Mostrar el registro sencillo del documento
Definición de un modelo de clasificación de riesgo cardiovascular para una población de adultos mayores usando técnicas de aprendizaje de máquinas
dc.rights.license | Atribución-NoComercial-SinDerivadas 4.0 Internacional |
dc.contributor.advisor | Villa Garzón, Fernán Alonso |
dc.contributor.author | Londoño Ocampo, Manuela |
dc.date.accessioned | 2021-06-16T16:54:06Z |
dc.date.available | 2021-06-16T16:54:06Z |
dc.date.issued | 2020 |
dc.identifier.uri | https://repositorio.unal.edu.co/handle/unal/79641 |
dc.description.abstract | Según cifras reportadas por la organización mundial de la salud (OMS), las enfermedades cardiovasculares son la principal causa de muerte en el mundo, el riesgo de padecerlas aumenta en adultos mayores y ante la presencia de factores de riesgo como la hipertensión, diabetes, obesidad y tabaquismo; en Colombia la situación es similar. Para la estimación del riesgo cardiovascular se han creado diferentes métodos que analizan el desarrollo de este tipo de enfermedades según el grado de exposición a algunos factores de riesgo, pero estos no suelen ser precisos en todas las poblaciones. El aprendizaje de máquinas ha demostrado su valor de aplicación en contextos médicos, siendo una herramienta novedosa y alternativa que apoya tareas complejas como el diagnóstico de enfermedades. En el presente trabajo se consideran tres modelos de aprendizaje de máquinas, usados en tareas de clasificación que, según la revisión de la literatura desarrollada, pueden ser óptimos en información clínica, con lo que se pretende identificar para una población colombiana de adultos mayores el riesgo asociado al padecimiento de enfermedades cardiovasculares. Para la evaluación del desempeño de los modelos propuestos se utilizan criterios de bondad de ajuste como exactitud, sensibilidad, precisión y f1-score, donde el modelo óptimo se obtiene con el algoritmo de máquina de aumento de gradiente, con un rendimiento mejor a los reportados por estudios similares referenciados. |
dc.description.abstract | Figures of the World Health Organization (WHO) demonstrated that cardiovascular disease (CVD) is the first cause of death worldwide. The risk of suffering is higher in older people and increases with some preview’s pathologies like hypertension, diabetes, obesity, and smoking. The tendency is equal in Colombia. To estimate cardiovascular risk, different methods have been created that analyze the development of this type of disease according to the degree of exposure to different risk factors, but these are not usually accurate in all populations. Machine learning has proven its application value in medical contexts, being a novel and alternative tool that supports complex tasks such as disease diagnosis. For the present work, three models of machine learning are considered, used in classification tasks that, according to the review of the developed literature may be optimal for clinical information with which it is intended to identify risk for a Colombian population of older adults associated with the suffering of cardiovascular diseases. For the evaluation of the performance of the proposed models, goodness of fit criteria such as accuracy, sensitivity, precision and f1-score are used, where the optimal model is obtained with the gradient boosting machine algorithm, with a better performance than those reported by similar studies referenced. |
dc.format.extent | 80 páginas |
dc.format.mimetype | application/pdf |
dc.language.iso | spa |
dc.publisher | Universidad Nacional de Colombia - Sede Medellín |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ |
dc.subject.ddc | 000 - Ciencias de la computación, información y obras generales |
dc.title | Definición de un modelo de clasificación de riesgo cardiovascular para una población de adultos mayores usando técnicas de aprendizaje de máquinas |
dc.type | Trabajo de grado - Maestría |
dc.type.driver | info:eu-repo/semantics/masterThesis |
dc.type.version | info:eu-repo/semantics/acceptedVersion |
dc.publisher.program | Medellín - Minas - Maestría en Ingeniería - Analítica |
dc.description.degreelevel | Maestría |
dc.description.degreename | Magíster en Ingeniería – Analítica |
dc.identifier.instname | Universidad Nacional de Colombia |
dc.identifier.reponame | Repositorio Institucional Universidad Nacional de Colombia |
dc.identifier.repourl | https://repositorio.unal.edu.co/ |
dc.publisher.department | Departamento de la Computación y la Decisión |
dc.publisher.faculty | Facultad de Minas |
dc.publisher.place | Medellín |
dc.publisher.branch | Universidad Nacional de Colombia - Sede Medellín |
dc.relation.indexed | LaReferencia |
dc.relation.references | Akoglu, H. (2018). User’s guide to correlation coefficients. Turkish Journal of Emergency Medicine, 18(3), 91–93. https://doi.org/https://doi.org/10.1016/j.tjem.2018.08.001 |
dc.relation.references | Alaa, A. M., Bolton, T., Di Angelantonio, E., Rudd, J. H. F., & van der Schaar, M. (2019). Cardiovascular disease risk prediction using automated machine learning: A prospective study of 423,604 UK Biobank participants. PLOS ONE, 14(5), e0213653. https://doi.org/10.1371/journal.pone.0213653 |
dc.relation.references | Alizadehsani, R., Roshanzamir, M., Hussain, S., Khosravi, A., Koohestani, A., Zangooei, M. H., Abdar, M., Beykikhoshk, A., Shoeibi, A., Zare, A., Panahiazar, M., Nahavandi, S., Srinivasan, D., Atiya, A. F., & Acharya, U. R. (2020). Handling of uncertainty in medical data using machine learning and probability theory techniques: A review of 30 years (1991-2020). http://ezproxy.unal.edu.co/login?url=http://search.ebscohost.com/login.aspx?direct=true&db=edsarx&AN=edsarx.2008.10114&lang=es&site=eds-live |
dc.relation.references | Alonso, J. C., & Munoz, A. F. (2014). Interpretación de variables Dummy en modelos loglin. Apuntes de Economıa No. 40. |
dc.relation.references | Álvarez Ceballos, J. C., Álvarez Múñoz, A., Carvajal Gutiérrez, W., González, M. M., Duque, J. L., & Nieto Cárdenas, O. A. (2017). Determinación del riesgo cardiovascular en una población. Revista Colombiana de Cardiologia, 24(4), 334–341. https://doi.org/10.1016/j.rccar.2016.08.002 |
dc.relation.references | Álvarez Cosmea, A. (2001). Las tablas de riesgo cardiovascular: Una revisión crítica. MEDIFAM, 11(3), 122–139. http://scielo.isciii.es/scielo.php?script=sci_arttext&pid=S1131-57682001000300002 |
dc.relation.references | Amón Uribe, I. (2010). Guía metodológica para la selección de técnicas de depuración de datos [Tesis de maestría]. Universidad Nacional de Colombia. |
dc.relation.references | Ashfaq, A., & Nowaczyk, S. (2019). Machine learning in healthcare - a system’s perspective. In A. V. B. Aditya Prakash Shweta Bansal, Adam Sadelik (Ed.), Proceedings of the ACM SIGKDD Workshop on Epidemiology meets Data Mining and Knowledge Discovery (epiDAMIK) (pp. 14–17). http://hh.diva-portal.org/smash/get/diva2:1342677/FULLTEXT01.pdf |
dc.relation.references | Avila-Chaurand, R., Prado-León, L. R., & González-Muñoz, E. L. (2001). Dimensiones antropométricas de la población latinoamericana: México, Cuba, Colombia, Chile. Centro Universitario de Arte, Arquitectura y Diseño, UDG. 1a Ed. Guadalajara Jalisco. |
dc.relation.references | Bandyopadhyay, S., Wolfson, J., Vock, D. M., Vazquez-Benitez, G., Adomavicius, G., Elidrisi, M., Johnson, P. E., & O’Connor, P. J. (2015). Data mining for censored time-to-event data: a Bayesian network model for predicting cardiovascular risk from electronic health record data. Data Mining and Knowledge Discovery, 29(4), 1033–1069. https://doi.org/10.1007/s10618-014-0386-6 |
dc.relation.references | Basu, T., Engel-Wolf, S., & Menzer, O. (2020). The ethics of machine learning in medical sciences: Where do we stand today? Indian Journal of Dermatology, 65(5), 358–364. http://10.0.16.7/ijd.IJD_419_20 |
dc.relation.references | Beard, J., Officer, A., Cassels, A., Bustreo, F., Worning, A. M., & Asamoa-Baah, A. (2015). Informe mundial sobre el envejecimiento y la salud. OMS. |
dc.relation.references | Bedoya-Mejía, S., Henao-Valencia, C., & Cardona-Arango, D. (2019). Mortalidad por enfermedades del sistema circulatorio, en los municipios del área metropolitana, Antioquia, 1998-2014. Revista Facultad Nacional de Salud Pública, 37(1), 96–105. |
dc.relation.references | Bellamy, D., Celi, L., & Beam, A. L. (2020). Evaluating Progress on Machine Learning for Longitudinal Electronic Healthcare Data. http://ezproxy.unal.edu.co/login?url=http://search.ebscohost.com/login.aspx?direct=true&db=edsarx&AN=edsarx.2010.01149&lang=es&site=eds-live |
dc.relation.references | Bengio, S., Weston, J., & Grangier, D. (2010). Label Embedding Trees for Large Multi-Class Tasks. In J. Lafferty, C. Williams, J. Shawe-Taylor, R. Zemel, & A. Culotta (Eds.), Advances in Neural Information Processing Systems (Vol. 23, pp. 163–171). Curran Associates, Inc. https://proceedings.neurips.cc/paper/2010/file/06138bc5af6023646ede0e1f7c1eac75-Paper.pdf |
dc.relation.references | Berthold, M., Cebron, N., Dill, F., Gabriel, T., Kötter, T., Meinl, T., Ohl, P., Thiel, K., & Wiswedel, B. (2009). KNIME - The Konstanz information miner : Version 2.0 and Beyond. SIGKDD Explorations, 11, 26–31. |
dc.relation.references | Bhatti, S., Kehar, V., & Memon, M. A. (2020). Prognosis of Diabetes by Performing Data Mining of HbA1c. International Journal of Computer Science and Information Security (IJCSIS), 18(1). |
dc.relation.references | Blagus, R., & Lusa, L. (2013). SMOTE for high-dimensional class-imbalanced data. BMC Bioinformatics, 14, 106. https://doi.org/10.1186/1471-2105-14-106 |
dc.relation.references | Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32. |
dc.relation.references | Cardona Alzate, N. I. (2019). Predicción y selección de variables con bosques aleatorios en presencia de variables correlacionadas [Universidad Nacional de Colombia]. https://repositorio.unal.edu.co/bitstream/handle/unal/75561/8063120.2019.pdf?sequence=1 |
dc.relation.references | Castellanos Vázquez, J., Moreno, A. S., Herrera, C. B., & Sautto Vallejo, J. M. (2019). Valoración de riesgo cardiovascular mediante modelos de clasificación. Investigación Operacional, 40(1), 80–87. http://ezproxy.unal.edu.co/login?url=http://search.ebscohost.com/login.aspx?direct=true&db=a9h&AN=133858008&lang=es&site=eds-live |
dc.relation.references | Chitarroni, H. (2002). La regresión logística. http://www.salvador.edu.ar/csoc/idicso |
dc.relation.references | Ley 1581 de 2012 - Ley Estatutaria de Hábeas Data, (2012). http://bibliotecadigital.ccb.org.co/bitstream/handle/11520/13629/Ley 1581 de 2012.pdf?sequence=1 |
dc.relation.references | Cosma, G., Acampora, G., Brown, D., Rees, R. C., Khan, M., & Pockley, A. G. (2016). Prediction of Pathological Stage in Patients with Prostate Cancer: A Neuro-Fuzzy Model. PLOS ONE, 11(6), e0155856. https://doi.org/10.1371/journal.pone.0155856 |
dc.relation.references | Das, R. (2010). A comparison of multiple classification methods for diagnosis of Parkinson disease. Expert Systems with Applications, 37(2), 1568–1572. https://doi.org/10.1016/j.eswa.2009.06.040 |
dc.relation.references | Díaz-Realpe, J. E., Muñoz-Martínez, J., & Sierra-Torres, C. H. (2007). Factores de riesgo para enfermedad cardiovascular en trabajadores de una institución prestadora de servicios de salud, Colombia. Revista de Salud Pública, 9, 64–75. |
dc.relation.references | Estrada, J., Camacho, J. A., Restrepo, M. T., & Parra, C. M. (1998). Parámetros antropométricos de la población laboral colombiana, 1995. Revista Facultad Nacional de Salud Pública, 32, 64–78. |
dc.relation.references | Fernando, M., & Arrieta, C. (2005). Estudio sociológico y del conocimiento de los factores de riesgo de las enfermedades cardiovasculares en la Costa Caribe Colombiana (Estudio Caribe). Revista Colombiana de Cardiología, 12, 122–128. |
dc.relation.references | Gislason, P. O., Benediktsson, J. A., & Sveinsson, J. R. (2005). Random Forests for land cover classification. Pattern Recognition Letters, 27, 294–300. https://doi.org/10.1016/j.patrec.2005.08.011 |
dc.relation.references | Gómez, L. A. (2011). Las enfermedades cardiovasculares: un problema de salud pública y un reto global. Biomédica, 31(4). |
dc.relation.references | Hameed, N., Shabut, A. M., Ghosh, M. K., & Hossain, M. A. (2020). Multi-class multi-level classification algorithm for skin lesions classification using machine learning techniques. Expert Systems with Applications, 141, 112961. https://doi.org/10.1016/j.eswa.2019.112961 |
dc.relation.references | Instituto Nacional de Salud de Colombia (INS). (2013). Observatorio Nacional de Salud (ONS) Boletín N0.1. https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/IA/INS/Boletin-tecnico-1-ONS.pdf |
dc.relation.references | Jamthikar, A., Gupta, D., Khanna, N. N., Saba, L., Laird, J. R., & Suri, J. S. (2020). Cardiovascular/stroke risk prevention: A new machine learning framework integrating carotid ultrasound image-based phenotypes and its harmonics with conventional risk factors. Indian Heart Journal, 72(4), 258–264. https://doi.org/https://doi.org/10.1016/j.ihj.2020.06.004 |
dc.relation.references | Kalantari, A., Kamsin, A., Shamshirbandb, S., Gani, A., Alinejad Rokny, H., & Chronopoulos, A. T. (2018). Computational intelligence approaches for classification of medical data: State-of-the-art, future challenges and research directions. Neurocomputing, 276. |
dc.relation.references | Khan, S. U., Islam, N., Jan, Z., Din, I. U., Khan, A., & Faheem, Y. (2019). An e-Health care services framework for the detection and classification of breast cancer in breast cytology images as an IoMT application. Future Generation Computer Systems, 98, 286–296. https://doi.org/10.1016/j.future.2019.01.033 |
dc.relation.references | Lemaître, G., Nogueira, F., & Aridas, C. K. (2017). Imbalanced-learn: A python toolbox to tackle the curse of imbalanced datasets in machine learning. The Journal of Machine Learning Research, 18(1), 559–563. |
dc.relation.references | Llibre Guerra, J. C., Guerra Hernández, M. A., & Perera Miniet, E. (2008). Comportamiento de las enfermedades crónicas no transmisibles en adultos mayores. Revista Cubana de Medicina General Integral, 24(4), 0. |
dc.relation.references | Lobos Bejarano, J. M., & Brotons Cuixart, C. (2011). Factores de riesgo cardiovascular y atención primaria: evaluación e intervención. Atención Primaria, 43(12), 668–677. https://doi.org/https://doi.org/10.1016/j.aprim.2011.10.002 |
