Please use this identifier to cite or link to this item: http://repository.eia.edu.co/handle/11190/2375
Title: Modelo de predicción de sepsis a partir de datos históricos de pacientes en una unidad de cuidados intensivos
Authors: González Muñoz, Zuleimi Esteffanny
Merizalde Maya, Pablo
Adviser: Bonet Cruz, Isis
Keywords : Infección
Sepsis
UCI
SIRS
SOFA
qSOFA
SAPS-II
Indicadores
Inteligencia artificial
Infection
Sepsis scores
Artificial intelligence
Issue Date: 2019
Publisher: Universidad EIA
Abstract: 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.
Abstract (English): The growing availability of data and the fast development of data analysis methods, have made possible the recent successful applications of Artificial Intelligence in health. The use of these technological advances, allow us to help in the different processes of health institutions such as in the prediction and diagnosis of diseases. Among these, sepsis is considered a condition with a high mortality rate, especially in intensive care units. This condition, can become very serious due to the different ways of manifesting, which makes it difficult to diagnose. The verification of some general inflammatory variables, allows us to indicate the lethality of the infection. Currently, the most common is the use of indicators such as SOFA, qSOFA and SAPS-II to predict the possibility of sepsis, because it is closely related to mortality. Although, in developed countries are already using methods based on historical data with artificial intelligence algorithms to make an early prediction. In the present work we analyzed the data stored in the free database MIMIC-III, which contains information of patients admitted to the intensive care unit of The Beth Israel Deaconess Medical Center in Boston, Massachusetts. A series of clinical variables of the patients were used, which were passed through hard rules that generate a numerical value or probability that is related to the severity of the condition. The chosen variables, correspond to those used in the mentioned indicators in order to predict the existence or not of sepsis and the mortality of patients. Therefore, the objective of the work is to perform an early prediction model of sepsis, using artificial intelligence methods and to compare it with the different indicators for the diagnosis of this condition. The procedure carried out was based on the CRISP-DM methodology, where the data was obtained, an analysis of their quality was done, the variables of the aforementioned indicators were selected, a cleaning of the data was performed, and a single view was obtained which was used to train selected supervised classifiers: decision tree, KNN, naive bayes, neural network and support vector machines. For this classification, the data were first divided into learning and validation data, the models were implemented, and finally the results were corroborated, choosing the best models and comparing the algorithms among themselves, through the evaluation of metrics using cross-validation. The results indicated that the models of machine learning and deep learning implemented, are able to equal and even improve the predictions of hard rule models, breaking the paradigms and serving as a support in the decision making of health professionals.
Description: 88 páginas
URI: http://repository.eia.edu.co/handle/11190/2375
Citation: González Muñoz, Z.E. y Merizalde Maya, P. (2019). Modelo de predicción de sepsis a partir de datos históricos de pacientes en una unidad de cuidados intensivos. (Trabajo de grado). Recuperado de: http://repository.eia.edu.co/handle/11190/2375
Location: INFO0073
Appears in Collections:Ingeniería de Sistemas y Computación

Files in This Item:
File Description SizeFormat 
GonzalezZuleimi_2019_ModeloPrediccionSepsis.pdfTrabajo de grado1.83 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.