Publicación:
Identificación temprana y predicción de sepsis en pacientes de UCI a partir de datos fisiológicos

Vista sencilla de ítem
dc.contributor.advisorBonet Cruz, Isis
dc.contributor.authorGonzalez Mesa, Pablo
dc.date.accessioned2021-03-11T17:10:41Z
dc.date.available2021-03-11T17:10:41Z
dc.date.issued2020
dc.description65 páginasspa
dc.description.abstractRESUMEN: Sepsis se define como una disfunción orgánica causada por una respuesta desregulada a una infección por parte del paciente. Es una de las causas de muerte más común en pacientes de unidades de cuidados intensivos en todo el mundo, lo que lo convierte en una problemática de gran importancia. La detección temprana de este síndrome es de gran importancia a la hora tratar a los pacientes efectivamente. En este trabajo se propone un modelo de inteligencia artificial para la identificación temprana y predicción de sepsis utilizando la base de datos MIMIC y adaptando los resultados a los datos de una institución local de salud. Se realizaron pruebas con múltiples modelos y parámetros de estos. El mejor resultado para la identificación temprana de sepsis fue el resultado de hacer un modelo multiclasificador con diferentes rasgos para los clasificadores, en este caso se usaron un kNN y un XGBoost y utilizar sus resultados como las entradas de una regresión logística. Éste tuvo un AUROC de 0.944. Para predicción de sepsis se propuso un modelo XGBoost capaz de predecir 1, 2 y 3 horas de anticipación con métricas de 0.918, 0.912 y 0.908 respectivamente.spa
dc.description.abstractABSTRACT: Sepsis is defined as an organic disfunction due to an unregulated response to an infection. Sepsis is one of the main causes of death in intensive care units (ICU) all around the world, which makes it a very important problem to tackle. Early sepsis detection plays a big role in taking care of patients effectively. In this work, an artificial intelligence model for the early identification and prediction of sepsis based in the public database MIMIC is proposed. The model is also adapted to the data of a local health institution. Multiple models with different parameters were tested. A model using an ensemble of classifiers with a XGBoost model and a kNN model and using their results in a logistic regression as meta-classifier obtained an AUROC of 0.944 for early sepsis identification. For sepsis prediction a simple XGBoost model was proposed and was able to predict 1, 2 and 3 hours before the sepsis onset with an AUROC of 0.918, 0.912 and 0.908, respectively.eng
dc.description.degreelevelPregradospa
dc.description.degreenameIngeniero(a) de Sistemas y Computaciónspa
dc.format.mimetypeapplication/pdfspa
dc.identifier.bibliographiccitationGonzalez Mesa, P. (2020). Identificación temprana y predicción de sepsis en pacientes de UCI a partir de datos fisiológicos [tesis de pregrado, Universidad EIA]. Repositorio Institucional Universidad EIA. https://repository.eia.edu.co/handle/11190/2707
dc.identifier.urihttps://repository.eia.edu.co/handle/11190/2707
dc.language.isospaspa
dc.publisherUniversidad EIAspa
dc.publisher.facultyEscuela de Ingeniería y Ciencias Básicasspa
dc.publisher.placeEnvigado (Antioquia, Colombia)spa
dc.publisher.programIngeniería de Sistemas y Computaciónspa
dc.rightsDerechos Reservados - Universidad EIA, 2020eng
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2spa
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)spa
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/spa
dc.sourceRepositorio Institucional Universidad EIA
dc.subject.proposalSepsisspa
dc.subject.proposalInteligencia artificialspa
dc.subject.proposalArtificial Intelligenceeng
dc.titleIdentificación temprana y predicción de sepsis en pacientes de UCI a partir de datos fisiológicosspa
dc.typeTrabajo de grado - Pregradospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1fspa
dc.type.coarversionhttp://purl.org/coar/version/c_970fb48d4fbd8a85spa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/bachelorThesisspa
dc.type.redcolhttps://purl.org/redcol/resource_type/TPspa
dc.type.versioninfo:eu-repo/semantics/publishedVersionspa
dspace.entity.typePublication
Archivos
Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
GonzalezPablo_2020_IdentificacionTempranaPrediccion.pdf
Tamaño:
597.36 KB
Formato:
Adobe Portable Document Format
Descripción:
Trabajo de grado
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
Miniatura
Nombre:
license.txt
Tamaño:
2.46 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
Ingeniería de Sistemas y Computación