Publicación:
Minería de datos para la identificación de factores de riesgo en pacientes con hipertensión arterial

dc.contributor.advisorOchoa Guevara, Nancy Edith
dc.contributor.authorAmézquita Moreno, Geordan Iván
dc.contributor.authorPatiño Cañas, Nicolas
dc.contributor.authorMorales Salamanca, Cristian Camilo
dc.contributor.researchgroupGIISspa
dc.date.accessioned2021-10-15T18:38:53Z
dc.date.available2021-10-15T18:38:53Z
dc.date.issued2019
dc.description.abstractLa minería de datos es una técnica que ha permitido el análisis de grandes volúmenes de información dando como resultado patrones o reglas que ayudan a entender el comportamiento de un sistema. Este trabajo se plantea como el uso de esta técnica puede beneficiarse la medicina partiendo del análisis de información de pacientes que padecieron hipertensión del área de Bogotá, determinando los factores de riesgos presentes en esta población basados en las causas descritas en el Catálogo Internacional de Enfermedades. Mediante la aplicación de diferentes algoritmos se pudo determinar variables importantes que pueden determinar la prevalencia y consecuente muerte de estos pacientesspa
dc.description.degreelevelPregradospa
dc.description.degreenameIngeniero(a) de Softwarespa
dc.description.researchareaIngeniería de Softwarespa
dc.description.tableofcontents-Planteamiento del problema -Marco teórico -Metodología -Diseño de la investigación -Resultados y discusiónspa
dc.format.extent58 Paginasspa
dc.format.mimetypeapplication/pdfspa
dc.identifier.urihttps://repositoriocrai.ucompensar.edu.co/handle/compensar/3356
dc.language.isospaspa
dc.publisher.facultyFacultad de Ingenieríaspa
dc.publisher.placeBogotá D.Cspa
dc.publisher.programIngeniería de Softwarespa
dc.relation.referencesCanún Serranoa , S., Navarrete Hernández, E., Reyes Pablo, A. E., & Valdés Hernández, J. (2015). Prevalencia de malformaciones congénitas de herencia multifactorial de acuerdo con los certificados de nacimiento y muerte fetal. Boletín médico del Hospital Infantil de México, 290-294spa
dc.relation.referencesCauas, D. (2015). Definición de las variables, enfoque y tipo de investigación. Bogotá: biblioteca electrónica de la universidad Nacional de Colombia, 2.spa
dc.relation.referencesCelaya, I. T. (2015). Sistema de diagnóstico de enfermedades de vías urinarias . México: Pistas Educativas.spa
dc.relation.referencesChampagne, B. M., Sebrié, E. M., Schargrodsky, H., Pramparo, P., Boissonnet, C., & Wilson, E. (2010). Tobacco smoking in seven Latin American cities: the CARMELA study. Tobacco control, 19(6), 457-462spa
dc.relation.referencesChang, C. D., Wang, C. C., & Jiang, B. C. (2011). Using data mining techniques for multi-diseases prediction modeling of hypertension and hyperlipidemia by common risk factors. Expert systems with applications, 38(5), 5507-5513spa
dc.relation.referencesDANE. (2018). Censos y Demografía. Departamento Administrativo Nacional de Estadísticaspa
dc.relation.referencesDávila Hernández, F., & Sánchez Corales, Y. (2012). Técnicas de minería de datos aplicadas al diagnóstico de entidades clínicas. Revista Cubana de Informática Médica, 4(2), 174183spa
dc.relation.referencesDelen, D., Walker, G., & Kadam, A. (2005). Predicting breast cancer survivability: a comparison of three data mining methods. Artificial intelligence in medicine, 34(2), 113-127spa
dc.relation.referencesDíaz Realpe, J. E., Muñoz Martínez, J., & Sierra Torres, C. H. (2007). Factores de riesgo para enfermedad cardiovascular en trabajadores de una institución prestadora de servicios de salud, Colombia. Revista de salud pública, 9, 64-75spa
dc.relation.referencesEscobedo, J., Schargrodsky, H., Champagne, B., Silva, H., Boissonnet, C. P., Vinueza, R., . . . Wilson, E. (2009). Prevalence of the Metabolic Syndrome in Latin America and its association with sub-clinical carotid atherosclerosis: the CARMELA cross sectional study. Cardiovascular diabetology, 8(1), 52.spa
