Factores de riesgo asociados al bajo peso en los recién nacido, Hospital Víctor Ramos Guardia, Huaraz, 2002-2009, usando minería de datos con redes neuronales

• Autor: Asnate Salazar, Edwin Johny
• Formato: tesis doctoral
• Fecha de Publicación: 2014
• Institución: Universidad Nacional Santiago Antúnez de Mayolo
• Repositorio: UNASAM-Institucional
• Lenguaje: español
• OAI Identifier: oai:172.16.0.151:UNASAM/4533
• Enlace del recurso: http://repositorio.unasam.edu.pe/handle/UNASAM/4533
• Nivel de acceso: acceso abierto
• Materia: Bajo peso nacer; Factores de riesgo; Minería de datos Red neuronal; https://purl.org/pe-repo/ocde/ford#1.02.01

El presente estudio tuvo como objetivo determinar los factores de riesgo asociados al bajo peso en los recién nacidos, Hospital Víctor Ramos Guardia, Huaraz, 2002 – 2009, usando minería de datos con redes neuronales, la hipótesis Los factores de riesgo asociados al bajo peso de recién nacidos en el Hospital Víctor Ramos Guardia de Huaraz, mediante el uso de minería de datos con redes neuronales, son: edad gestacional, Preeclampsia, embarazo doble, parto prematuro, membrana hialina, malformación del sistema respiratorio, el diseño de la investigación es de casos y controles; los casos estuvieron constituidos por las historias clínicas perinatales de los recién nacidos con peso al nacer menor de 2500 gramos y los controles por las historias clínicas perinatales de los recién nacidos con peso al nacer mayor 2500 gramos, la técnica de contrastación es el diseño estadístico en la minería de datos, con la metodología CRIPS-DM, la muestra será toda la población 15837 historias clínicas perinatales de los recién nacidos en el periodo de estudio seleccionándose 1786 casos y 14051 controles. Usando la minería de datos con redes neuronales y el Odds Ratio se confirmó la hipótesis de la investigación. La red neuronal de perceptron multicapa hallado, clasifica de manera correcta a un 94.8475% de las instancias, comparando el modelo de redes neuronales con perceptron multicapa y la regresión logística múltiple observando la matriz de confusión de ambos modelos, la red neuronal encontrada estadísticamente es mejor en clasificar las instancias en 1% de diferencia en relación al modelo de regresión logística múltiple