Modelo prospectivo de aprendizaje automático para la detección de factores obstétricos orientados al pronóstico de riesgo de muerte perinatal en el HRDMI El Carmen – Huancayo

Descripción del Articulo

Según el informe epidemiológico nacional de marzo del 2021, la Región Junín ocupa los primeros lugares en mortalidad perinatal con un 4,61 % (47 decesos). El hospital Regional Docente Materno Infantil El Carmen tiene un total de 21 decesos al mes de marzo y un total de 49 muertes perinatales al mes...

Descripción completa

Detalles Bibliográficos
Autor: Cerrón Pérez, José Luis
Formato: tesis doctoral
Fecha de Publicación:2021
Institución:Universidad Nacional del Centro del Perú
Repositorio:UNCP - Institucional
Lenguaje:español
OAI Identifier:oai:repositorio.uncp.edu.pe:20.500.12894/8276
Enlace del recurso:http://hdl.handle.net/20.500.12894/8276
Nivel de acceso:acceso abierto
Materia:Mortalidad perinatal
Sistema Informático Perinatal
Aprendizaje automático
Servicio web
https://purl.org/pe-repo/ocde/ford#2.02.04
id UNCP_48b54206aa4ad477237e55c40f9b41a8
oai_identifier_str oai:repositorio.uncp.edu.pe:20.500.12894/8276
network_acronym_str UNCP
network_name_str UNCP - Institucional
repository_id_str 4457
dc.title.es_PE.fl_str_mv Modelo prospectivo de aprendizaje automático para la detección de factores obstétricos orientados al pronóstico de riesgo de muerte perinatal en el HRDMI El Carmen – Huancayo
title Modelo prospectivo de aprendizaje automático para la detección de factores obstétricos orientados al pronóstico de riesgo de muerte perinatal en el HRDMI El Carmen – Huancayo
spellingShingle Modelo prospectivo de aprendizaje automático para la detección de factores obstétricos orientados al pronóstico de riesgo de muerte perinatal en el HRDMI El Carmen – Huancayo
Cerrón Pérez, José Luis
Mortalidad perinatal
Sistema Informático Perinatal
Aprendizaje automático
Servicio web
https://purl.org/pe-repo/ocde/ford#2.02.04
title_short Modelo prospectivo de aprendizaje automático para la detección de factores obstétricos orientados al pronóstico de riesgo de muerte perinatal en el HRDMI El Carmen – Huancayo
title_full Modelo prospectivo de aprendizaje automático para la detección de factores obstétricos orientados al pronóstico de riesgo de muerte perinatal en el HRDMI El Carmen – Huancayo
title_fullStr Modelo prospectivo de aprendizaje automático para la detección de factores obstétricos orientados al pronóstico de riesgo de muerte perinatal en el HRDMI El Carmen – Huancayo
title_full_unstemmed Modelo prospectivo de aprendizaje automático para la detección de factores obstétricos orientados al pronóstico de riesgo de muerte perinatal en el HRDMI El Carmen – Huancayo
title_sort Modelo prospectivo de aprendizaje automático para la detección de factores obstétricos orientados al pronóstico de riesgo de muerte perinatal en el HRDMI El Carmen – Huancayo
author Cerrón Pérez, José Luis
author_facet Cerrón Pérez, José Luis
author_role author
dc.contributor.advisor.fl_str_mv Ulloa NInahuaman, Jesús
dc.contributor.author.fl_str_mv Cerrón Pérez, José Luis
dc.subject.es_PE.fl_str_mv Mortalidad perinatal
Sistema Informático Perinatal
Aprendizaje automático
Servicio web
topic Mortalidad perinatal
Sistema Informático Perinatal
Aprendizaje automático
Servicio web
https://purl.org/pe-repo/ocde/ford#2.02.04
dc.subject.ocde.es_PE.fl_str_mv https://purl.org/pe-repo/ocde/ford#2.02.04
description Según el informe epidemiológico nacional de marzo del 2021, la Región Junín ocupa los primeros lugares en mortalidad perinatal con un 4,61 % (47 decesos). El hospital Regional Docente Materno Infantil El Carmen tiene un total de 21 decesos al mes de marzo y un total de 49 muertes perinatales al mes de julio, siendo éste un indicador preocupante por el aumento en comparación a periodos anteriores. La presente investigación tiene como objetivo determinar un modelo prospectivo de aprendizaje automático que permita detectar cuales son los factores obstétricos inmediatos, subyacentes y básicos que influyen en una muerte perinatal, así mismo, diseñar un modelo para predecir el riesgo de muerte. Con este propósito, se ha realizado una investigación descriptiva, usando un diseño transeccional correlacional-causal; adicionalmente se emplearon técnicas de análisis e inducción en el procesamiento de datos con Machine Learning, implementando un sistema con estructura de servicio web y extensión a uso de hojas de cálculo para determinar la probabilidad de ocurrencia de una complicación fatal. En los resultados se tiene que el modelo de regresión por red neuronal es el más confiable por su capacidad de predicción con error mínimo a partir de los factores obstétricos. También resulta que dichos factores en sus tres dimensiones son fundamentales para el diagnóstico de mortalidad. Finalmente, se propone la implementación del modelo prospectivo generado como apoyo del personal médico para una predicción más acertada y una mejora en la sistematización de la base de datos del Hospital Regional Docente Materno Infantil El Carmen.
