximcuaar lquier función matemática. (Posee). El gráfico 1 muestra el modelo de unaN Reeudr onal Artificial Gráfico 1 Red Neuronal Artificial 33 TESIS DE GRADO GISELA GARCIA GAZABÓN De la observación detallada del proceso biológeic oh asn hallado los siguientes análogos con el sistema artificial: a. Las entradas iX representan las señales que provienen de oturaros nnaes y que son capturadas por las dendritas. b. Los pesos Wi son la intensidad de la sinapsis que conectan eduorso nas. c. La función ∑ es la función umbral que la neurona debe sobrer pasra activarse; este proceso ocurre biológicamente en el cuerpo del ulala c. é d. Las señales de entrada a una neuro1n, aX 2X, X3,…,Xn son variables continuas en lugar de pulsos discretos, como se presentan en una nnae ubriológica. Cada señal de entrada pasa a través de una ganancia o pesod, olla pmeaso sináptico o fortaleza de la conexión cuya función es análoga a la de la fun scinóánptica de la neurona biológica. Los pesos pueden ser positivos (Exitatorios) o tniveogsa (inhibitorios), el nodo sumatorio acumula todas las señales de entradatsip lmicaudl as por los pesos o ponderadas y la pasa a la salida a través de unncaió nfu umbral o función de transferencia. Las funciones más utilizadas s oSnig lma oide y Tangente hiperbólica. Debido a que presentan un gran número de caratictaesrí ssimilares a las del cerebro humano, las redes neuronales son capaces de:e an)d aepr rde la experiencia, b). abstraer características esenciales a partir de entrada sp rqeusentan información irrelevante, c) generalizar de casos anteriores a nuevos casorse, oetnrot s. Todo esto permite su aplicación en un gran número de áreas muy difearednacsi. (Olabe, 1998) 34 TESIS DE GRADO GISELA GARCIA GAZABÓN Las principales ventajas que representan son: -Aprendizaje Adaptativo: Capacidad de aprender al izraer tareas basadas en un entrenamiento o en una experiencia inicial. -Auto-organización: Una red neuronal puede crear psruopia organización o representación de la información que recibe meed iuanat etapa de aprendizaje. -Tolerancia a fallos: La destrucción parcial de urenda conduce a una degradación de su estructura; sin embargo, algunas capacidades dree dl as e pueden retener, incluso sufriendo un gran daño. -Operación en tiempo real: Los cómputos neuronpaulesd en ser realizados en paralelo; para esto se diseñan y fabrican máquinas con hraer dwesapecial para obtener esta capacidad. -Fácil inserción dentro de la tecnología existe Sntee :pueden obtener chips especializados para redes neuronales que mejoran su capacidadie retans ctareas. Ello facilitará la integración modular en los sistemas existentes. Tipos de Redes Neuronale: s Perceptron Multicapa Es responsable de la popularidad de las redes nnaeleusro a partir de mediados de los años ochenta, como su nombre lo indica, perceptron mcaupltai, tiene sus neuronas organizadas 35 TESIS DE GRADO GISELA GARCIA GAZABÓN por capas, su número es variable dependiendo dfuen claio nalidad de la red, pero en general se distinguen estos tipos de capas(Mént dael.z 2 e008): • Una capa de entrada donde se alimenta a los dea tloas r edd (capa 0). • Capas ocultas cuyo número es variable. • Una capa de salida donde se lee el resultado ldceull oc áde la red El gráfico 2 ilustra la estructura de una red Ppetrcoen Multicapa Gráfico 2 Estructura de una Red Neuronal Perceptron Multicapa Además del Perceptron Multicapa, existen muchpooss tdi e redes neuronales artificiales, dentro de las más comunes tenemos: Adaline y Mnaed adliiseñada por Bernand Widrow en 1960, ART, diseñada por Carpenter entre 196908 y6 ,1Back-propagation diseñada por Rumelhart y Parker en 1985, Hamming Network disae ñpaodr Lippman en 1987, Hopfield Network diseñada por Hopfield en 1982. 36 TESIS DE GRADO GISELA GARCIA GAZABÓN 2.3 Algunos Conceptos Preliminares de Urgencias Médicas Con el objetivo de manejar el lenguaje nacionalilz uatdio en las entidades clínicas que implican Urgencias Médicas, muchos de los cpotnocse presentados a continuación son tomados textualmente de la “Guías para el Moa dne j Urgencias” emitido por el Ministerio de la Protección Social de Colombia, clausales fueron elaboradas pensando en las necesidades los diferentes actores del Si sGteemnearal de Seguridad Social en Salud. • Área de Cuidados Mínimos: En CM se resuelven de manera rápida, eficiensteg yu ra procesos agudos destinados a Observación y por ptaunetde contribuir a evitar saturación (Garzón, De Moya, Herrera, Caballero, Martínez, 2).0 01 • Triage: Es un método de clasificación de pacientes ba seand osus necesidades terapéuticas y en los recursos disponibles. Ctoen esins una valoración clínica breve que determina el tiempo y la secuencia en que serád iadtoe,n con unos recursos limitados. Es un proceso dinámico que cambia tan rápidamente clom hoace el estado clínico del paciente. • Manejo del Dolor: Fisiopatológicamente, el dolor se divide en droasn dges grupos: el dolor agudo (síntoma de enfermedad), cuya duraecnió mn enor d 2 semanas y que por lo general es de tipo inflamatorio, y el dolor crón, icqoue se definía arbitrariamente como aquel cuya duración era mayor de 3 meses, pereon rtecmi ente ha sido redefinido como aquel cuya duración supera el tiempo esperadol ap acruar ación de la causa etiológica. 37 TESIS DE GRADO GISELA GARCIA GAZABÓN • Atención de Urgencias :Es el conjunto de acciones realizadas por un eoq dueip salud debidamente capacitado y con los recursos matse rinaelecesarios para satisfacer la demanda de atención generada por la urgencia. • Atención inicial de urgencias: Son todas las acciones brindadas a una persona que presenta alguna patología de urgencia, con el á dneim eostabilizarlo en sus signos vitales. Hacer un diagnóstico de impresión y definir el idneos ot la conducta inmediata por seguir, tomando como base el nivel de atención y el graed oc odmplejidad de la entidad que realiza la atención inicial de urgencia, al teneo rl ods principios éticos y las normas que determinan las acciones y el comportamiento deslo pnearl de salud. • Emergencia: Es la situación de salud que se presenta repenetnintaem y que requiere de un tratamiento inmediato o atención, llevando ultnaa p arobabilidad de riesgo de vida. • Urgencia: Es una situación de salud que también se presrepnetan tinamente, pero sin riesgo de vida y que puede requerir de una asisat emnécdica dentro de un período de tiempo razonable. Escaladas Pediátricas: Rochester para pacientes < 90 días y Rochester rap apacientes > 90 días: E l síndrome febril ocupa un lugar muy importante end iaPtreía, por muchas razones pero, fundamentalmente, porque es uno de los motivoso dnes uclta más frecuente, tanto en Atención Primaria, como en urgencias hospitala rpiaosr ,ello se utilizan los criterios de Rochester para evaluar un paciente con un cuad rfoie bdre sin Foco. Los criterios de Rochester son criterios clínicos y analíticos dejo braiesgo; de forma que, si el niño cumple estos criterios, no padece infección graVvPeN (: 98,9%) y puede ser controlado 38 TESIS DE GRADO GISELA GARCIA GAZABÓN de forma ambulatoria, sin precisar tratamiento baiónttiico empírico (Barboza, Contte, Rodríguez, Fernández, 2007). • Yios para pacientes < 90 dia:S Se emplea para valorar cuadros febriles y cpoorrnedse a las siglas en inglés de “escala de valoración adcetla nl te pequeño” (Young Infant Observation Scale), se emplea para valorar a ltaecst aen tre 1 y 3 meses de edad, según 3 parámetros: Actitud y respuesta a estimulación,o rcaoclión y perfusión periférica y respiración R( ubio, López, 2006), (Barboza, Contte, Rodríguez, Fernánde0z7, )2. 0 • Yale para pacientes entre 3-36 mes:e sIgual que Rochester y YIOS se emplea para establecer infección bacteriana grave. Descritra M pco-Carthy en 1982, sigue teniendo vigor en la actualidad y es la escala más emplpeardaa valorar a niños entre 3 y 36 meses de vida, según 6 parámetros: Estado general, rsetsap au eestímulo, llanto, reacción con los padres, color e hidrataciónR u(bio, López, 2006), (Barboza, Contte, Rodríguez, Fernández, 2007). • Wood-downes modificada por ferres: Se trata de una escala de evaluación, utilizada fundamentalmente en la valoración de la graveda lads d beronquiolitis, aunque también se ha utilizado para valoración del asma agudo, stoobdroe en el ámbito infantil. Evalua los siguientes parámetros: sibilancias, tirajes, ferencuia respiratoria, frecuencia cardiaca, entrada de aire y cianosis (Cansino, 2004), (Diaz qVuez, 2004). Dentro del formato establecido se incluye para paciente que ingresna sciboilancia-bronquiolitis y no se dispone de pulsioximetria. • Westley Escala utilizada para la valoración de pacienotens dcificultad respiratoria sobre todo para la obstrucción de vías altas, tiene en tcau los siguientes aspectos: estridor, 39 TESIS DE GRADO GISELA GARCIA GAZABÓN tiraje, ventilación, cianosis, conciencia. Denterol fdormato se utilizará para para paciente que ingresa con estridor y no se dispone de puimlseiotxria. • Wetsley modificado por mintegu i : Al igual que las escalas anteriores es utiliz paadraa valorar pacientes con dificultad respiratorias setne ecaso para pacientes que ingresan con estridor y se dispone de pulsioximetria. En est av asloeran los siguientes parámetros: estridor, reracción subcostales y suprarenalesra, dean tde aire en los pulmones, SAT O2 Diaz Vazquez et al.( 2004). • Indice pulmonar de scarfone. Escala utilizada para valorar pacientes conis c arismatica severa .Diaz Vazquez et al.( 2004). • Glasgow > 3 AÑOS: Escala utilizada para medir la profundidad doeml ac, se basa en la respuesta verbal, motora y la apertura de los aonjotes las ordenes verbales o estímulos dolorosos (Casado, Serrano, 1997). • Raimondi – Glasgow modificada < 3 año. s Esta escala fue creada y aplicada para niños pequeños con traumátismo craneoencefálico, esm la sau las respuesta a tres diferentes aspectos de la exploración nurológica, respuesttao rma,o ocular y verbal. Casado et al. (1997) • Santolaya. Esta escala fue definida con criterios de alto a yjo briesgo de infección bacteriana invasora en episodios de neutropenirail f(eRbendón, Covarrubias, Noriega 2013)(Paganini, Santolaya de P, 2011)(Pérez, 2 012). • Escala de Glasgow modificada para sepsis meningocicoac: Escala utilizada en pacientes con sospechas o diagnostico confirmad oe ndfermedad meningocócica invasiva. Buñiel Álvarez et al. (201 3). 40 TESIS DE GRADO GISELA GARCIA GAZABÓN • Clasificacion de asa. Sistema de clasificación que utiliza la Ameri cSaonciety of Anesthesiologists(ASA) para estimar el riesgo qluaen tpea la anestesia para los distintos estados del paciente(Fajardo, Quemba, Eslava, .2 005) • Escalas de evaluación del dolor – fisiológico-concdtuual (1 mes a 3 años)U: tilizada para interpretar la información que se puede geanrt reacerca de los aspectos del dolor como duración e intensidad del mismo y en muchsooss c haasta su localización , en niños (Fernández, 2009) • Escala de los < ay> o de Oucher (niños 3 – 12 añ oys )Escala de dibujos faciales (niños de 5-12 años y adolescente sD):esarrollada por Beber y cols. con seis fotogsra fía de un niño con diferentes muestras de dolor crteec,i ednesde la más tranquila a la más intensa donde se observa gritando de dolor(Maclma,i e2r008) 41 TESIS DE GRADO GISELA GARCIA GAZABÓN 3. RECOLECCIÓN Y ANÁLISIS DEL CONJUNTO DE DATOS Se tuvo en cuenta el conocimiento de los expeprtaorsa, los aspectos que debían participar en la clasificación de un paciente ena dune las dos áreas establecidas, “Alta complejidad” y “Cuidados Mínimos”. Se estableciuóe qlos criterios que se debían manejar para establecer la clasificación, estabnamna recados en las Escalas Pediátricas que manejan los criterios adecuados según la eendfeardm que padezca el paciente y la edad del mismo. 