Examinando por Materia "Computational model"

Mostrando 1 - 2 de 2
  • Miniatura
    PublicaciónAcceso abierto
    Implementación de un modelo analítico para la identificación de comportamientos inusuales en los pagos anticipados de una entidad de arrendamiento financiero
    (Universidad EIA, 2019) Hernández Martínez, Felipe; Cano Cadavid, Andrés Felipe
    Las entidades financieras en Colombia deben contar, por regulaciones legales, con un Sistema de Administración del Riesgo de Lavado de Activos y Financiación del Terrorismo (SARLAFT); dentro de los elementos que contiene dicho sistema se encuentra el monitoreo de las operaciones transaccionales de los clientes de la entidad para identificar y reportar operaciones de lavado de activos y financiación del terrorismo. Actualmente, una entidad financiera colombiana que ofrece servicios de arrendamiento financiero (leasing) tiene la necesidad de monitorear las operaciones a las obligaciones financieras de sus clientes con el fin de identificar comportamientos inusuales y a partir de ellos posibles alertas de Lavado de Activos o Financiación del Terrorismo. En este trabajo se presenta una solución a dicha necesidad por medio de la implementación de un modelo computacional, enmarcado en la metodología de desarrollo de proyectos de minería de datos, CRISP-DM y utilizando técnicas estadísticas, analíticas y conceptos de inteligencia de negocios. Con este monitoreo se identifican operaciones inusuales para los clientes que realizaron prepagos parciales o totales sobre sus obligaciones de Leasing Financiero o Arrendamiento Operativo, que pudiesen considerarse como valores atípicos dentro del segmento interno del cliente en la entidad, y generan alertas, para su posterior evaluación por modelos prescriptivos y expertos del negocio para determinar si son una posible fuente de Lavado de Activos.
  • Miniatura
    PublicaciónAcceso abierto
    Modelo computacional para la identificación de firmas de expresión génica asociadas con la respuesta a inhibidores de puntos de control en cáncer
    (Universidad EIA, 2024) Castillo Uparela, Daniel Eduardo; Castaño Portilla, Carolina
    RESUMEN: El cáncer es una enfermedad caracterizada por la pérdida de control en la proliferación celular debido a la rápida expansión y transformación de células normales en células cancerosas, lo que constituye un desafío científico crucial para el desarrollo de tratamientos menos invasivos y más efectivos. Según la Agencia Internacional para la Investigación del Cáncer, en el año 2020 la enfermedad fue responsable de casi 10 millones de defunciones a nivel mundial, representando aproximadamente una de cada seis muertes registradas. Ante el desalentador escenario del cáncer, las terapias dirigidas ofrecen una alternativa con menos efectos secundarios en comparación con tratamientos tradicionales como la quimioterapia, posicionando a la inmunoterapia como una de las opciones más prometedoras en los últimos años. A diferencia de los métodos invasivos tradicionales que atacan indiscriminadamente las células tumorales, la inmunoterapia estimula el sistema inmunitario para que sea este el encargado de destruir el tumor, demostrando ser una estrategia innovadora y menos agresiva. Esta metodología terapéutica no solo implica menos efectos secundarios, sino que también representa una oportunidad significativa para combatir la proliferación de la enfermedad a lo largo del organismo. Este trabajo propone un modelo computacional basado en inteligencia artificial y técnicas bioinformáticas para identificar firmas de expresión génica asociadas con la respuesta a la inmunoterapia basada en inhibidores de puntos de control inmunitario anti PD1/PD-L1 en cáncer. Se utilizó un enfoque metodológico robusto, que incluyó la corrección del efecto batch inducido por las máquinas de secuenciación utilizando la librería Inmoose, así como la normalización de los datos de expresión génica mediante TPM. Adicionalmente, se aplicaron técnicas de reducción dimensional como el Análisis de Componentes Principales (PCA) para la visualización bidimensional y tridimensional de los datos. El balanceo de clases se realizó empleando técnicas como SMOTE, NearMiss y SMOTETomek integradas en Scikit-learn, mejorando significativamente el rendimiento del modelo. La optimización de hiperparámetros se llevó a cabo con la biblioteca Optuna, y la identificación de firmas genéticas se realizó utilizando Mlxtend. Estos métodos permitieron la creación de un repositorio digital de datos de expresión génica de pacientes con tumores sólidos y la implementación de un modelo computacional fundamentado en algoritmos de Machine Learning para predecir la respuesta a la inmunoterapia. Los resultados obtenidos demuestran que la firma de 14 genes seleccionada es capaz de clasificar con precisión la respuesta al tratamiento en pacientes con cáncer, mostrando un notable desempeño y potencial para futuras investigaciones. Este modelo tiene el potencial de convertirse en una herramienta valiosa para guiar investigaciones adicionales y apoyar decisiones médicas en el contexto de la inmunoterapia como terapia dirigida.