Examinando por Materia "UCI"

Mostrando 1 - 3 de 3
  • Miniatura
    PublicaciónAcceso abierto
    Modelo de predicción de sepsis a partir de datos históricos de pacientes en una unidad de cuidados intensivos
    (Universidad EIA, 2019) González Muñoz, Zuleimi Esteffanny; Merizalde Maya, Pablo; Bonet Cruz, Isis
    La creciente disponibilidad de datos y el rápido desarrollo de métodos de análisis de datos, han hecho posible las recientes aplicaciones exitosas de la Inteligencia Artificial en la salud. El uso de estos avances tecnológicos, permiten ayudar en los diferentes procesos de las instituciones de salud como en la predicción y diagnóstico de enfermedades. Dentro de estas, la sepsis es considerada como una afección con alta tasa de mortalidad especialmente en las unidades de cuidados intensivos. Esta afección, puede llegar a ser muy grave debido a las diferentes maneras de manifestarse, lo que dificulta su diagnóstico. La verificación de algunas variables generales inflamatorias, permiten indicar la letalidad de la infección. Actualmente, lo más común es el uso de indicadores como: SOFA, qSOFA y SAPS-II para predecir la posibilidad de sepsis, ya que ésta está muy ligada a la mortalidad. Aunque, en países desarrollados ya se están usando métodos basados en datos históricos con algoritmos de inteligencia artificial para poder hacer una predicción temprana. En el presente trabajo se analizaron los datos almacenados en la base de datos libre MIMIC-III, la cual contiene información de pacientes admitidos en la unidad de cuidados intensivos de The Beth Israel Deaconess Medical Center en Boston, Massachusetts. Se usaron una serie de variables clínicas de los pacientes, las cuales se pasaron por unas reglas duras que generan un valor numérico o probabilidad que se relaciona con la severidad del padecimiento. Las variables elegidas, corresponden a las que se utilizan en los indicadores mencionados para poder predecir la existencia o no de sepsis y la mortalidad de los pacientes. Por lo que el objetivo del trabajo es realizar un modelo de predicción de sepsis temprana, utilizando métodos de inteligencia artificial y compararlos con loa diferentes indicadores para el diagnóstico de esta afección. El procedimiento realizado, se basó en la metodología CRISP-DM, donde se inició con la obtención de los datos, se realizó un análisis de calidad de estos, se procedió a seleccionar las variables de los indicadores mencionados, se realizó una limpieza de estos datos y se obtuvo la vista única, la cual fue utilizada para entrenar clasificadores supervisados seleccionados: árbol de decisiones, KNN, naive bayes, red neuronal y máquinas de vector soporte. Para esta clasificación, se dividieron primero los datos en datos de aprendizaje y validación, se implementaron los modelos, y por último se corroboraron los resultados, eligiendo los mejores modelos y comparando los algoritmos entre sí, por medio de la evaluación de métricas utilizando validación cruzada. Los resultados indicaron que los modelos de machine learning y deep learning implementados, son capaces de igualar e incluso mejorar las predicciones de los modelos de reglas duras, rompiendo los paradigmas y sirviendo como un apoyo en la toma de decisiones de los profesionales de la salud.
  • Miniatura
    PublicaciónAcceso abierto
    Modelo predictivo para el pronóstico de tiempos de estancia de pacientes en unidades de cuidados intensivos
    (Universidad EIA, 2021) David Martínez, Cristian Camilo; Bonet Cruz, Isis; Camacho Cogollo, Javier Enrique
    RESUMEN: La ciudad de Medellín es una de las más grandes en Colombia, y sigue en crecimiento, lo cual implica un reto para muchos sectores, entre ellos el sector de la salud, que tiene que aprovechar al máximo sus recursos para poder cubrir la gran demanda que se genere. Uno de los recursos más esenciales y limitados que puede ofrecer un hospital son las unidades de cuidados intensivos (UCI), pues estás unidades deben estar equipadas con alta tecnología con la capacidad de mantener a un paciente en condiciones constantes y monitoreo las 24 horas, y por estas necesidades, es complicado expandir constantemente estás unidades, obligando a buscar otras alternativas a la atención de más personas con los mismos recursos. Por ello, se plantea la implementación de un sistema de inteligencia artificial, el cual ayude en la administración de las unidades de cuidados intensivos, ofreciendo estimaciones de uso con base a los datos del paciente, para garantizar una planeación más acertada y poder aprovechar en todo momento estás unidades. Para ello se entrenaron diferentes modelos de inteligencia artificial y se evaluó la efectividad de cada uno de estos prediciendo los tiempos de estancia en las unidades de cuidados intensivos y así se determinó el más útil para una institución de salud local. Como resultando, diferentes tipos de modelos tanto de regresión como clasificación categórica fueron entrenados y dentro de estos se puede resaltar modelos basados en arboles de decisiones como el Random Forest con una precisión del 69%, modelos probabilísticos como Naive Bayes con una precisión del 64.3% brindando prioridad sobre los peores casos y dentro de los modelos de regresión podemos destacar el XGBoost con una desviación estándar de 7.43 días de estancia.
  • Miniatura
    PublicaciónAcceso abierto
    Monitoreo de equipos hospitalarios en tiempo real
    (Universidad EIA, 2020) Olarte García, María Isabel; Aristizabal Urrego, Ana María; Torres Villa, Róbinson Alberto
    RESUMEN: Hoy en día, la mayoría de las instituciones de salud cuentan con una gran cantidad y variedad de equipos biomédicos, los cuales tiene un costo considerable. Por ende, es muy importante que cada institución de salud cuente con una excelente organización para el manejo de los equipos, para así tenerlos en buenas condiciones de funcionamiento y su disponibilidad para el momento que sean requeridos. La ausencia de un sistema de inventario de equipos ha sido un problema actualmente en las instituciones de salud, debido a su gran cantidad de equipos, se les dificulta la localización exacta de cada uno de estos para los diferentes procesos que se le realizan a cada equipo, como su mantenimiento correctivo y preventivo y para su uso en general. Para la solución de dicho problema, se realizó una búsqueda de información en el mercado y además se tuvo en cuenta un modelo a escala de una institución prestadora de servicios de salud (IPS). Como resultados de las encuestas realizadas al personal de la salud se determinó que al personal se le dificulta la localización de los equipos, el proceso de búsqueda puede demorar alrededor de 30 minutos, en los servicios en los que se pierden más equipos es hospitalización, urgencias y UCI, los equipos que más se pierden son las bombas de infusión, básculas de piso, monitores de signos vitales y los VAC (Vacuum Assisted Closure). Con todo esto se diseñó un sistema de monitoreo de equipos hospitalarios en tiempo real, que brinda el historial de ubicación y la información de dónde se encuentra cada equipo actualmente. Para el desarrollo de software de monitoreo, se propuso un sistema RFID, el cual tendrá como función la localización en tiempo real con fecha y hora de cada equipo, esto por medio de unas tarjetas TAGS la cuales serán detectadas por el lector RFID que se encuentra en cada servicio de la institución de salud. Toda la información que el lector envíe, será almacenada en una base datos con su respectiva información de equipo, fecha y hora en el que dispositivo pasa por el lector. Para la verificación de todo este desarrollo, se realizaron diferentes registros de equipo y de lectores RFID. Después se realizaron pruebas para verificar si la ubicación actual de cada equipo es la correcta. Posteriormente se realizaron los ajustes necesarios y se verificó su funcionamiento en un entorno de prueba de una modelo a escala una IPS. Finalmente se obtuvo un sistema de monitoreo de equipos hospitalarios en tiempo real.