3.1 Identificación de Variables. Luego de haber determinado las bases para iniac iainrv lestigación, se realizó un análisis de las historias clínicas de paciente su rdgencias de la clínica del año 2013, donde se analizaron 17,132 registros, tomados disetel msa de información que actualmente se utiliza. El análisis de estas hiaisst orarrojó los diagnósticos más persistentes que se manejan en la urgencia, es mtous esstran en la Tabla 2. Tabla 2 Clasificación de enfermedades reportadasn ela urgencia en el 2013 Diagnóstico Cant de Historias % Infecciosas 6350 37.07 Traumáticas 2478 14.46 Infecciosas vías respiratorias 1970 11.50 Quirúrgicas 1660 9.69 Respiratorias 1290 7.53 Otras 958 5.59 (en blanco) 824 4.81 Neurológicas 556 3.25 Metabólicas 367 2.14 42 TESIS DE GRADO GISELA GARCIA GAZABÓN Diagnóstico Cant de Historias % Hematologicas 310 1.81 Urologicas 120 0.70 Toxicologicas 112 0.65 Cardiologicas 109 0.64 Psiquiatricas 28 0.16 Total 17132 100 En esta tabla se observan las clasificaciones fdeerm eendades que se tratan en la urgencia de la clínica, esto sirvió como sustento para dmeintearr las escalas que se debían usar para la investigación donde se analizaron los dóisatgicnos más predominantes. Dentro del grupo “Infecciosas” se clasificaron dnióasgticos como: Fiebre no especificada con 3,499 pacientes reportados que representa5n% e ld 5e los clasificados en este grupo, el 45% corresponden a diagnósticos como: DiarreGaa syt roenteritis de presunto origen infeccioso, Infección de vías urinarias –Sitio nsop eecificado, Conjuntivitis viral, Estomatitis candidiásica, fiebre del dengue hemgoicrorá, entre otras más. Dentro del grupo “Traumáticas”, se encontraron d2i6a5g nósticos donde el 29% eran por Traumatismo no especificado, el 71% restante e sdtaisbtaribuido en el resto de los diagnósticos. Dentro del grupo “Infecciosas Vías Respiratoriase”, encontraron diagnósticos de Bronquiolitis Aguda no Especificada con el 55% does pl acientes clasificados en este grupo, Neumonía con el 25% de los pacientes y Bornoenucmonía no especificada con el 43 TESIS DE GRADO GISELA GARCIA GAZABÓN 12% de los pacientes, el 8% de los pacientes rtest asne clasificaron en diagnósticos como: Sinusitis , Rinofaringitis , Tos Ferina ya ost rmás. Dentro del grupo “Quirúrgicas” se encontraron 16p6a0c ientes clasificados en 171 diagnósticos como: cuerpos extraños en zonas ndtiefesr edel cuerpo (un diagnostico por cada zona del cuerpo afectada), Apendicitis, Abdno mAegudo, Dolor abdominal localizado, Retócele, Colostomía, entre otras. Dentro del grupo “Respiratorias” se encontraros9 1 c0a9sos de Asmas, lo que representa el 85% de pacientes de los clasificados en estpeo ,g reul 15% restante corresponde a diagnósticos como Displasia broncopulmonar origain aedn el período perinatal, Insuficiencia Respiratoria aguda, Dificultad Reastpoiria del Recién nacido, entre otros casos más. Analizando la información encontrada dentro deo se sgtrupos se observó que los pacientes acudían al Departamento de UrgenciaHs odsepl ital debido a las enfermedades que más se destacan en los grupos: Infecciosaesc, cIionsf as Vías Respiratorias y Respiratorias, además se determinó que los diaicgonsó s t de Fiebre sin foco, asma, Bronquiolitis y neumonía, debían ser la base pprianlc ipara escoger las escalas que conformarían los criterios de estudio de la prees einnvtestigación. Además de lo anterior y de la lectura de la lituerraa tcientífica (Barboza, 200(7Bo) hada, 2011) (Campuzano, 2004)( Díaz,2004) (Fernández, 2009) (Rendón, 2013) (Paganini, 2011) junto con el conocimiento del experto, se determinóz uatri lilas siguientes escalas: 44 TESIS DE GRADO GISELA GARCIA GAZABÓN • Rochester para pacientes < 90 días y Rochesrtae rp paacientes > 90 días • Yios para pacientes < 90 dias • Yale para pacientes entre 3-36 meses • Wood-Downes modificada por ferres • Westley • Wetsley modificado por Mintegui • Indice pulmonar de Scarfone • Glasgow > 3 años • Raimondi – Glasgow modificada < 3 años • Santolaya • Sscala de Glasgow modificada para sepsis meninigcoac oc • Clasificacion de asa • Escalas de evaluación del dolor – fisiológico-cocntudaul (1 mes a 3 años • Escala de los < ay> o de Uucher (niños 3 – 12 a yñ oes)cala de dibujos faciales (niños de 5-12 años y adolescentes). Con la escogencia de las escalas a utilizar, sneti fiidcearon también las variables que se utilizarían en esta investigación, estas variasbele ms uestran en la Tabla 3 Tabla 3 Descripción de Variable Descripción de Variables 1 edad 45 TESIS DE GRADO GISELA GARCIA GAZABÓN Descripción de Variables 2 sexo 3 infante con apariencia generalmente buena 4 infante previamente saludable 5 nacimiento a termino 6 no tratamiento antimicrobiano perinatal 7 no tratamiento antimicrobiano previo 8 no hospitalizacion previa 9 no tratamiento para hiperbilirrubinemia inexplic ada 10 no enfermedad cronica subyacente 11 no hospitalizacion mas prolongada que la madre ausencia de signos evidentes de infección det epjiiedlo, s, 12 blandos, huesos, articulaciones u oídos 13 leucocitos en sangre periférica de 5000-15000/mm3 14 abastonados <1500/mm3 15 <10 leucocitos por campo en sedimiento urinario 16 <5 leucocitos por campo en extensión de hecesr e(dai)a r 17 niño previamente sano 18 sin signos de focalidad 19 no signos de toxicida sistemica* 20 recuento de leucocitos entre 5000-15000 mm3 21 uroanalisis <5 leuc x campo 22 perfusion periferica -sonrosado, extremidades nctaelsie 23 perfusion periferica -extremidades frias moteadas 24 perfusion periferica -pálido, shock 25 estado/esfuerzo respiratorio-no deterioro/vigoroso estado/esfuerzo respiratorio-compromiso respiroa tloervie 26 moderado (fr:>60), retracciones o quejoso estado/esfuerzo respiratorio-dificultad respirat ogrriave 27 esfuerzo respiratorio inadecuado, apnea, falloi rraetsoprio 28 respuesta social-sonríe o no irritable 46 TESIS DE GRADO GISELA GARCIA GAZABÓN Descripción de Variables 29 respuesta social-irritable, consolable 30 respuesta social-irritable, inconsolable 31 llanto-fuerte/no llora 32 llanto-sollozo 33 llanto-gemidos 34 reacción a los padres-detiene el llanto 35 reacción a los padres-llanto casi continuo 36 reacción a los padres-llanto permanente 37 conciencia-se mantiene o despierta rapido 38 conciencia-somnoliento o se despierta con dificdu lta 39 conciencia-no se despierta 40 color-rosado 41 color-acrocianosis o palidez distal 42 color-palido, ciatonico o moteado 43 hidratacion-normal 44 hidratacion-boca seca 45 hidratacion-mucosas secas ojos hundidos 46 estimulos sociales-sonrie 47 estimulos sociales-sonrisa breve 48 estimulos sociales-no sonrie, ansioso o inexpre sivo 49 sibilancias-sibilancias no 50 sibilancias-final de la espiracion 51 sibilancias-toda la espiracion 52 sibilancias-inspiracion y espiracion 53 tirajes-tirajes no 54 tirajes-subcostal + intercostal inferior 55 tirajes-previo mas supraclavicular + aleteo n asal 56 tirajes-previo + intercostal superior + supraesatle rn 57 entrada de aire-buena simetrica 58 entrada de aire-regular simetrica 59 entrada de aire-muy disminuida 60 entrada de aire-torax siliente (ausencia de sicbiialasn) 61 cianosis-cianosis no 62 cianosis-cianosis si 63 fr- < 30 rpm 64 fr- 31 - 45 rpm 65 fr- 46 - 60 rpm 66 fr- > 60 rpm 67 fc - < 120 lpm 68 fc - > 120 lpm 69 estridor-estridor no 70 estridor-estridor al agitarse 47 TESIS DE GRADO GISELA GARCIA GAZABÓN Descripción de Variables 71 estridor-estridor en reposo 72 tiraje-tiraje no 73 tiraje-tiraje leve 74 tiraje-moderado 75 tiraje-severo 76 ventilación-ventilacion normal 77 ventilación-disminuida 78 ventilación-muy disminuida 79 cianosis-cianosis no 80 cianosis-cianosis al agitarse 81 cianosis-cianosis en reposo 82 estridor -estridor no 83 estridor - audible en reposo con fonendo 84 estridor - audible en reposo sin fonendo 85 retracciones subcostales y supraesternales -crieotnraecs no 86 retracciones subcostales y supraesternales -crieotnraecs leves 87 retracciones subcostales y supraesternales -mdoad seeravera 88 entrada de aire en los pulmones - entrada aireo pnuelsm norma l 89 entrada de aire en los pulmones - disminucion leve 90 entrada de aire en los pulmones -disminucion leovdee mrada 91 sat o2 - >=95 92 sat o2 - <=94 93 fr >6 años- < 21 94 fr >6 años- 21-35 95 fr >6 años- 36-50 96 fr >6 años- > 50 97 fr <6 años - < 31 98 fr <6 años - 31-45 99 fr <6 años - 46-60 100 fr <6 años - > 60 101 sibilancias – ausentes 102 sibilancias - final espiracion 103 sibilancias - toda la espiracion 104 sibilancias - inspiracion y espiracion 105 conciente ins/esp - 2-1 106 conciente ins/esp - 1-1 107 conciente ins/esp - 1-2 48 TESIS DE GRADO GISELA GARCIA GAZABÓN Descripción de Variables 108 conciente ins/esp - 2-3 109 mus. accesorios - mus. ausente 110 mus. accesorios - + 111 mus. accesorios - ++ 112 mus. accesorios - +++ 113 sat o2 - 99-100 114 sat o2 - 96-98 115 sat o2 - 93-95 116 sat o2 - <93 117 apertura de ojos - apertura ojos ninguna 118 apertura de ojos - al dolor 119 apertura de ojos - a la voz 120 apertura de ojos - espontanea 121 verbal - verbal ninguna 122 verbal - sonidos inespecificos 123 verbal - palabras inadecuadas 124 verbal - confuso 125 verbal - orientado 126 motora - motora ninguna 127 motora - extension anormal 128 motora - flexion al dolor 129 motora - retirada al dolor 130 motora - localiza dolor 131 motora - obedece ordenes 132 respuesta ocular - pupilas fijas y meo* paraliza dos 133 respuesta ocular - pupilas fijas y meo* afectados 134 respuesta ocular - meo* intactos. pupilas reasc tiva 135 respuesta ocular - persigue con la mirada 136 respuesta verbal – apnea 137 respuesta verbal - respiracion espontanea 138 respuesta verbal – llora 139 respuesta motora - flacidez 140 respuesta motora - hipertonia 141 respuesta motora - alejamiento del dolor 142 respuesta motora - flexiona y extiende 143 respuesta motora - resp. motora flacidos respuesta motora - actitud que mimetiza decortoicna oc i 144 descerebracion 145 respuesta motora -movimientos estereotipados asntimteu elos 146 respuesta motora - retirada del miembro estimulado 147 respuesta motora - movimientos debiles y perez osos 49 TESIS DE GRADO GISELA GARCIA GAZABÓN Descripción de Variables 148 respuesta motora - movimientos alternantes suaves respuesta ocular - respuesta oculocefalica auys epnutpei las 149 fijas 150 respuesta ocular - respuesta oculocefalica alt erada 151 respuesta ocular - respuesta oculocefalica intacta 152 respuesta ocular - apertura de los ojos al dolor 153 respuesta ocular - apertura espontanea de los ojos respuesta ocular - focaliza y sigue el estimulmo eanl os 30º 154 horizontalmente 155 respiracion y vocalizacion - resp y voc apnea 156 respiracion y vocalizacion - respiracion periodoic at axica 157 respiracion y vocalizacion - respiracion esponata ne 158 respiracion y vocalizacion - mueca 159 respiracion y vocalizacion - gemido o llanto debil 160 respiracion y vocalizacion - llanto de tono nor mal 161 pcr >90 mg/l 162 leucemia mieloide aguda 163 recuento de plaquetas < 50000 mm3 164 leucemia en recaida 165 recaida de tumor solido 166 hipotension arterial 167 linfoma no hodking b y de celulas grandes 168 menos de 7 dias desde la ultima quimioterapia 169 neuroblastoma etapa iv 170 lla de alto riesgo hipotension (ta sistólica <75 mm hg en <4 años; m<8m0 hg en 171 >4 años) 172 gradiente de tª piel/recto >3ºc o frialdad cutá3n ea 173 ecg <8 o disminucion de >= 3 puntos en 1 hora 174 ausencia de meningismo 175 empeoramiento durante la ultima hora 176 equimosis diseminadas o lesiones crecientes 177 déficit de bases <= -8 mmol/l 178 clasificacion de asa 179 tas basal - <20% 50 TESIS DE GRADO GISELA GARCIA GAZABÓN Descripción de Variables 180 tas basal - 20-30% 181 tas basal - >30% 182 llanto - ausente 183 llanto - consolable con palabras-caricias 184 llanto - no consolable 185 actividad motora espontanea - dormido-jugando-turialon q 186 actividad motora espontanea - moderada-controlable 187 actividad motora espontanea - intensa-incontro lable 188 evaluacion verbal (2-3 años) - no expresa dolor 189 evaluacion verbal (2-3 años) - incomodo- duele l oscinalizar 190 evaluacion verbal (2-3 años) - se queja y loc adliozlaor 191 expresion facial 192 lenguaje corporal (<2años) - dormido – postura naol rm 193 lenguaje corporal (<2años) - hipertonia-miembroasr raogtados 194 lenguaje corporal (<2años) - protege o toca zonloar odsoa 195 escala de oucher 196 escala dibujos faciales 197 clasificacion triage La variable que contiene la respuesta esperada evsa rilable clasificación Triage, su valores podrán ser 0 y 1, con la siguiente intetarpcrióen 1: Alta complejidad y 0: Baja complejidad. 