dc.relation.referencesGarre, M., Cuadrado, J. J., & Sicilia, M. Á. (2007). Comparación de diferentes algoritmos de clustering en la estimación de coste en el desarrollo de software. REICIS. Revista Española de Innovación, Calidad e Ingeniería del Software, 3(1). Recuperado el 10 de 5 de 2019, de http://www.sc.ehu.es/jiwdocoj/remis/docs/GarreAdis05.pdfspa
dc.relation.referencesGijón Conde, T., Gorostidi, M., Camafort, M., Abad Cardiel, M., Martín Rioboo, E., Morales Olivas, F., . . . de la Sierra, A. (2018). Documento de la Sociedad Española de Hipertensión-Liga Española para la Lucha contra la Hipertensión Arterial (SEHLELHA) sobre las guías ACC/AHA 2017 de hipertensión arterial. Hipertensión y riesgo vascular, 35(3), 119-129spa
dc.relation.referencesHernández Sampieri, R. (2010). Metodología de la Investigación. Bogotá: McGraw Hillspa
dc.relation.referencesImagine Easy Solutions. (09 de 2016). Normas APA. Obtenido de http://normasapa.net/spa
dc.relation.referencesJoyanes Aguilar, L., Castaño, N. J., & Osorio, J. H. (2015). Modelo de simulación y minería de datos para identificar y predecir cambios presupuestales en la atención de pacientes con hipertensión arterial. Revista de Salud Pública, 17, 789-800spa
dc.relation.referencesMartín Vegue, A. R., Vázquez Barquero, J. L., & Herrera Castanedo, S. H. (2002). CIE-10 (I): Introducción, historia y estructura general. Pápeles Médicos, 24-35spa
dc.relation.referencesMendeley. (09 de 2016). Mendeley. Obtenido de https://www.mendeley.com/spa
dc.relation.referencesMilovic, B. (2012). Prediction and decision making in health care using data mining. Kuwait chapter of arabian journal of business and management review, 33(848), 1-11.spa
dc.relation.referencesMinisterio de Salud y Protección Social - Colciencias. (2013). Guía de práctica clínica Hipertensión Arterial Primaria (HTA). Obtenido de https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/INEC/IETS/G PC_Ptes_HTA.pdfspa
dc.relation.referencesMinisterio de Salud y Protección Social. (2017). Análisis de Situación de Salud. Bogotá: Imprenta Nacional de Colombia. Recuperado el 25 de 04 de 2019, de https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/VS/ED/PSP/a sis-nacional-2017.pdfspa
dc.relation.referencesMinisterio de Sanidad, consumo y Bienestar Social, Gobierno de españa. (16 de 05 de 2019). eCIEMaps v3.1.2. Obtenido de eCIEMaps v3.1.2: https://eciemaps.mscbs.gob.es/ecieMaps/browser/index_10_mc_old.htmlspa
dc.relation.referencesMoine, J. M., Haedo, A. S., & Gordillo, S. (2011). Estudio comparativo de metodologías para minería de dato. XIII Workshop de Investigadores en Ciencias de la Computaciónspa
dc.relation.referencesMoon, T. (1996 ). The expectation-maximization algorithm. Utah State Univ., Logan, UT, USA: Electr. & Comput.spa
dc.relation.referencesOMS. (2008). International Statistical Classification of Diseases and Related Health Problems, 10th Revision. Washington, D.C.spa
dc.relation.referencesOMS. (2013). www.who.int. Obtenido de Organización Munidial de la Salud: https://apps.who.int/iris/bitstream/handle/10665/87679/WHO_DCO_WHD_2013.2 _spa.pdf;jsessionid=8A46753B970460CA16BE2BAFED4EA6E8?sequence=1spa
dc.relation.referencesOviedo Carrascal, E. A., Oviedo Carrascal, A. I., & Vélez Saldarriaga, G. L. (2015). Minería de datos: aportes y tendencias en el servicio de salud de ciudades inteligentes. Revista Politécnica, 11(20), 111-120.spa
dc.relation.referencesPanduro B, J. G., Pérez M, J. J., Panduro M, E. G., Castro H, J. F., & Vázquez G, M. D. (2011). Factores de riesgo prenatales en la muerte fetal tardía, Hospital Civil de Guadalajara, México. Revista chilena de obstetricia y ginecología, 169-174.spa
dc.relation.referencesRamos Martínez, E., Herrera, M., Pérez García, R., & Izquierdo, J. (2012). EVALUACIÓN DE LAS CARACTERÍSTICAS DE LOS SISTEMAS DE DISTRIBUCIÓN DE AGUA ASOCIADAS AL DESARROLLO DE BIOFILMS.spa
