Persona: Bonet Cruz, Isis
Proyectos de investigación
Unidades organizativas
Puesto de trabajo
Profesora del área académica de Ingeniería de Sistemas y Computación
Apellidos
Bonet Cruz
Nombre de pila
Isis
Dirección de correo electrónico
ORCID
0000-0002-3031-2334
Google Scholar
Fecha de nacimiento
Grupo de investigación
- Publicaciones (Autor)
- Publicaciones (Director)
- Publicaciones (Jurado)
- Publicaciones (Editor)
- Publicaciones (Colaborador)
1 resultados
Resultados de la búsqueda
Mostrando 1 - 1 de 1
Publicación Sólo datos Sistema inteligente de predicción temprana de la sepsis en unidades de cuidado intensivo(Universidad EIA, 2021) Iadanza, Ernesto; Gil, Bladimir; Bonet Cruz, IsisRESUMEN: La sepsis es un síndrome fisiopatológico complejo que se caracteriza por anomalías bioquímicas y disfunciones orgánicas, que se presentan a causa de una respuesta desregulada del paciente a una infección. Esta condición tiene una alta incidencia y lidera una de las principales causas de morbilidad y mortalidad a nivel mundial. Debido a las dificultades para su detección y tratamiento, es considerada una de las condiciones médicas prioritarias a nivel de salud pública. La identificación temprana y el inicio de tratamientos apropiados en el paciente favorecen la recuperación y supervivencia de los pacientes. En esta investigación se propone un sistema inteligente de predicción temprana de sepsis en pacientes en unidades de cuidados intensivos. El sistema se basa en en un modelo híbrido, usando técnicas de inteligencia artificial. Además, este modelo utiliza datos estructurados y no estructurados, procedentes de múltiples fuentes de una institución de salud local. El sistema tiene la capacidad de procesar textos de resultados de imágenes diagnósticas, así como datos clínicos tales como los demográficos, variabilidad de signos vitales, resultados de laboratorio clínico, así como series de tiempo multivariadas. El modelo híbrido se divide en dos partes. La primera es un modelo de procesamiento de lenguaje natural que extrae información relacionada con sepsis y la convierte en variables estructuradas. La segunda parte es un modelo multiclasificador que tiene como clasificadores de base un XGBoost y KNN con una funci´on de distancia basada en Dynamic Time Warping para tratar los datos clínicos estructurados del paciente y las series de tiempo respectivamente, y un metaclasificador como método de combinación de salida. Los entrenamientos y validaciones se realizaron usando dos bases de datos, una internacional llamada MIMIC-III y otra de una instituci´on de salud de tercer nivel de atención de la ciudad de Medellín. Se compararon los modelos, usando con los pacientes de MIMIC-III y la local, concluyendo que las variables que ayudan a predecir la sepsis no son las mismas, y las que coinciden no tienen la misma relevancia. Con esto se corrobora que sistemas de este tipo deben ser adaptados a las regiones específicas, ya que puede haber influencias demográficas o de las bacterias que causen la infección. Por otro lado, los resultados indican que el sistema tiene la capacidad de predecir la sepsis-3 hasta 3 horas previas alcanzando un AUROC de 0.84 para MIMIC-III y de 0.87 para la institución de salud local. Por lo tanto, usando datos de cuidado intensivo, la sepsis se puede predecir con el sistema propuesto hasta por 3 horas previas a su desarrollo, lo que le permite al personal asistencial disponer de una solución novedosa para mejorar la condición de los pacientes.