3.2 Recolección de Datos Después de haber establecido las escalas que rsáen upsaara la investigación, se realizó un comparativo entre los criterios que úeavna l las escalas y la información contenida en la historia clínica que se manejap paocire nte en el software que actualmente usa la clínica, se tomaron 20 historias al azaro c momuestra y se pudo determinar que las 51 TESIS DE GRADO GISELA GARCIA GAZABÓN historias clínicas no contienen la información ecsífpicea y detallada que evalúan las escalas, por lo tanto se decidió establecer una ftoor mcuyo contenido está formado por los criterios que evalúa cada escala, de esta formad isseeñ ó el formato “Escalas de Valoración en Pediatría – hospital Infantil Naponl ePóareja”, se observa en el Anexo 1, este formato agrupa las escalas determinadas sloesg údnia gnósticos más presentes en el Departamento de Urgencias y que se usará parae colale cción prospectiva de la información. Este formato fue presentado y aceptado por la Cinoaocridón de Calidad y Epidemiología de la clínica, ya que esta Coordinación debe cur mcopnli la Resolución 1441 de 2013, que resalta “…El prestador cuenta con guías para liansc ipar les patologías que atiende en cada servicio clínico…”, además, como una acció nm edjeora debe “Adaptar y anexar las escalas de riesgos de las 10 patologías más frtecsu ae nla Guía de diligenciamiento de HC”. Para la implementación de este formato en el Daempaerntto de Urgencias de la Clínica, fue necesario hacer una socialización del uso sd eE lsacalas, razón por la cual fue necesario hacer reuniones con los diferentes g rquupeo sconforman el cuerpo médico de la urgencia de la clínica, como son: Pediatras, Rnetseidse, Internos, Rurales y Enfermeras Licenciadas. Como parte de la socialización se ñdói s una guía donde se explica la utilización de cada escala. 52 TESIS DE GRADO GISELA GARCIA GAZABÓN El formato establecido y socializado con el persl omnéadico, se desarrolló dentro del software que maneja la clínica para el manejo moé, doicperativo y financiero, llamado “Dinámica”, y fue habilitado como parte integrdael la Historia Clínica de un paciente, donde se diligencia al ingreso y por cada evolu qciuóen se observe. El formato empezó a operar el 12 de marzo de 20d1e4sd, e ese momento se han observado mejoras en los siguientes aspectos: a. La toma de decisiones tienen más soporte objetuiveo squbjetivo, puesto que las escalas y los scores predicen de manera confial bvleer deadero estado clínico de los pacientes. b. Con las escalas podemos valorar de manera máse netefimciente los resultados clínicos de nuestras intervenciones terapéuticas. c. Las escalas han permitido cumplir la reglamenta c dióenterminada por la Resolución 1441 de 2013. d. Optimización en la clasificación de los pacientenstr ee leve, moderada y graves o críticos. e. En la evaluación y evolución de los pacientes teold poe rsonal del hospital utiliza los mismos parámetros para la evaluación y seguimideen tlo s pacientes. 53 TESIS DE GRADO GISELA GARCIA GAZABÓN f. Permite descubrir la severidad de los casos quper essee ntan y la prestación del servicio de manera más oportuna y eficaz a lose pnatecsi críticos. Además, posteriormente se espera que las escarmlasit apne racionalizar el tratamiento y disminuir los costos. El proceso de recolección de datos culminó el 0 a7g doesto de 2014. 3.3 Análisis de Datos Durante el proceso de recolección de datos se o butnu vtotal de 1,495 formatos de escalas diligenciados, dentro de estas se ideanrtoifnic 561 formatos repetidos (cifra distribuida en varios pacientes), esto obedeces ao blaservaciones que se hacen a los pacientes en lapsos de 24, 12, 10, 8, 5, 3 horpaesn deiendo la gravedad de la enfermedad, esta información es reportada en el sistema der minafcoión soportado con un diligenciamiento de la escala. Al analizar lao rinmfación repetida, se identificaron por paciente, aquella escala que se le aplicó al inog yr easquellas que se aplicaron por cada evolución observada, como esta investigación ensftoác aeda en la clasificación que se le realice al paciente al ingreso para determinare vlae rsidad de la urgencia, se eliminaron aquellos registros que hacían parte de la evolu creiópnortada, dejando solo aquellos aplicados al ingreso, teniendo en cuenta esto,li msein aeron 290 escalas concretando el conjunto de datos con 1205 registros. 54 TESIS DE GRADO GISELA GARCIA GAZABÓN Para el segundo análisis realizado, nos enfocamn olas ideentificación de las variables que se utilizaron durante la recolección de datos sd ec ulaales no se obtuvo muestra, ya que si no aportan información, en el entrenamiento no rtáenn dninguna validez, además, hay que destacar que cuando un niño llega en un estadog eqnueer a signos de alarma, es atendido directamente sin tener que aplicar una clasificna tceióniendo en cuenta el nivel asistencial. Durante este segundo análisis se eliminaron lavsa r5ia1b les que se detallan en la Tabla 4 Tabla 4 Variables eliminadas Descripción de Variables Eliminadas 1 perfusion periferica - pálido, shock 2 respuesta social - irritable, inconsolable 3 llanto - gemidos 4 reaccion a los padres llanto permanente 5 conciencia - no se despierta 6 color - palido, ciatonico o moteado 7 tiraje – severo 8 ventilación - muy disminuida 9 cianosis - cianosis al agitarse 10 cianosis - cianosis en reposo 11 conciencia - alterada 12 entrada de aire en los pulmones - disminucion mleovdee rada 13 verbal - palabras inadecuadas 14 motora - extension anormal 15 respuesta ocular - pupilas fijas y meo* paralizsa do 16 respuesta motora - hipertonia 17 respuesta motora - resp. motora flacidos respuesta motora - actitud que mimetiza decortoicna oc i 18 descerebracion 19 respuesta motora -movimientos estereotipados asntimteu elos 55 TESIS DE GRADO GISELA GARCIA GAZABÓN Descripción de Variables Eliminadas 20 respuesta motora - retirada del miembro estimulado 21 respuesta motora - movimientos debiles y perez osos 22 respuesta motora - movimientos alternantes suaves respuesta ocular - respuesta oculocefalica auys epnutpei las 23 fijas 24 respuesta ocular - respuesta oculocefalica alt erada 25 respuesta ocular - respuesta oculocefalica intacta 26 respuesta ocular - apertura de los ojos al dolor 27 respuesta ocular - apertura espontanea de los ojos respuesta ocular - focaliza y sigue el estimulmo eanl os 30º 28 horizontalmente 29 respiracion y vocalizacion - resp y voc apnea 30 respiracion y vocalizacion - respiracion periodoic at axica 31 respiracion y vocalizacion - respiracion esponata ne 32 respiracion y vocalizacion - mueca 33 respiracion y vocalizacion - gemido o llanto debil 34 respiracion y vocalizacion - llanto de tono nor mal 35 leucemia mieloide aguda 36 leucemia en recaida 37 recaida de tumor solido 38 hipotension arterial 39 menos de 7 dias desde la ultima quimioterapia 40 neuroblastoma etapa iv 41 lla de alto riesgo hipotension (ta sistólica <75 mm hg en <4 años; m<8m0 hg 42 en >4 años) 43 gradiente de tª piel/recto >3ºc o frialdad cutá3n ea 44 ecg <8 o disminucion de >= 3 puntos en 1 hora 45 ausencia de meningismo 46 empeoramiento durante la ultima hora 47 equimosis diseminadas o lesiones crecientes 48 déficit de bases <= -8 mmol/l 56 TESIS DE GRADO GISELA GARCIA GAZABÓN Descripción de Variables Eliminadas 49 clasificacion de asa 50 llanto - no consolable 51 actividad motora espontanea - intensa-incontro lable Por la eliminación de esta variables se observeól imlai nación completa de las escalas: “Coma para Neonatos”, “Escala de Glasgow modifi cpaadraa Sepsis Meningococica”, y “Clasificación de Asa”. La tabla 5 muestra el núom deer veces que se aplicó cada escala. Tabla 5 Número de veces de aplicación de cada elsac a Ítem Escala Cantidad Rochester para pacientes <90 dias (fiebre sin fdoecfoin)e pacientes con 1 bajo riesgo de infección bacteriana 17 2 Criterios de rochester para pacientes >90 dias 12 Yios para pacientes <90 dias (fiebre sin foco) piter midentificar riesgo 3 de enfermedad bacteriana grave 49 Yale para pacientes entre 3-36 meses (fiebre csoin) fpoermite 4 identificar riesgo de enfermedad bacteriana grave 2 6 Wood-downes modificada por ferres (paciente quree isnag con 5 sibilancias - bronquiolitis y no se dispone de ipouxlismetria) 472 Westley (paciente que ingresa con estridor no sspeo dnie de 6 pulsioximetria) 6 Wetsley modificado por mintegui (paciente que insgar ceon estridor y 7 se dispone de pulsioximetria) 23 Indice pulmonar de scarfone (paciente que ingroensa s icbilancias - 8 crisis asmática y se dispone de pulsioximetria) 512 9 Glasgow > 3 años (valoración del nivel de conciae)n ci 27 10 Raimondi - glasgow modificada < 3 años 31 11 Escala de coma para neonatos 0 Santolaya (alto o bajo riesgo de infección bacntear ianvasora en 12 episodios de neutropenia febril) 2 13 Escala de glasgow modificada para sepsis meningicoac oc 0 14 Clasificacion de asa 0 Escalas de evaluación del dolor – fisiológico-cocntudaul (1 mes a 3 15 años) 5 57 TESIS DE GRADO GISELA GARCIA GAZABÓN Ítem Escala Cantidad 16 Escala de los < ay> o de oucher (niños 3 – 12 a ños) 22 17 Escala de dibujos faciales (niños de 5-12 añoso lye ascdentes) 23 Dentro del análisis realizado de las variables ienlaimdas, se llega a la siguiente conclusión: a. Existen variables como “llanto –Gemidos”, ”Conciiean-Nc o despierta”, “Color Pálido, catiónico o moteado”, “Pálido-Shock, que pertene acle gnrupo de YIOS y YALE, que también se pueden encontrar en otras patolocgoíamso dificultad respiratoria, asma, entre otros, además la mayoría de fiebres sin fnooc osson pacientes críticos, es posible que se den por virosis del momento o porque el lifaarm riefiere que el paciente tiene muchos días con esta, es decir, son fiebres csoin pfeoro sin signos de alarma que se ingresan para descartar que la fiebre viene pao rc uanusa que se tenga que hospitalizar, como por ejemplo una infección de vías urinaria eqsu efrecuente en los lactantes. b. Los criterios de Westley como, “Tiraje – SeveroV”,e “ntilación –Muy disminuida”, “Cianosis – al agitarse”, “Cianosis – en reposoC”o, n“ ciencia – alterada”, se eliminan por que no se presentaron pacientes con esteio c reitvearluados por esta escala, para los pacientes que se han presentado cianóticos la cnaou sha estado relacionada con la patología en que se aplica esta escala. Ademaá se secsat la no se aplica en muchos casos porque se dispone pulsioximetría. c. Los criterios de Raimondi y Glasgow que se elimoina rcomo: “Verbal-Palabras inadecuadas”, “Motora-Extensión anormal”, “pupilafsija s y Meoparalizado”, Hipertonia, están relacionados generalmente a nptaecsi eque llegan con compromiso 58 TESIS DE GRADO GISELA GARCIA GAZABÓN cerebral severo para lo que no se presentan m uccahsos y cuando se presentan son tratados inmediatamente. d. La escala de Coma para Neonatos fue eliminada eton tasluidad por no presentarse ningún caso de observación en el tiempo de recioólne cdce datos, esto se debe porque la aplicación de esta escala se presenta genertael,m ceunando se encuentra un trauma craneoencefálico en edades mayores como lactaenstceosl,a res y prescolares. e. La escala de Santolaya también fue eliminada po sreq uoebservó que los pacientes con neutropenia febril son pacientes que llegan coenc aendtentes de procesos tumorales que cursan con un proceso febril y tienen disminucieó nla ds células neutrófilos. Los casos que se presentan, por su condición, pasan direnctaem ae revisión pediátrica. f. Para el caso de la escala de Glasgow modificadaa Speaprsis Meningococica, no se encontraron registros porque la Sepsis Meningoaco ncoic es frecuente, se presentan brotes muy esporádicamente. g. Para los otros casos de variables eliminadas, ocibóe dae la no utilización de los criterios porque no se presentaron casos. Conclusiones Con la identificación de las escalas que se urtáilinz apara la clasificación de pacientes en la urgencia, se determinaron las variables a aurt ilpizara evaluar un paciente según su grado de severidad. El listado inicial de 197 avbalreis fue sometido a dos análisis que permitieron determinar el listado final de las maism, llegando un conjunto de 146 variables, para lo que se tuvo en cuenta la exnpceiari ede médicos y enfermeras en el proceso de eliminación. Dentro de todo este proo cdees utilizar unos criterios que 59 TESIS DE GRADO GISELA GARCIA GAZABÓN permitan medir la severidad de una enfermedad eov olalución del paciente, es muy importante y primordial tener claro que el juicieol dexperto (en este caso el médico) es crucial para tomar una decisión definitiva soeblr e stado de un paciente, para ello, el experto tendrá en cuenta también los antecedeen tbeas sde del paciente, por ejemplo si se presenta una bronquiolitis leve en un prematurote, esse hospitaliza, no por la bronquiolitis sino por su estado de prematuro. bTiaénm influye la parte social como por ejemplo el acceso a los servicios médicos, adeamsá cso lndiciones socioeconómicas que puedan intervenir con la exacerbación de los síansto dmel paciente o con el curso del cuadro clínico, también tendrán en cuenta los cotonsta epidemiológicos. 60 TESIS DE GRADO GISELA GARCIA GAZABÓN 4. ENTRENAMIENTO VALIDACIÓN Y PRUEBAS Una vez obtenido el conjunto de datos apto parcaia irn ei l proceso de escogencia de la técnica de Machine Learning que se usará dpeasrarrollar el Clasificador de pacientes objeto de esta investigación, se reaulniz ót ercer análisis teniendo en cuenta el número de variables y el número de ejemplos retcaodleocs. Nuestro conjunto de datos está formado 146 variables y 1205 observacionems,o csoe observa nuestro conjunto de datos tiene una alta dimensionalidad y esto ima pclicomprometer la eficiencia del clasificador escogido por tener un modelo con uonmap clejidad alta que nos podría llevar a un overfiting, además se debe tener en cuent ap oqru eel número de variables obtenidas, se puede estar corriendo el riesgo de tener aotrsi brutidosos que pueden tener el mismo peso que los atributos relevantes. Como solucióens tea problema se utilizó la técnica Análisis de Componentes Principales que nos peór mreitdi ucir la dimensionalidad del conjunto de datos preservando en lo posible, lat oarliedad de los datos del conjunto original. 61 TESIS DE GRADO GISELA GARCIA GAZABÓN 4.1 Análisis de Componentes Principales Dentro de esta investigación se utilizó el ansá lidsei componentes principales el cual permite reducir la dimensionalidad de un conjunet od adtos, transformando el conjunto de “p” variables originales en otro conjunto de “q” rivaables incorrelacionadas ≤(pq) llamadas componentes principales Para aplicar este análisis en esta investigacei óunt ilsizó una herramienta para el análisis de datos llamada Statgraphics. Como se comentól ceanp íetulo anterior, al finalizar el análisis de los datos se contaba con 146 variayb le1s2 05 observaciones, de estas observaciones, teniendo en cuenta lo recomenda ldao l ietenratura se tomó el 80% para el proceso de entrenamiento y validación, por ellcou seen ta con 964 observaciones para esta etapa, las cuales se tomaron como insumo paraá elils Aisn de Componente Principales. El 20% restante se reservó exclusivamente para pr.u Peabraas el cálculo de los componentes principales se utilizó únicamente el conjunto dter eennamiento, a partir de esto se define la matriz de transformación que posteriormente saeprliácada a los datos de prueba, lo anterior siguiendo las buenas prácticas regist rapdoar sla literatura (Ng, 2010)(Neal, 2014)(Yaser Abu_Mostafa, 2012) con el fin de not acmoninar los datos reservados para prueba. Statgraphic arrojó el siguiente resultaadbol aT 6: Tabla 6 Análisis de Componentes Principales. Porcentaje Componente de Porcentaje Número Eigenvalor Varianza Acumulado 1 8.05286000000000000 0 5.554 5.554 2 7.02350000000000000 0 4.844 10.397 3 6.24211000000000000 0 4.305 14.702 4 5.56084000000000000 0 3.835 18.537 5 5.12935000000000000 0 3.537 22.075 62 TESIS DE GRADO GISELA GARCIA GAZABÓN Porcentaje Componente de Porcentaje Número Eigenvalor Varianza Acumulado 6 4.06456000000000000 0 2.803 24.878 7 3.82346000000000000 0 2.637 27.515 8 3.48503000000000000 0 2.403 29.918 9 3.36363000000000000 0 2.32 32.238 10 3.30760000000000000 0 2.281 34.519 11 3.10964000000000000 0 2.145 36.664 12 3.06194000000000000 0 2.112 38.776 13 3.01704000000000000 0 2.081 40.856 14 3.01315000000000000 0 2.078 42.934 15 2.67532000000000000 0 1.845 44.779 16 2.65858000000000000 0 1.834 46.613 17 2.65164000000000000 0 1.829 48.442 18 2.60634000000000000 0 1.797 50.239 19 2.36731000000000000 0 1.633 51.872 20 2.22596000000000000 0 1.535 53.407 21 2.21191000000000000 0 1.525 54.932 22 2.16676000000000000 0 1.494 56.427 23 1.99523000000000000 0 1.376 57.803 24 1.88131000000000000 0 1.297 59.1 25 1.86356000000000000 0 1.285 60.385 26 1.73544000000000000 0 1.197 61.582 27 1.69571000000000000 0 1.169 62.752 28 1.67658000000000000 0 1.156 63.908 29 1.60352000000000000 0 1.106 65.014 30 1.54894000000000000 0 1.068 66.082 31 1.48215000000000000 0 1.022 67.104 32 1.46784000000000000 0 1.012 68.116 33 1.43488000000000000 0 0.99 69.106 34 1.35993000000000000 0 0.938 70.044 35 1.34952000000000000 0 0.931 70.975 36 1.31182000000000000 0 0.905 71.879 37 1.25232000000000000 0 0.864 72.743 38 1.22943000000000000 0 0.848 73.591 39 1.19895000000000000 0 0.827 74.418 40 1.19394000000000000 0 0.823 75.241 41 1.16168000000000000 0 0.801 76.042 42 1.08736000000000000 0 0.75 76.792 43 1.07340000000000000 0 0.74 77.532 44 1.06177000000000000 0 0.732 78.265 45 1.05127000000000000 0 0.725 78.99 63 TESIS DE GRADO GISELA GARCIA GAZABÓN Porcentaje Componente de Porcentaje Número Eigenvalor Varianza Acumulado 46 1.02576000000000000 0 0.707 79.697 47 1.02269000000000000 0 0.705 80.402 48 1.00900000000000000 0 0.696 81.098 49 0.98653600000000000 0 0.68 81.779 50 0.97123300000000000 0 0.67 82.448 51 0.95930300000000000 0 0.662 83.11 52 0.94256600000000000 0 0.65 83.76 53 0.93747300000000000 0 0.647 84.407 54 0.89441000000000000 0 0.617 85.023 55 0.87422400000000000 0 0.603 85.626 56 0.85243900000000000 0 0.588 86.214 57 0.84368800000000000 0 0.582 86.796 58 0.83738200000000000 0 0.578 87.374 59 0.82311000000000000 0 0.568 87.941 60 0.80990400000000000 0 0.559 88.5 61 0.79574400000000000 0 0.549 89.049 62 0.78678900000000000 0 0.543 89.591 63 0.76296700000000000 0 0.526 90.117 64 0.76007300000000000 0 0.524 90.642 65 0.75102600000000000 0 0.518 91.16 66 0.69572900000000000 0 0.48 91.639 67 0.68264500000000000 0 0.471 92.11 68 0.67331600000000000 0 0.464 92.575 69 0.64767200000000000 0 0.447 93.021 70 0.62172200000000000 0 0.429 93.45 71 0.61418700000000000 0 0.424 93.874 72 0.58153900000000000 0 0.401 94.275 73 0.57008000000000000 0 0.393 94.668 74 0.54609000000000000 0 0.377 95.044 75 0.52967100000000000 0 0.365 95.41 76 0.50996800000000000 0 0.352 95.761 77 0.48886800000000000 0 0.337 96.099 78 0.46662000000000000 0 0.322 96.42 79 0.45163600000000000 0 0.311 96.732 80 0.42878000000000000 0 0.296 97.028 81 0.39911200000000000 0 0.275 97.303 82 0.37204300000000000 0 0.257 97.559 83 0.34972700000000000 0 0.241 97.801 84 0.34271300000000000 0 0.236 98.037 85 0.32839200000000000 0 0.226 98.263 64 TESIS DE GRADO GISELA GARCIA GAZABÓN Porcentaje Componente de Porcentaje Número Eigenvalor Varianza Acumulado 86 0.30386200000000000 0 0.21 98.473 87 0.27263900000000000 0 0.188 98.661 88 0.25049900000000000 0 0.173 98.834 89 0.22477500000000000 0 0.155 98.989 90 0.20269800000000000 0 0.14 99.129 91 0.16512600000000000 0 0.114 99.242 92 0.16261200000000000 0 0.112 99.355 93 0.13682600000000000 0 0.094 99.449 94 0.10484400000000000 0 0.072 99.521 95 0.09482550000000000 0 0.065 99.587 96 0.08179310000000000 0 0.056 99.643 97 0.06456680000000000 0 0.045 99.688 98 0.06087670000000000 0 0.042 99.73 99 0.05795360000000000 0 0.04 99.769 100 0.05714750000000000 0 0.039 99.809 101 0.03307840000000000 0 0.023 99.832 102 0.03196400000000000 0 0.022 99.854 103 0.02978400000000000 0 0.021 99.874 104 0.02442030000000000 0 0.017 99.891 105 0.02339050000000000 0 0.016 99.907 106 0.02232940000000000 0 0.015 99.923 107 0.02158040000000000 0 0.015 99.938 108 0.02099580000000000 0 0.014 99.952 109 0.01790990000000000 0 0.012 99.964 110 0.01529160000000000 0 0.011 99.975 111 0.01370620000000000 0 0.009 99.984 112 0.01284950000000000 0 0.009 99.993 113 0.00621187000000000 0 0.004 99.998 114 0.00357851000000000 0 0.002 100 115 0.00000000000002040 4 0 100 116 0.00000000000001255 5 0 100 117 0.00000000000000931 9 0 100 118 0.00000000000000606 8 0 100 119 0.00000000000000287 8 0 100 120 0.00000000000000078 3 0 100 121 0.00000000000000065 3 0 100 122 0.00000000000000040 7 0 100 123 0.00000000000000036 0 0 100 124 0.00000000000000031 3 0 100 125 0.00000000000000018 0 0 100 65 TESIS DE GRADO GISELA GARCIA GAZABÓN Porcentaje Componente de Porcentaje Número Eigenvalor Varianza Acumulado 126 0.00000000000000011 3 0 100 127 0.00000000000000007 6 0 100 128 0.00000000000000004 7 0 100 129 0.00000000000000000 7 0 100 130 0.00000000000000000 0 0 100 131 0.00000000000000000 0 0 100 132 0.00000000000000000 0 0 100 133 0.00000000000000000 0 0 100 134 0.00000000000000000 0 0 100 135 0.00000000000000000 0 0 100 136 0.00000000000000000 0 0 100 137 0.00000000000000000 0 0 100 138 0.00000000000000000 0 0 100 139 0.00000000000000000 0 0 100 140 0.00000000000000000 0 0 100 141 0.00000000000000000 0 0 100 142 0.00000000000000000 0 0 100 143 0.00000000000000000 0 0 100 144 0.00000000000000000 0 0 100 145 