dc.relation.referencesRiquelme Santos, J. C., Ruiz, R., & Gilbert, K. (2006). Minería de Datos: Conceptos y Tendencias. Inteligencia Artificial: Revista Iberoamericana de Inteligencia Artificial, 10(29), 11-18spa
dc.relation.referencesRoy Rosenzweig Center for History and New Media. (09 de 2016). Zotero. Obtenido de https://www.zotero.orgspa
dc.relation.referencesSáenz, J. (09 de 09 de 2016). Wiki Sistemas Digitales. Obtenido de http://sistdig.wikidot.comspa
dc.relation.referencesSecretaria de Salud. (2012). Manual de riesgo Cardiovascular. Obtenido de Gobernación del Cauca - Secretaría de Salud Departamental: http://saludcauca.gov.co/docs/2012/s_integrado_informacion/publicaciones/MANU AL_DE_RIESGO_CARDIOVASCULAR_SSDC2010.pdfspa
dc.relation.referencesSecretaría Distrital de Salud de Bogotá. (2018). Documento de Análisis de Situación de Salud con el Modelo de los Determinantes Sociales de Salud para el Distrito Capital. Bogotá, D.C.: Secretaría Distrital de Salud. Recuperado el 14 de 05 de 2019, de https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/VS/ED/PSP/a sis-bogota-2018.pdfspa
dc.relation.referencesSegura, C. M. (2017). Análisis de Situación de Salud. Colombia. Bogotá: Imprenta Nacional de Colombia.spa
dc.relation.referencesSteinberg, D. &. (2009). CART: classification and regression trees. The top ten algorithms in data miningspa
dc.relation.referencesSuárez, R. (2015). Energías renovables, Impacto y Efectividad. Revista Científica Ingeniería y Desarrollo en Energía, 48-53spa
dc.relation.referencesSubdirección de Información Sectorial. (2018). Hábitat de cifras secretaría distrital del hábitat. Obtenido de https://habitatencifras.habitatbogota.gov.co/documentos/boletines/Localidades/Ba rrios_unidos.pdfspa
dc.relation.referencesTecnológico de Celaya. (2015). Análisis de métodos de clasificación para el diagnóstico de fertilidad. México: Pistas Educativasspa
dc.relation.referencesThomson Reuters. (09 de 2016). EndNote. Obtenido de http://endnote.com/spa
dc.relation.referencesToscano de la Torre, B., Ponce, J., Margain, L., López Espinoza, R., & Ángel Meza de Luna, M. (2016). Aplicación de Minería de Datos para la Identificación de Factores de Riesgo Asociados a la Muerte Fetal. VIII Congreso Internaconal en Ciencias Computacionales - CICOMP 2016 (págs. 215 - 224). Baja California: CreateSpacespa
dc.relation.referencesUniversidad de los Andes. (2011). Sistemas de información en el sector salud en Colombia. Revista Gerencia y Políticas de Salud, 89,90spa
dc.relation.referencesVinueza, R., Boissonnet, C. P., Acevedo, M., Uriza, F., Benitez, F. J., Silva, H., . . . CARMELA Study Investigators. (2010). Dyslipidemia in seven Latin American cities: CARMELA study. Preventive medicine, 50(3), 106-111spa
dc.relation.referencesWong, J. A. (1979). Algorithm AS 136: A K-Means Clustering Algorithm . Wiley for the Royal Statistical Societyspa
dc.rightsFundación Universitaria Compensar, 2019spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
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.sourceFormato PDFspa
dc.subject.proposalMinería de datosspa
dc.subject.proposalHipertensión Arterialspa
dc.subject.proposalAlgoritmosspa
dc.subject.proposalClústeresspa
dc.subject.proposalFartherfistspa
dc.titleMinería de datos para la identificación de factores de riesgo en pacientes con hipertensión arterialspa
dc.typeTrabajo de grado - Pregradospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1fspa
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
oaire.accessrightshttp://purl.org/coar/access_right/c_abf2spa
oaire.versionhttp://purl.org/coar/version/c_970fb48d4fbd8a85spa

Archivos

Bloque original

Mostrando 1 - 1 de 1
Cargando...
Miniatura
Nombre:
Minería de datos para la identificación de factores de riesgo en pacientes con hipertensión arter.pdf
Tamaño:
1.6 MB
Formato:
Adobe Portable Document Format
Descripción:

Bloque de licencias

Mostrando 1 - 1 de 1
Cargando...
Miniatura
Nombre:
license.txt
Tamaño:
14.48 KB
Formato:
Item-specific license agreed upon to submission
Descripción: