Implementación de un prototipo de software para predecir complicaciones en pacientes en unidad de cuidados intensivos pediátricos (UCIP), a través de modelos de aprendizaje automático
Archivos
Autores
Baquero Tibocha, Diego Andrés
Director
Niño Vásquez, Luis Fernando
Izquierdo Borrero, Ledys María
Tipo de contenido
Trabajo de grado - Maestría
Idioma del documento
EspañolFecha de publicación
2023
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
Los cuidadores de pacientes en estado crítico no siempre tienen las habilidades o la
experiencia para tratar este tipo de pacientes (Wheatley, 2006). Además, el deterioro
fisiológico se puede detectar a partir de cambios sutiles en los signos vitales dentro de una
Unidad de Cuidados Intensivos Pediátricos (UCIP) (Izquierdo, 2021). Esto conlleva
dificultades para el personal médico al realizar un pronóstico sobre una futura
complicación.
De acuerdo con lo anterior, este estudio tiene como objetivo implementar un prototipo de
software capaz de predecir estados fisiológicos a través de los signos vitales, siguiendo
como metodología el Proceso de Aprendizaje Automático (Machine Learning Process,
MLP) sobre el conjunto de datos seleccionado. El prototipo se implementó de forma exitosa
y se obtuvieron resultados prometedores en cuanto al uso de técnicas de aprendizaje
automático para representar el estado actual y futuro de los pacientes en UCIP. Por lo
tanto, se debe seguir trabajando en el esfuerzo de complementar el conjunto de datos e
implementar nuevas propuestas del uso de las técnicas de aprendizaje automático, y así
lograr una monitorización constante sobre los pacientes (Texto tomado de la fuente)
Abstract
Caregivers of critically ill patients do not always have the skills or experience to treat these
types of patients (Wheatley, 2006). Furthermore, physiological deterioration can be
detected from subtle changes in vital signs within a Pediatric Intensive Care Unit (PICU)
(Izquierdo, 2021). This leads to difficulties for medical personnel when making a prognosis
about a future complication.
Accordingly, this study aims to implement a software prototype capable of predicting
physiological states through vital signs, following the Machine Learning Process (MLP)
methodology on the selected data set. The prototype was successfully implemented, and
promising results were obtained regarding the use of machine learning techniques to
represent the current and future state of PICU patients. Therefore, work must continue in
the effort to complement the data set and implement new methods for the use of machine
learning techniques, and thus achieve constant monitoring of patients.
Palabras clave
Descripción Física/Lógica/Digital
ilustraciones, graficas