publishDate 2021
dc.date.accessioned.none.fl_str_mv 2022-11-15T15:37:59Z
dc.date.available.none.fl_str_mv 2022-11-15T15:37:59Z
dc.date.issued.fl_str_mv 2021
dc.type.es_PE.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/20.500.12894/8276
url http://hdl.handle.net/20.500.12894/8276
dc.language.iso.es_PE.fl_str_mv spa
language spa
dc.relation.ispartof.fl_str_mv SUNEDU
dc.rights.es_PE.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.es_PE.fl_str_mv https://creativecommons.org/licenses/by/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by/4.0/
dc.format.es_PE.fl_str_mv application/pdf
dc.publisher.es_PE.fl_str_mv Universidad Nacional del Centro del Perú
dc.publisher.country.es_PE.fl_str_mv PE
dc.source.none.fl_str_mv reponame:UNCP - Institucional
instname:Universidad Nacional del Centro del Perú
instacron:UNCP
instname_str Universidad Nacional del Centro del Perú
instacron_str UNCP
institution UNCP
reponame_str UNCP - Institucional
collection UNCP - Institucional
bitstream.url.fl_str_mv http://repositorio.uncp.edu.pe/bitstream/20.500.12894/8276/1/T010_20054016_D.pdf
http://repositorio.uncp.edu.pe/bitstream/20.500.12894/8276/2/license.txt
http://repositorio.uncp.edu.pe/bitstream/20.500.12894/8276/3/T010_20054016_D.pdf.jpg
bitstream.checksum.fl_str_mv 3571fcad4e52dac5387d97a4f742381f
c52066b9c50a8f86be96c82978636682
8b113936c4ed5e05f6e336209a37a4dd
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv DSpace
repository.mail.fl_str_mv repositorio@uncp.edu.pe
_version_ 1846794633728753664
spelling Ulloa NInahuaman, JesúsCerrón Pérez, José Luis2022-11-15T15:37:59Z2022-11-15T15:37:59Z2021http://hdl.handle.net/20.500.12894/8276Según el informe epidemiológico nacional de marzo del 2021, la Región Junín ocupa los primeros lugares en mortalidad perinatal con un 4,61 % (47 decesos). El hospital Regional Docente Materno Infantil El Carmen tiene un total de 21 decesos al mes de marzo y un total de 49 muertes perinatales al mes de julio, siendo éste un indicador preocupante por el aumento en comparación a periodos anteriores. La presente investigación tiene como objetivo determinar un modelo prospectivo de aprendizaje automático que permita detectar cuales son los factores obstétricos inmediatos, subyacentes y básicos que influyen en una muerte perinatal, así mismo, diseñar un modelo para predecir el riesgo de muerte. Con este propósito, se ha realizado una investigación descriptiva, usando un diseño transeccional correlacional-causal; adicionalmente se emplearon técnicas de análisis e inducción en el procesamiento de datos con Machine Learning, implementando un sistema con estructura de servicio web y extensión a uso de hojas de cálculo para determinar la probabilidad de ocurrencia de una complicación fatal. En los resultados se tiene que el modelo de regresión por red neuronal es el más confiable por su capacidad de predicción con error mínimo a partir de los factores obstétricos. También resulta que dichos factores en sus tres dimensiones son fundamentales para el diagnóstico de mortalidad. Finalmente, se propone la implementación del modelo prospectivo generado como apoyo del personal médico para una predicción más acertada y una mejora en la sistematización de la base de datos del Hospital Regional Docente Materno Infantil El Carmen.application/pdfspaUniversidad Nacional del Centro del PerúPEinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by/4.0/Mortalidad perinatalSistema Informático PerinatalAprendizaje automáticoServicio webhttps://purl.org/pe-repo/ocde/ford#2.02.04Modelo prospectivo de aprendizaje automático para la detección de factores obstétricos orientados al pronóstico de riesgo de muerte perinatal en el HRDMI El Carmen – Huancayoinfo:eu-repo/semantics/doctoralThesisreponame:UNCP - Institucionalinstname:Universidad Nacional del Centro del Perúinstacron:UNCP SUNEDUDoctorado en ingeniería de sistemasUniversidad Nacional del Centro del Perú.Facultad de Ingeniería de SistemasDoctor en ingeniería de sistemashttps://orcid.org/0000-0002-0086-597421061159612076Peña Rojas, Anieval CiriloMaquera Quispe, Henry GeorgeHuaman Samaniego, HectorUlloa Ninahuaman, JesusMercado Rivas, Richard Yurihttp://purl.org/pe-repo/renati/type#tesishttp://purl.org/pe-repo/renati/level#doctor20054016ORIGINALT010_20054016_D.pdfT010_20054016_D.pdfapplication/pdf2075862http://repositorio.uncp.edu.pe/bitstream/20.500.12894/8276/1/T010_20054016_D.pdf3571fcad4e52dac5387d97a4f742381fMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81327http://repositorio.uncp.edu.pe/bitstream/20.500.12894/8276/2/license.txtc52066b9c50a8f86be96c82978636682MD52THUMBNAILT010_20054016_D.pdf.jpgT010_20054016_D.pdf.jpgIM Thumbnailimage/jpeg7300http://repositorio.uncp.edu.pe/bitstream/20.500.12894/8276/3/T010_20054016_D.pdf.jpg8b113936c4ed5e05f6e336209a37a4ddMD5320.500.12894/8276oai:repositorio.uncp.edu.pe:20.500.12894/82762022-11-16 03:01:01.693DSpacerepositorio@uncp.edu.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
score 12.646191
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).