Publicación: Modelo predictivo para el pronóstico temprano de gravedad en pacientes con neumonía de una unidad de cuidados intensivos
Portada
PDF 
FLIP Citas bibliográficas
Gestores Bibliográficos
Indexadores
Código QR
Autores
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Editores
Tipo de Material
Fecha
Cita bibliográfica
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen en español
RESUMEN: La neumonía ataca directamente al sistema respiratorio, por lo que en algunos casos se hace necesario conectar al paciente a un ventilador o ingresarlo a una unidad de cuidados intensivos (UCI), en ese punto la salud del paciente es inestable por lo que es de vital importancia mantenerlo en revisión constante. Mediante este proyecto se pretende desarrollar un modelo que permita el pronóstico temprano de gravedad de los pacientes con neumonía en UCI, evitando el retraso en el tratamiento, falta de cuidados o errores clínicos. El trabajo se realizó utilizando la base de datos MIMIC-III, que tiene información clínica de pacientes reales en cuidados intensivos. En un análisis descriptivo de los datos se encontró que el 14.23% de la muestra tiende a obtener el peor desenlace, que es la muerte. El modelo propuesto fue LightGBM con un 96% de accuracy y su recall para la clase objetivo del 100%, teniendo una ventana de las últimas 24 horas para recolectar datos y 12 horas descartadas antes de la predicción.
Resumen en inglés
ABSTRACT: Pneumonia directly attacks the respiratory system, so in some cases it is necessary to connect the patient to a ventilator or admit him to an intensive care unit (ICU), at that point the patient's health is unstable so it is vital to keep him under constant review. The aim of this project is to develop a model that allows early prognosis of the severity of patients with pneumonia in ICU, avoiding delay in treatment, lack of care or clinical errors. The work was performed using the MIMIC-III database, which has clinical information of real patients in intensive care. In a descriptive analysis of the data, it was found that 14.23% of the sample tends to obtain the worst outcome, which is death. The proposed model was LightGBM with 96% accuracy and its recall for the target class of 100%, having a window of the last 24 hours to collect data and 12 hours discarded before prediction.