dc.relation.references | Lopera, M. M. (2017). Revisión comentada de la legislación colombiana en ética de la investigación en salud. Biomedica, 37(4), 1–44. https://doi.org/10.7705/biomedica.v37i4.3333 |
dc.relation.references | López-Martínez, F., Núñez-Valdez, E. R., García-Díaz, V., & Bursac, Z. (2020). A Case Study for a Big Data and Machine Learning Platform to Improve Medical Decision Support in Population Health Management. Algorithms, 13(4), 102. http://10.0.13.62/a13040102 |
dc.relation.references | Loreto, M., Lisboa, T., & Moreira, V. P. (2020). Early prediction of ICU readmissions using classification algorithms. Computers in Biology and Medicine, 118, 103636. https://doi.org/10.1016/j.compbiomed.2020.103636 |
dc.relation.references | Luengo Pérez, L. M., Urbano Gálvez, J. M., & Pérez Miranda, M. (2009). Validación de índices antropométricos alternativos como marcadores del riesgo cardiovascular. Endocrinologia y Nutricion, 56(9), 439–446. https://doi.org/10.1016/S1575-0922(09)72964-X |
dc.relation.references | Ma, H., Wang, L., & Shen, B. (2011). A new fuzzy support vector machines for class imbalance learning. 2011 International Conference on Electrical and Control Engineering, 3781–3784. https://doi.org/10.1109/ICECENG.2011.6056838 |
dc.relation.references | Martínez, E. A. B., Ramírez, A. F., & Villamil, E. S. (2016). Modelos predictivos de riesgo cardiovascular. Revista Cuarzo, 22(2), 80–91. |
dc.relation.references | Melillo, P., Izzo, R., Orrico, A., Scala, P., Attanasio, M., Mirra, M., De Luca, N., & Pecchia, L. (2015). Automatic Prediction of Cardiovascular and Cerebrovascular Events Using Heart Rate Variability Analysis. PLoS ONE, 10(3), 1–14. http://10.0.5.91/journal.pone.0118504 |
dc.relation.references | Mierswa, I., Wurst, M., Klinkenberg, R., Scholz, M., & Euler, T. (2006). YALE: Rapid Prototyping for Complex Data Mining Tasks. In Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (Vol. 2006). https://doi.org/10.1145/1150402.1150531 |
dc.relation.references | Resolucion 8430 de 1993, (1993). Ministerio de Salud y Protección Social de Colombia. (2013). Envejecimiento demográfico. Colombia 1951-2020 dinámica demográfica y estructuras poblacionales. |
dc.relation.references | Moine, J. M. (2013). Metodologías para el descubrimiento de conocimiento en bases de datos: un estudio comparativo. |
dc.relation.references | Monroy-de-Jesús, J., Guadalupe-Ramírez, A., Ambriz-Polo, J., & López-González, E. (2018). Algoritmo de aprendizaje eficiente para tratar el problema del desbalance de múltiples clases. Research in Computing Science, 147, 143–157. https://doi.org/10.13053/rcs-147-5-11 |
dc.relation.references | Muñoz, O. M., García, Á. A., Fernández-Ávila, D., Higuera, A., Ruiz, Á. J., Aschner, P., Toro, J. M., Arteaga, J. M., Merchán, A., Sánchez, G., & Villalba, Y. (2015). Guía de práctica clínica para la prevención, detección temprana, diagnóstico, tratamiento y seguimiento de las dislipidemias: evaluación del riesgo cardiovascular. Revista Colombiana de Cardiología, 22(6), 263–269. https://doi.org/https://doi.org/10.1016/j.rccar.2015.04.009 |
dc.relation.references | Muñoz, O. M., Rodríguez, N. I., Ruiz, Á., & Rondón, M. (2014). Validación de los modelos de predicción de Framingham y PROCAM como estimadores del riesgo cardiovascular en una población colombiana. Revista Colombiana de Cardiología, 21(4), 202–212. https://doi.org/https://doi.org/10.1016/j.rccar.2014.02.001 |