0.00000000000000000 0 0 100 En la tabla 6 se observan los valores propios dea cuano de los 145 componentes, así como su correspondiente porcentaje de varianza pyo reclentaje acumulado de esta, además se evidencia, para este caso, los 145 coemntpeos nque en conjunto explican el 100% de la variabilidad de los datos originalCeso.m o el propósito del análisis es obtener un número reducido de los componentes que expl iqlau emnayor variabilidad posible de los datos, se decidió tener en cuenta apartes idsousg eern la literatura para determinar dicho número de componentes: a. Aquellos cuyo valor propio estuviera sobre o igau a1l, con esto se pueden obtener 48 componentes que tienen el 81.098% de la variabdi liedxaplicada de los datos, el 66 TESIS DE GRADO GISELA GARCIA GAZABÓN gráfico 3 muestra este comportamiento. En estfeic og ráse puede observar que la curva empieza a descender más pronunciadameannted oc uen el eje de las “Y” se obtienen valores por debajo de “1”. Verificandot oe scon la tabla 6 se pudo determinar el número de componentes que se debnenr eten cuenta, el cual es visualizado en el eje de las “X” del gráfico 3. Gráfico 3 Gráfico de Sedimentación Componentes Vs Eigenvalor b. Teniendo en cuenta el 85.023% de la variabilidapdli ceaxda, para lo que se obtienen 54 componentes. c. Teniendo en cuenta el 95 % de la variabilidad ecxapdlai donde se obtienen 74 componentes. Se escogen hasta estos valores de varianza acduam, uinladicados en los ítems a, b y c porque se observa que el aporte de cada compo ndeenstpeu, és del número indicado en cada uno de ellos y expresado en términos del nptoarjcee de varianza, no es mucho, como lo muestra la gráfica 4 donde se observa en e“Yl e” jel porcentaje de varianza y en el eje 67 TESIS DE GRADO GISELA GARCIA GAZABÓN “X” el número de componentes, nótese como la cuvrav ad escendiendo a medida que aumenta el número de componentes y disminuye ilan vzaar.. Teniendo en cuenta el número de componentes obot eenni dcada uno de los análisis realizados, se decidió armar tres conjunto de dpaatortsiendo del resultado de cada uno de ellos, es decir, un primer conjunto con 48 compotense, nun segundo conjunto con 54 componentes y un tercer conjunto con 74 compon.e ntes Gráfico 4 Grafico de Sedimentación Componentes Vs Porcentaje de Varianza De este análisis, también se obtuvo los vectoroepsi ops, que se usarán como punto de partida para la etapa de prueba donde serán codmobsi ncaon el conjunto de datos reservados para dicha etapa (el 20% de todo eul nctoon dj e datos originales) para sacar el conjunto datos final con que se probará el claasdifoicr seleccionado. Statgraphics también facilita la matriz de compotense ncon los correspondientes valores normalizados para cada observación original qutee nsíea (el conjunto de datos de 964 68 TESIS DE GRADO GISELA GARCIA GAZABÓN observaciones), esto sirvió como insumo paraa irn iecli proceso de selección de la técnica de machine Learning a utilizar, dentro de la cu, acleosmo ya lo mencionamos, usaremos: Regresión Logística, Maquinas de soporte vectoy rRiael des Neuronales. 4.2 Evaluación de Técnicas. Las técnicas escogidas para esta investigación M sáoqnuinas de soporte vectorial, Regresión Logística y Redes Neuronales. Paraz arer alali evaluación de las técnicas se utilizaron los conjuntos de datos provenientes adneáll isis de componentes, es decir se utilizó la matriz de componentes con sus respesc tvivaolores normalizados, este conjunto está compuesto por 964 observaciones con dos cidlaesnetisficadas: 1. Alta complejidad y 0. Baja complejidad o cuidados mínimos. Para la evaluación de las técnicas se utilizó oegl rparma Orange 2.7, el cual utiliza las librerías de Python para el análisis de datos. pLaorsá metros indicados para cada una de las técnicas, fueron obtenidos experimentalmenstea dboas en aquellas observaciones con mejores resultados, donde se tomó como referenacria cpompararlas, las métricas especificadas al final de este capítulo para evr alalusa técnicas. Al iniciar el proceso de asignación de parámetros se escogieron valores e pl anrúamero de neuronas en la capa oculta entre 5 y 90, con factor de regularizacdióen 0 .9 a 0,3 obteniendo un F1 entre 82% y 83%. Para las máquinas de soporte vectorial icsieó ienxperimentado con un polinomio de grado 1 donde se observó un F1 82%, posternioterm ceon la función de base radial se iniciaron pruebas con el parámetro “g” entre 0. 001. 0y08, y el parámetro “C” entre 0.9 y 69 TESIS DE GRADO GISELA GARCIA GAZABÓN 0.3, obteniendo valores de F1 entre 80,13% 81,0. 2 E8s%tos valores no se incluyen en las tablas, como se había mencionado, solo se tabu laqrounellos donde se observaron mejores resultados de las métricas dentro de céacdnaic at . En las siguientes secciones se presentan estas observaciones. 4.2.1 Máquina de Soporte Vectorial Para las máquinas de soporte vectorial se hiciperruoenb as con diferentes tipos de kernel: Polinomial  ∗ +  Para este análisis se utilizaron los diferenteosr evas:l a. g=0.0068; c=0.1; d=2 S MV Type C-SVM : cost (C)=1.90 b. g=0.00500; c0 0.1; d=3S M V Type C-SVM : cost (C)=0.80 Función de base radial  −| − | a. g=0.007 S MV Type C-SVM : cost (C)=0.60 b. g=0.006 S MV Type C-SVM : cost (C)=0.60 c. g=0.004 S MV Type C-SVM : cost (C)=0.30 70 TESIS DE GRADO GISELA GARCIA GAZABÓN Sigmoide tanh(g x*y + c) a. g=0.004, c=0.1 SMV Type C-SVM : cost (C)=0.30 4.2.2 Redes Neuronales (Perceptron Multicapa) a. Neuronas en la capa oculta= 100; factor de reigzualcaiór n=0.5, iteraciones= 1000 b. Neuronas en la capa oculta= 150; factor de regzualcairóin=0.2; iteraciones=1000 c. Neuronas en la capa oculta= 250; factor de reigzualcaiór n=0.3; iteraciones=1000 d. Neuronas en la capa oculta= 250; factor de reigzualcaiór n=0.6; iteraciones=1000 e. Neuronas en la capa oculta= 250; factor de reigzualcaiór n=0.1; iteraciones=1000 4.2.3 Regresión Logística a. Costo de error de entrenamiento= 0.60 b. Costo de error de entrenamiento= 0.80 c. Costo de error de entrenamiento= 0.40 d. Costo de error de entrenamiento= 0.20 e. Costo de error de entrenamiento= 0.05 f. Costo de error de entrenamiento= 0.01 71 TESIS DE GRADO GISELA GARCIA GAZABÓN Dentro del proceso de evaluación de las técnica su tisliezó la validación cruzada conocida como K-fold Cross Validation, que cones eisnt dividir el conjunto de ejemplos de que se dispone, en k conjuntos disjuntos del itgaumaaño T1…Tk, (para esta investigación se utilizó un k de 10). Se realikza enx perimentos, usando como conjunto de entrenamiento la iteración i-ésimaj#i TUj y como conjunto de testi . T Cada algoritmo da lugar a una muestra de k estimaciones del eyr rlaosr, diferencias entre dos algoritmos se juzgan mediante un contraste acerca de lase ndcifiears entre las medias o las medianas del error muestral. Para cada una de las técnicas en cada una de uleabs asp r realizadas (variando los parámetros) se obtuvo la correspondiente matriczo dnefu sión partiendo de los parámetros mostrados en la tabla 11, donde, teniendo en c uqeunet ala clase positiva es la clase cuyo valor tomamos como “1”: Clasificación para alta cpolemjidad” y la clase negativa es la “0”: Clasificación para baja complejidad o cuida dmosínimos y además utilizando las ecuaciones que se muestran a continuación, sel acraolnc ula métricas para evaluar las técnicas utilizadas. Estas métricas fueron: Piróenc,i sRecall y valor-F. Precisión ∗ Recall F1 = 2 ∗ %&'()*)ó + +'(,-- 72 TESIS DE GRADO GISELA GARCIA GAZABÓN Tabla 7 Matriz de Confusión Predicción/Real Positiva Negativa Positiva VP FP Negativa FN VN Donde, VP: verdaderos positivos, VN: verdaderosa tniveogs, FP: falsos positivos, FN: falsos negativos. Como se mencionó en el análisis de componentecsi parilnes, se realizaron pruebas sobre tres conjuntos de datos, con 48, 54 y 74 composn ernestepectivamente, a continuación se muestran todos los valores obtenidos por cada nctoon jude datos, aplicando los parámetros mencionados en cada una de las téc nicas: Valores obtenidos para el conjunto de datos con 4c8o mponentes principales: Pruebas con Maquina de Soporte Vectorial a. Polinomial,  ∗ +  g c d Cost Precision Recall F 1 0.0068 0.1 2 1.9 0.88690476 0.76410256 0.82093664 0.0050 0.1 3 0.8 0.90259740 0.35641026 0.51102941 b. Función de base radial,  −| − | g Cost Precision Recall F1 0.007 0.6 0.83109920 0.79487179 0.81258191 73 TESIS DE GRADO GISELA GARCIA GAZABÓN g Cost Precision Recall F1 0.006 0.6 0.82573727 0.78974359 0.80733945 0.004 0.3 0.83289125 0.80512821 0.81877445 c. Sigmoide, tanh(g x*y + c) g c Cost Precision Recall F 1 0.004 0.1 0.3 0.83289125 0.80512821 0.81877445 Pruebas con Redes Neuronales - Perceptron Multica pa Neuronas en la Factor de Precision Recall F 1 Capa Oculta Regularización 100 0.5 0.84391534 0.81794872 0.83072917 150 0.2 0.83589744 0.83589744 0.83589744 250 0.3 0.82531646 0.83589744 0.83057325 250 0.6 0.83727034 0.81794872 0.82749676 250 0.1 0.83505155 0.83076923 0.83290488 Pruebas con Regresión Logística Costo de error de Precision Recall F1 entrenamiento 0.6 0.802 0.769 0.785 0.8 0.802 0.769 0.785 0.4 0.802 0.769 0.785 0.2 0.803 0.772 0.790 0.5 0.800 0.780 0.790 0.1 0.800 0.790 0.800 74 TESIS DE GRADO GISELA GARCIA GAZABÓN Valores obtenidos para el conjunto de datos con 5c4o mponentes principales Pruebas con Maquinas de Soporte Vectorial a. Polinomial,  ∗ +  g C d Cost Precision Recall F 1 0.0068 0.1 2 1.9 0.892537313 0.766666667 0.824827586 0.0050 0.1 3 0.8 0.903474903 0.600000000 0.721109399 b. Función de base radial,  −| − | g Cost Precision Recall F 1 0.007 0.6 0.84468665 0.79487179 0.81902246 0.006 0.6 0.83923706 0.78974359 0.81373844 0.004 0.3 0.82849604 0.80512821 0.81664499 Pruebas con Redes Neuronales (Perceptron Multicapa) Neuronas en la Factor de Precision Recall F 1 Capa Oculta Regularización 100 0.5 0.83376623 0.82307692 0.8283871 150 0.2 0.84196891 0.83333333 0.83762887 250 0.3 0.8372093 0.83076923 0.83397683 250 0.6 0.83905013 0.81538462 0.82704811 250 0.1 0.85602094 0.83846154 0.84715026 75 TESIS DE GRADO GISELA GARCIA GAZABÓN Pruebas con Regresión Logística Costo de error de Precision Recall F1 entrenamiento 0.6 0.806 0.767 0.786 0.8 0.804 0.767 0.785 0.4 0.804 0.767 0.785 0.2 0.802 0.767 0.784 0.5 0.809 0.779 0.794 0.1 0.805 0.795 0.800 Valores obtenidos para el conjunto de datos con 7c4o mponentes principales Pruebas con Máquinas de Soporte Vectorial a. Polinomial,  ∗ +  g c D Cost Precision Recall F 1 0.0068 0.1 2 1.9 0.87755102 0.77179487 0.82128240 0.0050 0.1 3 0.8 0.91071429 0.39230769 0.5483871 b. Función de base radial,  −| − | g Cost Precision Recall F 0.007 0.6 0.84139785 0.8025641 0.82152231 0.006 0.6 0.84182306 0.80512821 0.82306684 0.004 0.3 0.83113456 0.80769231 0.81924577 c. Sigmoide, tanh(g x*y + c) g c Cost Precision Recall F 1 0.004 0.1 0.3 0.83113456 0.80769231 0.81924577 76 TESIS DE GRADO GISELA GARCIA GAZABÓN Pruebas con Redes Neuronales (Perceptron Multicapa) Neuronas en la Factor de Precision Recall F 1 Capa Oculta Regularización 100 0.5 0.82828283 0.84102564 0.8346056 150 0.2 0.84061697 0.83846154 0.83953787 250 0.3 0.84050633 0.85128205 0.84585987 250 0.6 0.83678756 0.82820513 0.83247423 250 0.1 0.85051546 0.84615385 0.84832905 Pruebas con Regresión Logística Costo de error de Precision Recall F 1 entrenamiento 0.6 0.842 0.792 0.816 0.8 0.842 0.792 0.816 0.4 0.844 0.790 0.816 0.2 0.840 0.792 0.815 0.5 0.838 0.795 0.816 0.1 0.823 0.810 0.817 Los mejores resultados de las métricas obteniodra csa pda una de las técnicas aplicadas