dc.relation.references | Muñoz V, O. M., Ruiz Morales, Á. J., Mariño Correa, A., & Bustos C., M. M. (2017). Concordancia entre los modelos de SCORE y Framingham y las ecuaciones AHA/ACC como evaluadores de riesgo cardiovascular. Revista Colombiana de Cardiología, 24(2), 110–116. https://doi.org/https://doi.org/10.1016/j.rccar.2016.06.013 |
dc.relation.references | Navarro Céspedes, J. M. (2008). Análisis de Componentes Principales y Análisis de Regresión para Datos Categóricos. Aplicación en HTA. . Universidad Central “Marta Abreu” de Las Villas. |
dc.relation.references | O’Donnell, C. J., & Elosua, R. (2008). Cardiovascular risk factors. Insights from framingham heart study. Revista Espanola de Cardiologia, 61(3), 299–310. https://doi.org/10.1157/13116658 |
dc.relation.references | OMS. (2008). Prevención de las enfermedades cardiovasculares: guía de bolsillo para la estimación y el manejo del riesgo cardiovascular. Organización Mundial de la Salud. |
dc.relation.references | OMS. (2014). Global status report on noncommunicable diseases 2014 (Issue WHO/NMH/NVI/15.1). World Health Organization. |
dc.relation.references | Otero, J., & Sánchez, L. (2007). Disenos experimentales y tests estadısticos, tendencias actuales en Machine Learning. V Congreso Espanol Sobre Metaheurısticas, Algoritmos Evolutivos y Bioinspirados (MAEB’07). Universidad de La Laguna. Puerto de La Cruz (Espana, 2007), 295–302. |
dc.relation.references | Padmanabhan, M., Yuan, P., Chada, G., & Nguyen, H. Van. (2019). Physician-Friendly Machine Learning: A Case Study with Cardiovascular Disease Risk Prediction. Journal of Clinical Medicine, 8(7), 1050. https://doi.org/10.3390/jcm8071050 |
dc.relation.references | Patiño-Villada, F. A., Arango-Vélez, E. F., Quintero-Velásquez, M. A., & Arenas-Sosa, M. M. (2011). Cardiovascular risk factors in an urban Colombia population. Revista de Salud Pública, 13(3), 433–445. |
dc.relation.references | Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., Duchesnay, E., & Louppe, G. (2012). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12. |
dc.relation.references | Plazzotta, F., Luna, D., & González Bernaldo de Quirós, F. (2015). Sistemas de Información en Salud: Integrando datos clínicos en diferentes escenarios y usuarios . In Revista Peruana de Medicina Experimental y Salud Publica (Vol. 32, pp. 343–351). scielo . |
dc.relation.references | Prasad, N. R., Almanza-Garcia, S., & Lu, T. T. (2009). Anomaly detection. Computers, Materials and Continua, 14(1), 1–22. https://doi.org/10.1145/1541880.1541882 |
dc.relation.references | R Core Team. (2013). R: A language and environment for statistical computing. R Foundation for Statistical Computing. http://www.r-project.org/ |
dc.relation.references | Ramírez-Vélez, R., Agredo, R. A., Jerez, A. M., & Chapal, L. Y. (2008). Calidad de vida y condiciones de salud en adultos mayores no institucionalizados en Cali, Colombia. Revista de Salud Pública, 10, 529–536. |
dc.relation.references | Restrepo, L. F., & González, J. (2007). From Pearson to Spearman. Revista Colombiana de Ciencias Pecuarias, 20(2). http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0120-06902007000200010 |
dc.relation.references | Sangra, R. A., & Codina, A. F. (2015). Identificación, impacto y tratamiento de datos perdidos y atípicos en epidemiología nutricional. Rev Esp Nutr Comunitaria, 21(Supl 1), 188–194. |
dc.relation.references | Sokolova, M., & Lapalme, G. (2009). A systematic analysis of performance measures for classification tasks. Information Processing & Management, 45(4), 427–437. https://doi.org/https://doi.org/10.1016/j.ipm.2009.03.002 |