y sobre el conjunto de 74 componentes se muestcroant ian uación, así como el gráfico 5 Análisis ROC . • Redes Neuronales Tabla 8 Métricas para Redes Neuronales Precision Recall F 1 0.851 0.846 0.848 77 TESIS DE GRADO GISELA GARCIA GAZABÓN • Máquinas de Soporte Vectorial Tabla 9 Métricas para Maquinas de Soporte Vectoria l Precision Recall F 1 0.831 0.808 0.819 • Regresión Logística Tabla 10 Métricas para Regresión Logística Precision Recall F 1 0.823 0.810 0.817 Gráfico 5 Análisis ROC Conclusión 78 TESIS DE GRADO GISELA GARCIA GAZABÓN Inicialmente se utilizó el análisis de componentpersin cipales para reducir la dimensionalidad del conjunto de datos destinadao epnatrrenamiento. Para el proceso de entrenamiento y validación se aplicaron difere nttéecsnicas de machine Learning asignando diferentes valores de parámetros en ucnaad ad e ellas, luego se evaluó su desempeño utilizando las medidas precisión, reyc aFl1l . El mejor F1 con un 85% se obtuvo con las Redes Neuronales con 250 neuron asla ecnapa oculta, factor de regularización=0.1 y 1000 iteraciones aplicadocso anlj unto de datos con 74 componentes principales. También se tuvo en cuenta al análisis ROC, mos terand eol gráfico 5, en este se observa un desplazamiento de la cuerva hacia arriba y ha clia izquierda, tendiendo a una probabilidad de clasificación correcta del 85% claosn redes neuronales, el cual fue el clasificador que muestra mayor área bajo la c urva. 4.3 Pruebas Para la fase de pruebas utilizamos el conjuntod adtoes predeterminado para ello, este conjunto corresponde al 20% de los datoso dnejul ncto original, el cual contiene 241 observaciones y 146 variables. Las variables q utuev si eron en cuenta fueron las mismas variables identificadas en la recolección de day tloass utilizadas en el proceso de análisis de componentes. 79 TESIS DE GRADO GISELA GARCIA GAZABÓN Antes de iniciar el proceso de prueba con la téac ensiccogida y con el objetivo de tener el conjunto de datos reservado para este fin con ilsams ams condiciones con que se obtuvo el conjunto de datos para entrenamiento y validacsióen ,t ransformaron los datos para obtener 74 componentes principales (número de cnoemnpteos principales obtenidos al aplicar análisis de componentes principales solb creo nejunto de entrenamiento explicado en la sección 4.1). La transformación consisti ón oernmalizar el conjunto de datos de prueba y luego multiplicarlo por la matriz de pe s(omsatriz formada por los 74 componentes escogidos como columnas y 146 filarse scpoorndientes a las variables del conjunto original) obtenida en el análisis de conmepnotes realizado sobre el conjunto de entrenamiento, el resultado de estas operacionee su nfu conjunto de pruebas con 74 componentes principales y 241 observaciones. Teniendo en cuenta que la técnica escogida fued l an eruronal, Perceptron Multicapa, se inició el proceso de prueba utilizando los datols cdoenjunto de datos de prueba. Los valores de las métricas obtenidos se muestran teanb lla 11, done se observa un F1 de 84% muy parecido al resultado obtenido en la edtaep ean trenamiento y validación. Tabla 11 Métricas para las Redes Neuronales con loDsatos de Prueba Precision Recall F1 0.89 0.81 0.84 Los valores obtenidos en las métricas para la c1la, sgeeneran resultados satisfactorios, F1= 84% , 89% en precision y un recall de 81%. 80 TESIS DE GRADO GISELA GARCIA GAZABÓN 5. CONCLUSIONES Y TRABAJOS FUTUROS 5.1 Conclusiones La clasificación de las urgencias en las clínicdaes l a ciudad es un problema que va en aumento, pero como se ha demostrado duranetes aerlr odllo de esta investigación desde diferentes perspectivas, podemos aportar solusc iotennedientes a la mejora continua del proceso de clasificación para el ingreso de losi epnatecs en un Departamento de Urgencias. Dentro del proceso de división de la sala de urigae ndce la Clínica en dos áreas fundamentales, en área de cuidados mínimos y áer eaalt ad complejidad, la construcción del formato “Escalas de Valoración en Pediatría ”e le spilar que ayudará a Pediatras, Residentes, Internos, Rurales y Enfermeras Licednacsi,a a optimizar la valoración realizada a sus pacientes, aspecto fundamentaeln tdeon ien cuenta que los pacientes tratados son niños y que la gran mayoría no alc a nezxapresar lo que realmente sienten, además, ayudará a mantener un criterio objetivnotr od edel cuerpo médico. Si bien es cierto que las escalas de valoracióniá tpriecda nos ayudaron a identificar las variables a utilizar en esta investigación, tam bsieé ndebe tener en cuenta que el Hospital Napoleón Franco Pareja – “Casa del Niño”, es unad afcuión que cobija a los niños de la clase más necesitada de Cartagena, y por ellotse ne xmisuchas otras variables que afectan e influyen actualmente sobre la decisión que toumn am édico, de hospitalizar o no un 81 TESIS DE GRADO GISELA GARCIA GAZABÓN paciente, por ello en trabajos futuros se de bhearcáe r un estudio preliminar, que permita identificar todas estas variables y adicionarla slo sa procesos ejecutados en esta investigación, lo que ayudará a mejorar los redsouslt.a Además de la identificación de otras variables también se notó durante la invaecsitóign, la escases de observaciones para la clase 1: alta complejidad, así como la poca n ya legunos casos nula, recolección de datos para algunas variables, las cuales fuerolna daansu de la investigación, esto se debió al poco tiempo de recolección de datos, ya queq uaeu nfue una recolección prospectiva, hay enfermedades como Sepsis Meningococica, duee l ap uqeden presentarse uno o dos casos en el año. También se detectó la anulaci óvna rdiaebles, porque por su severidad cuando un niño la presenta, se trata como alta lceojimdapd sin tener que pasar por un proceso de clasificación. El inicio de este troa beanj el departamento de urgencias puede ser considerado la primera fase de muchas invaecsiotinges que de seguro se adelantarán para reforzar este Departamento, por ello, en jtoras bfuaturos se debe aumentar el número de observaciones para la clase 1, actividad fáec icl odnseguir, porque el formato que se estableció para la recolección de datos, hace pdaerl tperocedimiento de clasificación de pacientes en el Hospital. Un aspecto para destacar, fue la utilización dáeli sains de componentes principales, que permitió disminuir de 145 variables a 74 componse nptreincipales, esto permitió disminuir la dimensionalidad del conjunto de datos sin poenne rr iesgo los resultados esperados, además utilizando todos los criterios identifica d poasra evaluar el nivel asistencia de un paciente en la Urgencia. 82 TESIS DE GRADO GISELA GARCIA GAZABÓN Durante el desarrollo de esta investigación sei zraeraoln pruebas con varias técnicas, como son, Regresión Logística, Maquinas de SopVoertcet orial y Redes Neuronales, durante las pruebas se notó siempre que los ma yvoarleosres de la métricas fueron obtenidas por las redes neuronales, luego le sne glausía máquinas de soporte vectorial y por último la regresión logística. Cabe resaltaure, qlas máquinas de soporte vectorial superaron a la Regresión logística solo con la iófunn pcolinomial hasta grado 3, después de este grado, se obtuvieron resultados pocosf ascatotirsios, también sucedió con la función de base radial, aunque con esta últimaa l csaen zaron mejor resultados pero no llegaron a superar a la función polinomial de g ra3d. o Además se observó que los resultados de validación y pruebas están muy ncoesrc, ano hay evidencia de overfitting. Es claro que el conocimiento y la formación dem uénd ico es el eje fundamental para un diagnóstico, pero como hemos visto en las invecsitoignaes mencionadas en el estado del arte y en el capítulo “Generalidades”, el uso ahmerier ntas que involucren técnicas de Machine Learning en el campo de la medicina hano dmaudy buenos resultados, y como se observó en el desarrollo de esta investigaclaiósn r, edes neuronales hacen un aporte importante a la hora de utilizar estas herramie netna sla toma de decisiones, aunque también pueden ser considerada una herramienta e pl aernatrenamiento de Residentes e Internos, cuya rotación en el Hospital es altao, easytudará en la reducción del tiempo de espera de los paciente por una atención debidoa ab uenna clasificación, y agilizará la curva de aprendizaje al vincular a Residentest eer nions dentro del Departamento de Urgencias de la clínica. 83 TESIS DE GRADO GISELA GARCIA GAZABÓN 5.2 Trabajos Futuros Para que los trabajos futuros en esta área tenng apno urte significativo al trabajo ya realizado a partir de esta investigación, se desbeegnu ir aplicando esfuerzos para obtener datos con calidad dentro de la historia clínicac addea paciente, para ello se debe contar con que el médico tenga en cuenta la importanc iala dienformación relacionada con aspectos socio-económicos y con los criterios ccolísn idefinidos como base para la clasificación a realizar. Se debe seguir ampliando el formato construidoc, a“Elas de Valoración en Pediatría” para que abarque un mayor porcentaje, los diagnóstiecaolsiz ardos en Urgencias y establecer procesos de auditoria dirigidos por el Departam ednet oCalidad del Hospital Napoleón Franco Pareja – “Casa del Niño”, que permitan fivceari y a la vez garantizar la confiabilidad de la información en el proceso dleig edni ciamiento del formato. También sería interesante proponer en trabajosr ofsu tuque en estos apliquen la metodología utilizada en esta investigación par ac olnastrucción de herramientas que incluyan técnicas de Machine Learning que apoy eimn plalementación y uso del enfoque Fast Track para mejorar la atención en la urge nAcidae. más, partir del formato establecido, obtener un conjunto de datos más egsra nqdue incluyan las variables que se eliminaron por falta de muestra y sobre todo qu aem spelíen las muestras de la clase “1” esto mejoraría el proceso de entrenamiento de élcansi ctas y se obtendrían mejores 84 TESIS DE GRADO GISELA GARCIA GAZABÓN resultados, volver a aplicar las técnicas MachLienaer ning escogidas en esta investigación y adicionar otras, a fin de obtener mejores rtaedsuols. Por último se debe considerar ampliar el formataob elescido para la recolección de datos incluyendo aquellas variables socioeconómicas qaufec tan la decisión de hospitalización de un paciente e incluir otras leasc apara que abarquen en un mayor porcentaje, los diagnósticos realizados en Urges.n cia 85 TESIS DE GRADO GISELA GARCIA GAZABÓN REFERENCIAS A. Tristancho Garzón, E. Pino de Moya, M. Herrera Carranza, F. Caballero García, F. J. Martínez Marcos,. (2001). Área de Cuidados Mínimos. Un complemento. emergencias(13), 320- 324. Adolfo González, M. A. (2000). Redes neuronales para identificación y predicción de series de tiempo. Revista del Centro de Investigación. Universidad La Salle, 4(14), 45-65. Agustin, S. D. (2003). Aplicaciòn de las Redes Neuronales Artificiales a la Predicción del Resultado a Corto, Medio y Largo Plazo del Transplante Renal Pediátrico. Cibernetia - Tesis Doctoral - Facultad de medecicina i Odontologia. Belén Guadalupe Barboza, P. F. (2007). Fiebre si foco en niños de 0-36 meses. Revista de Posgrado de la VIa Cátedra de Medicina.(173). Beltrán, R. (2008). Complejidad de Modelos: Sesgo y Varianza. Bohada, M. J. (2011). Modelado de Conocimiento en la Asistencia Médica. Revista Colombiana de, Volumen 2(-Número 18), 102-109. Campuzano, A. C. (2004). Bronquiolitis. Pediatr Integral, VIII(1), 4956. Claudia X. Mazo*, O. F. (2010). PESPAD: una nueva herramienta para la predicción de la estructura secundaria de la proteína basada en árboles de decisión. Ingeniería y Competitividad, , 12(2), 9-22. Concha, M. F. (2012). Hybrid Support Vector Machines to Classify Traffic Accidents in the Región Metropolitana de Santiago. Journal of Technological Possibilism, 43-57. 86 TESIS DE GRADO GISELA GARCIA GAZABÓN Contrara, E. O. (2011). Implementación de una Red Neuronal para la Detección de eventos de Apneas-Bradicardias en Neonatos. Maestría en ingenieria Biomédica - Universidad Simón Bolívar. Cubas, S. V. (2010). Tesis Doctoral: Arquitectura de Busqueda Basada en Tecnicas Soft Computing para la Resolucion de Problemas Combinatorios en Diferentes Dominios de Aplicacion. Valencia. De la Hoz Manotas, A. K.-P.-P. (2013). Técnicas de ML en medicina cardiovascular. Memorias. Desarrollo Humano, 11(20), 41-46. DíazVazquez. (2004). Mesa Redonda: Actualización en Urgencias de Pediatría. BOLETÍN DE LA SOCIEDAD DE PEDIATRÍA DE ASTURIAS, CANTABRIA, CASTILLA Y LEÓN, 44(188). F. del Campo Matías, J. d. (2008). APLICACIÓN DE UNA RED NEURONAL A LAS SEÑALES DE SATURACIÓN DE OXÍGENO Y DEL TIEMPO DE TRÁNSITO DE PULSO COMO AYUDA DIAGNÓSTICA EN EL SÍNDROME DE APNEA DEL SUEÑO. XLI CONGRESO NACIONAL DE LA SEPAR, 44, 177 - 216. F. Malmierca Sánchez, J. P. (2008). Curso de Formación Continuada en Dolor en Pediatría. Fernández, D. Y. (2009). Valoración y tratamiento del dolor en Urgencias de Pediatría. Barcelona: Hospital Sant Joan de Déu (Barcelona). Fernández, J. M. (2003). Boosting Con Redes Neuronales RBF. Análisis Sesgo - Varianza en un problema de Clasificación. VI Congreso Galego de Estatística e Investigación de Operacións. Universidad de Vigo. 87 TESIS DE GRADO GISELA GARCIA GAZABÓN Freitas, D. A. (2002). Data Mining and Knowledge Discovery With Evolutionary alghorithms. En D. A. Freitas. Springer. García, M. M. (2007). Capítulo 6 Modelos de Estimación Software basado en técnicas de Aprendizaje Automático. En I. R. Javier Tuya, Tecnicas Cuantitativa para la Gestión en la ingenieria del software. Netbiblo. Gerard FitzGerald, George A Jelinek, Deborah Scott, Marie Frances Gerdtz. (2009). Emergency department triage revisited. Emerg Med J. Homero Rendón-García, G. C.-E.-A. (2013). Criterios de Alto Riesgo en Neutropenia Febril de Niños con Leucemia Aguda Linfoblástica. 30(1), 2-7. Hugo A. Fajardo Rodrìguez, J. Q. (2005). Escalas de Predicción e Infección de Sitio Quirúrgico en 15 625 Cirugías 2001-2003. Rev. Salud pública., 7, 89 -98. Hugo Galán Asensio, A. M. (s.f.). Inteligencia artificial. Redes neuronales y Aplicaciones. Madrid. Hugo Paganini, M. E. (2011). Diagnóstico y tratamiento de la neutropenia febril en niños con cáncer. Revista Chilena de Infectología Pediátrica(20), 10-38. J Considine, M. K. (2008). Effect of emergency department fast track on emergency department length of stay: a case–control study. Emerg Med J, 25(12). J. J. Aguilera, M. D. (s.f.). http://sci2s.ugr.es/keel/pdf/keel/congreso/agu03_maeb03.pdf. (Ministerio de) Obtenido de http://sci2s.ugr.es/keel/pdf/keel/congreso/agu03_maeb03.pdf J.A. Soult Rubio, J. L. (2006). Síndrome febril sin focalidad, Unidad de Cuidados Intensivos Pediátricos, Hospital Infantil Virgen del Rocío. Sevilla. Pediatr Integral, X(4), 255 - 262. 88 TESIS DE GRADO GISELA GARCIA GAZABÓN Jordan Peck, Stephan Gaehde, James Benneyan. (2011). Using Prection to Improve Patiente Flow in a Healt Care Delivery Chain. Obtenido de DsPace @Mit: http://hdl.handle.net/1721.1/84017 Jorge Pérez Matera, M. (2012). Neutropenia febril en pediatría. Precop SCP, 12(3), 33-45. José Cristóbal Buñuel Álvarez, A. E.-L. (2013). Guía de Práctica Clínica sobre el Manejo de la Enfermedad Meningocócica Invasiva. Ministerio de Sanidad, Servicios Sociales e Igualdad. José Otero, L. S. (s.f.). Diseños experimentales y tests estadísticos, tendencias actuales en Machine Learning. Juan Casado flores, A. S. (1997). Coma en Pediatria diagnóstico y tratamiento. Madird - España: Dias de Santos S.A. Judith W Dexheimera, L. E. (2007). Comparing Decision Support Methodologies for Identifying Asthma Exacerbations. Justin E. Brown, N. C. (2011). Towards a Physiology-Based Measure of Pain: Patterns of Human Brain Activity Distinguish Painful from Non-Painful Thermal Stimulation. Plos One(0024124). Kang Shouqiang, W. Y. (octubre 2013). A Method of Optimizing Kernel Parameter of Sphere Structured Support Vector Machine. 8(10). Liu, L. T. (2005). Bias Analysis in Text Classification for Highly Skewed Data. Arizona State University: Department of Computer Science & Engineering. 89 TESIS DE GRADO GISELA GARCIA GAZABÓN Leonardo R. Morelli. Adaptación de arquitecturas profundas a problemas no estacionarios. 2013. Marek Laskowski, Robert D. McLeod*, Marcia R. Friesen, Blake W. Podaima, Attahiru S. Alfa. (2009). Models of Emergency Departments for Reducing Patient. ABM and Queuing Models for EDs, 4. María M. Abad-Grau, J. S. (2008). Aplicación de Redes Bayesianas en el Modelado de un Sistema Experto de Triaje en Servicios de Urgencias Médicas. Biomedical Informatics. María N. Moreno García∗, L. A. (s.f.). Aplicación de Técnicas de Minería de Datos en la Construcción y Validación de Modelos Predictivos y Asociativos a Partir de Especificaciones de Requisitos de Software. Universidad de Salamanca. Departamento de Informática y Automática. Méndez, D. G. (2008). Modelado y Simulación del comportamiento Neurológico del Tracto Urinario Inferios. Sistema de Ayuda al diagnóstico. Tesis Doctoral Universidad de Alicante. Departamento de Tecnología informática y Compitación. Ministerio de la Protección Social. (2009 3a Edición). Guía para Manejo de Urgencias tomo III. Bogotá D.C Colombia. Morelli, L. R. (2013.). Adaptación de arquitecturas profundas a problemas no estacionarios. . Moreno Villamil, E. (.-M. (s.f.). UN MODELO PARA DIAGNOSTICO DE PIELONEFRITIS AGUDA EN NIÑOS BASADOS EN REDES NEURONALES: UN ACERCAMIENTO AL FUTURO DE LAS HERRAMIENTAS DE APOYO EN ELDIAGNOSTICO CLINICO. 24th INTERNATIONAL 90 TESIS DE GRADO GISELA GARCIA GAZABÓN CONGRESS OF PEDIATRICS CANCUN, MEXICO AUGUST 15 – 20, 2004 RESEARCH PAPER. Universidad de El Bosque, Fundación Cardioinfantil. Neal, R. (2014). Assignment No. 3 del curso STA 414/2104: Statistical Methods for Machine Learning and Data Mining, Universidad de Toronto. Obtenido de http://www.utstat.utoronto.ca/~radford/sta414/ass3.pdf Ng, A. (2010). Notas de la clase "Dimensionality Reduction - Advice for applying Principal Component Analysis", curso Machine Learning Stanford - Cousera. Obtenido de https://d396qusza40orc.cloudfront.net/ml/docs/slides/Lecture14.pdf Olabe, X. B. (s.f.). Redes Neuronales Artificiales y sus Aplicaciones. Otero, V. R. (s.f.). Reconocimiento de Localizaciones mediante Máquinas de Soporte Vectorial. Madrid - España: Escuela Plolitécnica Superior Ingeniero Industrial. Payam Refaelizadeh, L. T. (2008). Cross-Validation. Arizona State University: File Path://ppdys1108/Womat3/Production/PRODENV/0000000005/0000008302/00000000 16/. Pervys Rengifo Rengifo, L. J. (2010). Al Interior de una Màquina de Soporte Vectorial. Revista de Ciencias Universidad del Valle, 14, 73-85. Pilar González Martín, A. D. (s.f.). UNA APLICACIÓN DEL ANÁLISIS DE COMPONENTES PRINCIPALES EN EL ÁREA EDUCATIVA. (I. d. Sociales, Ed.) Revista de Economia(9), 55 - 72. Posee, M. G. (s.f.). Introducción a las Redes de Neuronas Artificiales. tutorial, Universidad da Coruña, Tecnologias de la información y las Comunicaciones. 91 TESIS DE GRADO GISELA GARCIA GAZABÓN Prieto, A. (2012). Desarrollan un sistema informático que ayuda al diagnostico precoz del Alzheimer. Obtenido de www.saludymedicina.org: http://www.saludymedicina.org/web/ventana_del_paciente/desarrollan-un-sistema- informatico-que-ayuda-al-diagnostico-precoz-del-alzheimer Richard J. Holden. (2011). Lean Thinking in Emergency Departments: A Critical Review. Annals of Emergency Medicine, 57(3). Sebastián Maldonado, R. W. (2012). Modelos de Selección de Atributos para Support Vector Machines. REVISTA DE INGENIERIA DE SISTEMAS, XXVI. Sellero, C. S. (2008 - 2009). Análisis multivariante - Master en Técnicas Estadísticas. Sven Oredsson, H. J. (2011). A systematic review of triage-related. Trauma, Resuscitation and Emergency Medicine, 9. Sven Oredsson, H. J. (2011). A systematic review of triage-related interventions to improve patient flow in emergency departments. Trauma, Resuscitation and Emergency Medicine. Torres, L. C. (s.f.). EL Perceptron - Redes Neuronales Artificiales. Inteligencia Artificial, Facultad de Ingenieria de Sistema UNAL. Vieyra, M. V. (2013). Análisis de componentes principales en imagenes de Teledetección. Argentina. W.T. Lin, Y. W. (2011). Analysis by data mining in the emergency medicine triage database at a Taiwanese. Expert Systems with Applications, 38, 11078 - 11084. 92 TESIS DE GRADO GISELA GARCIA GAZABÓN Wilmer H. Rpjas V., J. F. (2007). Análisis y Supervisiòn de la Señal Cardiaca con Transmisión. Red de Revistas Científicas de América Latina, el Caribe, España y Portugal Sistema de Información Científica, 151-156. Wojtek Michalowski, S. W. (s.f.). Development of a Decision algorithm to Support Emergency Triage of Scrotal pain andits Implementation in the Met System. Yaser S. Abu-Mostafa, M. M.-I.-T. (2012). Learning From Data. páginas 173 - 177. Yoon, P. (2003). Emergency Department Fast-Track System. HTA Initiative(10). 93 TESIS DE GRADO GISELA GARCIA GAZABÓN ANPÉNDICE 1. Formato Escalas de Valoración en pediatría NOMBRE EDAD SEXO IDENTIFICACION DIRECCION ROCHESTER PARA PACIENTES < 90 DIAS (fiebre sin foco) Define pacientes con bajo riesgo de infección bacteriana CRITERIOS CLINICOS SI NO INFANTE CON APARIENCIA GENERALMENTE BUENA INFANTE PREVIAMENTE SALUDABLE NACIMIENTO A TERMINO NO TTO ANTIMICROBIANO PERINATAL NO TTO ANTIMICROBIANO PREVIO NO HOSPITALIZACION PREVIA NO TTO PARA HIPERBILIRRUBINEMIA INEXPLICADA NO ENFERMEDAD CRONICA SUBYACENTE NO HOSPITALIZACION MAS PROLONGADA QUE LA MADRE AUSENCIA DE SIGNOS EVIDENTES DE INFECCIÓN DE PIEL,TEJIDOS BLANDOS, HUESOS ARTICULACIONES U OÍDOS LEUCOCITOS EN SANGRE PERIFÉRICA DE 5000-15 000/MM3 ABASTONADOS < 1500/MM3 < 10 LEUCOCITOS POR CAMPO EN SEDIMENTO URINARIO. < 5 LEUCOCITOS POR CAMPO EN EXTENSIÓN DE HECES (DIARREA) CRITERIOS DE ROCHESTER PARA PACIENTES > 90 DIAS NIÑO PREVIAMENTE SANO SIN SIGNOS DE FOCALIDAD NO SIGNOS DE TOXICIDAD DISTEMICA* RECUENTO DE LEUCOCITOS ENTRE 5-15000 MM3 UROANALISIS < 5 LEUC X CAMPO * SIGNOS DE TOXICIDAD SISTEMICA: ALTERACION DEL ESTADO DE CONCIENCIA, DIFICULTAD RESPIRATORIA, TAQUICARDIA, BRADICARDIA, CIANOSIS, PALIDEZ EXTREMA, LLENADO CAPILAR > 3 SEG, PIEL MARMOREA Y FRIA, DISTENSION ABDOMINAL. DEBEN CUMPLIRSE SIEMPRE PARA ESTABLECER QUE ES UN PACIENTE DE BAJO RIESGO YIOS PARA PACIENTES < 90 DIAS (fiebre sin foco) Permite identificar riesgo de enfermedad bacteriana Grave PERFUSION PERIFERICA SONROSADO, EXTREMIDADES 1 EXTERMIDADES FRIAS 2 PÁLIDO, SHOCK 3 CALIENTES MOTEADAS ESTADO/ESFUERZO NO DETERIORO/VIGOROSO 1 COMPROMISO 2 DIFICULTAD 3 RESPIRATORIO RESPIRATORIO LEVE- RESPIRATORIA MODERADO GRAVE ESFUERZO (FR:>60), RESPIRATORIO RETRACCIONES O QUEJOSO INADECUADO, APNEA , FALLO RESPIRATORIO RESPUESTA SOCIAL SONRÍE O NO IRRITABLE 1 IRRITABLE, CONSOLABLE 2 IRRITABLE, 3 INCONSOLABLE INTERPRETACION: < 7 NO CRITERIOS DE SEVERIDAD / > 7 SEVERIDAD YALE PARA PACIENTES ENTRE 3-36 MESES (fiebre sin foco) Permite identificar riesgo de enfermedad bacteriana Grave NORMAL(1) MODERADA (3) GRAVE (5) LLANTO FUERTE/NO LLORA SOLLOZO GEMIDOS REACCION A DETIENE EL LLANTO LLANTO CASI CONTINUO LLANTO LOS PADRES PERMANENTE CONCIENCIA SE MANTIENE O DESPIERTA RAPIDO SOMNOLIENTO O SE NO SE DESPIERTA DESPIERTA CON DIFICULTAD 94 TESIS DE GRADO GISELA GARCIA GAZABÓN COLOR ROSADO ACROCIANOSIS O PALIDEZ PALIDO, DISTAL CIANOTICO O MOTEADO HIDRATACION NORMAL BOCA SECA MUCOSAS SECAS OJOS HUNDIDOS ESTIMULOS SONRIE SONRISA BREVE NO SONRIE, SOCIALES ANSIOSO O INEXPRESIVO INTERPRETACION: <10 NORMAL /11-16: OBSERVACIÓN DOMICILIARIA /11-16:INGRESO A OBSERVACION (EXÁMENES COMPLEMENTARIOS) > 16: INGRESO HOSPITALARIO CON ESTUDIOS COMPLETOS DE SEPSIS PACIENTE CON SINTOMAS RESPIRATORIOS: WOOD-DOWNES MODIFICADA POR FERRES (Paciente que ingresa con sibilancias – Bronquiolitis y no se dispone de pulsioximetria) SIBILANCIAS 0. NO 1. FINAL DE LA 2.TODA LA 3. INSPIRACION Y ESPIRACION ESPIRACION ESPIRACION TIRAJES 0.NO 1.SUBCOSTAL + 2. PREVIO MAS 3.PREVIO+INTERCOST INTERCOSTAL SUPRACLAVICULAR AL SUPERIOR + INFERIOR + ALETEO NASAL SUPRAESTERNAL ENTRADA DE 0.BUENA SIMETRICA 1.REGULAR 2. MUY DISMINUIDA 3.TORAX SILIENTE AIRE SIMETRICA (AUSENCIA DE SIBILANCIAS) CIANOSIS 0.NO 1.SI FR 0. < 30 RPM 1. 