dc.relation.references | Suzuki, S., Yamashita, T., Sakama, T., Arita, T., Yagi, N., Otsuka, T., Semba, H., Kano, H., Matsuno, S., Kato, Y., Uejima, T., Oikawa, Y., Matsuhama, M., & Yajima, J. (2019). Comparison of risk models for mortality and cardiovascular events between machine learning and conventional logistic regression analysis. PLOS ONE, 14(9), e0221911. https://doi.org/10.1371/journal.pone.0221911 |
dc.relation.references | Tharwat, A. (2020). Classification assessment methods. In Applied Computing and Informatics: Vol. ahead-of-p (Issue ahead-of-print). https://doi.org/10.1016/j.aci.2018.08.003 |
dc.relation.references | Touzani, S., Granderson, J., & Fernandes, S. (2018). Gradient boosting machine for modeling the energy consumption of commercial buildings. Energy and Buildings, 158. https://doi.org/10.1016/j.enbuild.2017.11.039 |
dc.relation.references | van Rossum, G. (1995). Python tutorial (Issue R 9526). CWI. |
dc.relation.references | Wang, H., Li, Y., Ning, H., Wilkins, J., Lloyd-Jones, D., & Luo, Y. (2019). Using Machine Learning to Integrate Socio-Behavioral Factors in Predicting Cardiovascular-Related Mortality Risk. Studies in Health Technology and Informatics, 264, 433–437. https://doi.org/10.3233/SHTI190258 |
dc.relation.references | Ward, A., Sarraju, A., Chung, S., Li, J., Harrington, R., Heidenreich, P., Palaniappan, L., Scheinker, D., & Rodriguez, F. (2020). Machine learning and atherosclerotic cardiovascular disease risk prediction in a multi-ethnic population. Npj Digital Medicine, 3(1), 125. https://doi.org/10.1038/s41746-020-00331-1 |
dc.relation.references | Weng, S. F., Reps, J., Kai, J., Garibaldi, J. M., & Qureshi, N. (2017). Can machine-learning improve cardiovascular risk prediction using routine clinical data? PloS One, 12(4), e0174944–e0174944. https://doi.org/10.1371/journal.pone.0174944 |
dc.relation.references | Wiens, J., & Shenoy, E. S. (2018). Machine Learning for Healthcare: On the Verge of a Major Shift in Healthcare Epidemiology. Clinical Infectious Diseases, 66(1), 149–153. https://doi.org/10.1093/cid/cix731 |
dc.relation.references | Wirth, R., & Hipp, J. (2000). CRISP-DM: Towards a standard process model for data mining. Proceedings of the 4th International Conference on the Practical Applications of Knowledge Discovery and Data Mining, 29–39. |
dc.relation.references | Yu, L., & Liu, H. (2003). Feature Selection for High-Dimensional Data: A Fast Correlation-Based Filter Solution. |
dc.rights.accessrights | info:eu-repo/semantics/openAccess |
dc.subject.lemb | Enfermedades cardíacas - Diagnóstico |
dc.subject.lemb | Informática en salud |
dc.subject.proposal | Aprendizaje de máquinas |
dc.subject.proposal | Riesgo cardiovascular |
dc.subject.proposal | Informática de la salud |
dc.subject.proposal | Machine Learning |
dc.subject.proposal | cardiovascular risk |
dc.subject.proposal | Health informatics |
dc.title.translated | Definition of a cardiovascular risk classification model for a population of older adults using machine learning techniques |
dc.type.coar | http://purl.org/coar/resource_type/c_bdcc |
dc.type.coarversion | http://purl.org/coar/version/c_ab4af688f83e57aa |
dc.type.content | Text |
dc.type.redcol | http://purl.org/redcol/resource_type/TM |
oaire.accessrights | http://purl.org/coar/access_right/c_abf2 |
Archivos en el documento
Este documento aparece en la(s) siguiente(s) colección(ones)
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial 4.0.Este documento ha sido depositado por parte de el(los) autor(es) bajo la siguiente constancia de depósito