31-45 RPM 2. 46-60 RPM 3. > 60 RPM FC 0. <120 LPM 1. >120 LPM INTERPRETACION: LEVE: 1-3; MODERADA: 4-7; GRAVE: 8 O MÁS. WESTLEY (paciente que ingresa con estridor no se dispone de pulsioximetria) ESTRIDOR 0.NO 1. AL 2. EN REPOSO AGITARSE TIRAJE 0. NO 1. LEVE 2.MODERADO 3. SEVERO VENTILACIÓN 0. NORMAL 1. 2.MUY DISMINUIDA DISMINUIDA CIANOSIS 0. NO 4. AL 5. EN REPOSO AGITARSE CONCIENCIA O.NORMAL 5. ALTERADA INTERPRETACION: LEVE: 2 O MENOS; MODERADA:3-8; GRAVE: 8 O MAS WETSLEY MODIFICADO POR MINTEGUI (Paciente que ingresa con estridor y se dispone de pulsioximetria) ESTRIDOR 0.NO 1. AUDIBLE EN REPOSO CON 2. AUDIBLE EN REPOSO SIN FONENDO FONENDO RETRACCIONES SUBCOSTALES Y 0. NO 1. LEVES 2. MODERADA SEVERA SUPRAESTERNALES ENTRADA DE AIRE EN LOS 0. NORMAL 1. DISMINUCIÓN LEVE 2. DISMINUCIÓN LEVE - PULMONES MODERADA SAT O2 0. >=95 1. <=94 INTERPRETACION: LEVE: 2 O MENOS; MODERADA:3-4; GRAVE: 5 O MAS INDICE PULMONAR DE SCARFONE (Paciente que ingresa con sibilancias – crisis asmática y se dispone de pulsioximetria) PUNTOS FR >6 AÑOS FR < 6 AÑOS SIBILANCIAS COCIENTE MUSCULOS SAT O2 INS/ESP ACCESORIOS 0 < 21 < 31 AUSENTES 2-1 AUSENTE 99-100 1 21-35 31-45 FINAL ESPIRACION 1-1 + 96-98 2 36-50 46-60 TODA LA ESPIRACION 1-2 ++ 93-95 3 > 50 > 60 INSPIRACION Y 2-3 +++ < 93 ESPIRACION INTERPRETACION: LEVE: 1-8; MODERADA: 9-13; GRAVE: 14-15. GLASGOW > 3 AÑOS (Valoración del nivel de conciencia) APERTURA 1.NINGUN 2. AL DOLOR 3. A LA VOZ 4.ESPONTAN DE OJOS A EA VERBAL 1.NINGUN 2. SONIDOS 3. PALABRAS 4. CONFUSO 5. ORIENTADO A INESPECIFICO INADECUADAS S MOTORA 1.NINGUN 2. EXTENSION 3. FLEXION AL 4. RETIRADA 5.LOCALIZA 6. OBEDECE A ANORMAL DOLOR AL DOLOR DOLOR ORDENES INTERPRETACION: 13-15 LEVE; 9-12: MODERADO; >12: SEVERO RAIMONDI – GLASGOW MODIFICADA < 3 AÑOS RESPUESTA 1. PUPILAS FIJAS Y 2.PUPILAS FIJAS Y 3. MEO INTACTOS. 4. PERSIGUE CON LA 95 TESIS DE GRADO GISELA GARCIA GAZABÓN OCULAR MEO* PARALIZADOS MEO AFECTADOS PUPILAS REACTIVAS MIRADA RESPUESTA 1. APNEA 2. RESPIRACION 3. LLORA VERBAL ESPONTANEA RESÚESTA 1. FLACIDEZ 2. HIPERTONIA 3. ALEJAMIENTO DEL 4. FLEXIONA Y EXTIENDE MOTORA DOLOR *MEO: MUSCULOS EXTRAOCULARES. PUNTAJE MINIMO:3 – MAXIMO: 11 ESCALA DE COMA PARA NEONATOS RESPUESTA MOTORA 0. FLACIDOS 1. ACTITUD QUE MIMETIZA DECORTICACION O DESCEREBRACION 2.MOVIMIENTOS ESTEREOTIPADOS 3. RETIRADA DEL MIEMBRO ESTIMULADO ANTE ESTIMULOS 4. MOVIMIENTOS DEBILES Y PEREZOSOS 5. MOVIMIENTOS ALTERNANTES SUAVES RESPUESTA OCULAR 0. RESPUESTA OCULOCEFALICA AUSENTE 1. RESPUESTA OCULOCEFALICA ALTERADA Y PUPILAS FIJAS 2. RESPUESTA OCULOCEFALICA INACTA 3. APERTURA DE LOS OJOS AL DOLOR 4. APERTURA ESPONTANEA DE LOS OJOS 5. FOCALIZA Y SIGUE EL ESTIMULO AL MENOS 30° HORIZONTALMENTE RESPIRACION Y 0. APNEA 1. RESPIRACION PERIODICA O ATAXICA VOCALIZACION 2. RESPIRACION ESPONTANEA 3. MUECA 4. GEMIDO O LLANTO DEBIL 5. LLANTO DE TONO NORMAL PUNTUACION MINIMA: 0 MAXIMA:15 SANTOLAYA (Alto o bajo riesgo de infección bacteriana invasora en episodios de neutropenia febril) 1.PCR >90 2.LEUCEMIA MIELOIDE 3.RECUENTO DE 4.LEUCEMIA EN 5.RECAIDA DE TUMOR MG/L AGUDA PLAQUETAS < 50.000 RECAIDA SOLIDO MM3 6.HIPOTENSI 7.LINFOMA NO 8.MENOS DE 7 DIAS 9.NEUROBLAST 10.LLA DE ALTO RIESGO ON ARTERIAL HODKING B Y DE DESDE LA ULTIMA OMA ETPA IV CELULAS GRANDES QUIMIOTERAPIA INTERPRETACION: BAJO RIESGO : AUSENCIA DE FACTORES DE RIESGO ; PRESENCIA DE ITEM 3 Y 8 COMO FACTOR UNICO ALTO RIESGO: DOS O MAS FACTORES DE RIESGO O PRESENCIA DE 1,2,4,5,6,7,9 ,10 COMO FACTOR UNICO ESCALA DE GLASGOW MODIFICADA PARA SEPSIS MENINGOCOCICA HIPOTENSIÓN (TA SISTÓLICA < 75 MM HG EN < 4 AÑOS; GRADIENTE DE Tª PIEL/RECTO > 3ºC O FRIALDAD CUTÁNEA 3 < 80 MM HG EN > 4 AÑOS) 3 3 ECG < 8 O DISMINUCIÓN DE ≥ 3 PUNTOS EN 1 HORA 3 AUSENCIA DE MENINGISMO 2 EMPEORAMIENTO DURANTE LA ÚLTIMA HORA 2 EQUIMOSIS DISEMINADAS O LESIONES CRECIENTES 1 DÉFICIT DE BASES ≤ -8 MMOL/L 1 INTERPRETACION: < O = 6: SEPSIS APARENTEMENTE NO GRAVE CON CRITERIOS DE MAL PRONOSTICO 7-8: SEPSIS MENINGOCÓCICA GRAVE. >10: MENINGOCOCEMIA FULMINANTE PRESUMIBLEMENTE MORTAL CLASIFICACION DE ASA I PACIENTE NORMAL II ENFERMEDAD SISTEMICA LEVE III ENFERMEDAD SISTEMICA SEVERA QUE LIMITA LA ACTIVIDAD, NO INCAPACITANTE IV ENFERMEDAD SISTEMICA SEVERA QUE ES UNA AMENAZA CONSTANTE PARA LA VIDA V MORIBUNDO, NO SE ESPERA QUE SOBREVIVA SIN LA CIRUGIA ASA < O = 2 : PACIENTES DE BAJO RIESGO // ASA > O = 3: ALTO RIESGO ESCALAS DE EVALUACIÓN DEL DOLOR – FISIOLÓGICO-CONDUCTUAL (1 MES A 3 AÑOS) PARÁMETRO VALORACION PUNTOS TAS BASAL <20% 0 20-30% 1 >30% 2 LLANTO AUSENTE 0 CONSOLABLE CON PALABRAS-CARICIAS 1 NO CONSOLABLE 2 96 TESIS DE GRADO GISELA GARCIA GAZABÓN ACTIVIDAD MOTORA ESPONTANEA DORMIDO-JUGANDO-TRANQUILO 0 MODERADA-CONTROLABLE 1 INTENSA-INCONTROLABLE 2 EXPRESION FACIAL 0 1 2 EVALUACION VERBAL NO EXPRESA DOLOR 0 (2-3 AÑOS) INCOMODO- DUELE SIN LOCALIZAR 1 SE QUEJA Y LOCALIZA DOLOR 2 LENGUAJE CORPORAL DORMIDO – POSTURA NORMAL (<2AÑOS) 0 HIPERTONIA-MIEMBROS AGARROTADOS 1 PROTEGE O TOCA ZONA DOLOROSA 2 INTERPRETACIÓN: 0=NO DOLOR; 1-2=LEVE;3-5=MODERADO; 6-8=INTENSO; 9-10= INSOPORTABLE SCALA DE LOS < AY> O DE OUCHER (NIÑOS 3 – 12 AÑOS) Y ESCALA DE DIBUJOS FACIALES (NIÑOS DE 5-12 AÑOS Y ADOLESCENTES) 0 2 4 6 8 10 PUNTUACIÓN: 0 ES SIN DOLOR, 2 DOLOR LEVE, 4-6 DOLOR MODERADO Y 8-10 DOLOR INTENSO 97 TESIS DE GRADO GISELA GARCIA GAZABÓN 2. Guía para la utilización de las escalas en la urgecina 1. Paciente < de 90 días con fiebre sin foco: S NI O - BAJO RIESGO de infección bacteriana: ROCHESTER parcaientes < de 90 días - ALTO RIESGO de enfermedad bacteriana grave: YIOrSa pacientes < de 90 días 2. Paciente > de 90 días con fiebre sin foco: S IN O - ROCHESTER para pacientes > de 90 días - YALE para pacientes entre 3-36 meses 3. Paciente con síntomas respiratorios (sibilanciaosn) cprobable bronquiolitis: SI NO - WOOD – DOWNES MODIFICADA POR FERRES 4. Paciente que ingresa con estridor en el cual shoasp ecCRUP (Laringotraqueobronquitis) SI NO - WESTLEY - WESTLEY MODIFICADO POR MINTEGUI 5. Paciente que ingresa por cuadro de sibilancias syp escohe Crisis Asmática SI NO - INDICE PULMONAR DE SCARFONE 6. Paciente con cuadro de trauma craneoencefálicof eor meendad sistémica grave donde quiera valorar nivel de conciencia SI NO - GLASGOW > 3 AÑOS - RAIMONDI - GLASGOW MODIFICADA < 3 AÑOS 7. Paciente neonato en coma SI NO - ESCALA DE COMA PARA NEONATOS 8. Paciente con cuadro clínico compatible con infenc cbiaócteriana invasora asociado a neutropenia febril SI NO - SANTOLAYA 9. Paciente con sepsis meningococcica SI NO - ESCALA DE GLASGOW MODIFICADA PARA SEPSIS MENINGOCOCICA SIEMPRE DEBE REALIZAR LA CLASIFICACION DE ASA 10. Paciente que ingresa con cuadro de dolor SI NO - ESCALAS DE EVALUACION DEL DOLOR – FISIOLÓGICO- CONDUCTAL (1 MES A 3 AÑOS) - ESCALA DE LOS O DE OUCHER (3-12 AÑOS) - ESCALA DE DIBUJOS FACIALES (5-12 AÑOS Y ADOLESCENTSE) 98 TESIS DE GRADO GISELA GARCIA GAZABÓN 3. Código Fuente from sklearn.cross_validation import KFold import numpy as np import Orange from sklearn import cross_validation import xalglib from sklearn.metrics import classification_report class PML: def __init__(self,inputs,hidden,output): #creación de red para clasificación.... self._inputs=inputs self._hidden=hidden self._output=output self.network=xalglib.mlpcreater1(inputs,dheidn,output,0,1) def learn(self,xinputs,youtput,weightdecay): xy=np.ones((xinputs.shape[0],xinputs.sh1a]p+e1[)) xy[:,0:xinputs.shape[1]]=xinputs xy[:,xinputs.shape[1]]=youtput xyz=xy.tolist() rep = xalglib.mlptrainlbfgs(self.network,zx,ylen(xy),weightdecay,5,0.01,1000) 99 TESIS DE GRADO GISELA GARCIA GAZABÓN def pred(self,xinput): xtest=xinput[0].tolist() ytest=[0] y = xalglib.mlpprocess(self.network, xte ystet,st) return y[0] def pred1(self,xinput): yresul=np.zeros(xinput.shape[0]) ytest=[xinput.shape[0]] for i in range(xinput.shape[0]): xtest=xinput[i].tolist() y = xalglib.mlpprocess(self.networke, sxtt, ytest) yresul[i]=y[0] return yresul #cargar datos de entrenamiento y validación _aplicarcrossvalidationdatosdeentrenamientoyvailoidna=c0 datareader = Orange.data.Table('i:\gisela\compneanmtreiento.txt') ds=np.array(datareader) data=np.zeros((964,75)) for i in range(964): for j in range(75): data[i,j]=ds[i][j] 100 TESIS DE GRADO GISELA GARCIA GAZABÓN #Intanciar red neuronal. neuronalnetwork=PML(74,250,1) #Aplicando validación cruzada! if _aplicarcrossvalidationdatosdeentrenamientoydvaacliion==1: #Aplicar Crooss validation kfold = cross_validation.KFold(data.shape[0_]f,o nlds=10) xtrain=[] ytrain=[] ypred=[] MSEcv=np.zeros((10)) _con=0 for train, test in kfold: data_train=data[train] xtrain=data_train[:,0:74] ytrain=data_train[:,74] data_test=data[test] xvalid=data_test[:,0:74] yvalid=data_test[:,74] #Entrenar la red con los datos de validna ció neuronalnetwork.learn(xtrain,ytrain,0.1) 101 TESIS DE GRADO GISELA GARCIA GAZABÓN #Predecir con los datos de validación. ypred=neuronalnetwork.pred1(xvalid) yround=[round(ypred[i],0) for i in range(ryepd.shape[0])] print classification_report(yvalid, yroun d) MSEcv[_con]=np.average([(ypred[i]-y[i])**f2o r i in range(y.shape[0])]) _con=_con+1 #Cargar los datos para test! tablapesos=np.loadtxt('i:\gisela\pesoscomponenxt'e,sk.tiprows=1,delimiter='\t') tabladatatest=np.loadtxt('i:\gisela\prueba.txtp',rsokwi s=1,delimiter='\t') #Extrar las columnas de entradas datatest=tabladatatest[:,0:tabladatatest.shape] [1]-1 datestnormalizada=np.zeros((datatest.shape[0]e,dsat.tsahtape[1])) #Normalizando la tabla de test (x-media)/desvia csitoandar. for col in range(datatest.shape[1]): media=np.average(datatest[:,col]) desvstd=np.std(datatest[:,col]) for fil in range(datatest.shape[0]): if desvstd==0: datestnormalizada[fil,col]=0 102 TESIS DE GRADO GISELA GARCIA GAZABÓN else: datestnormalizada[fil,col]=(datatesl,tc[foi l]-media)/desvstd #trasformar entradas en función de componentensc ipariles! datatransformada=np.dot(datestnormalizada,tablasp) eso #Adicionar columna de etiquetas. datapred = tabladatatest[:,tabladatatest.shape] [1]-1 #Entrenar la red neuronal con todos los datos tdre neanmiento! xtrain=data[:,0:74] ytrain=data[:,74] neuronalnetwork.learn(xtrain,ytrain,0.1) #Aplicar predicción sobre "dataparaanalisis": ypred=neuronalnetwork.pred1(datatransformada) yround=[round(ypred[i],0) for i in range(ypred.shea[0p])] print classification_report(datapred, yround) 103