Propuesta de un modelo predictivo basado en Machine Learning para el diagnóstico temprano de cáncer de mama en una empresa prestadora de servicio de salud privada

• Autores: Beteta Tena, Monica Maria, Paniura Roman, Richard, Valdivia Calderon, David Abdias
• Formato: tesis de maestría
• Fecha de Publicación: 2023
• Institución: Universidad Peruana de Ciencias Aplicadas
• Repositorio: UPC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorioacademico.upc.edu.pe:10757/671055
• Enlace del recurso: http://hdl.handle.net/10757/671055
• Nivel de acceso: acceso abierto
• Materia: Machine learning; Modelo predictivo maquina de vector de soporte – SVM; DataSet; metodología CRISP-DM; Microsoft azure; Support vector machine (SVM) predictive model; CRISP-DM methodology; https://purl.org/pe-repo/ocde/ford#2.02.00; https://purl.org/pe-repo/ocde/ford#2.02.04

El presente trabajo de investigación se elaboró con la finalidad de reducir los gastos operativos de tratamiento de cáncer de mama en los diferentes estadios (I, II, III y IV), a causa de la activación de pólizas de seguros, para dicha propuesta se tomó como referencia una Empresa Prestadora de Servicio de Salud Privada (EPSSP). Cabe señalar que el trabajo de investigación se basa en la propuesta de implementación de un modelo predictivo para el diagnóstico temprano de cáncer de mama, para la cual se revisó la literatura de diferentes modelos de Machine Learning que fueron evaluados y probados por diferentes grupos de investigadores, asimismo se compararon cual de todas era la más efectiva en cuanto a precisión y porcentaje de efectividad, en consecuencia, se seleccionó el mejor modelo predictivo (Maquina de Vector de Soporte - SVM), luego se identificaron las variables y/o características (10) de valor real para cada núcleo celular de la mamografía que formaran parte del DataSet que será entrenado el modelo seleccionado. Finalmente, para la propuesta de implementación se aplicará la metodología CRISP-DM (Proceso estándar entre industrias para la minería de datos) por ser flexible, fácil, estructurado y confiable, además utilizada en proyectos similares, asimismo para esta propuesta se utilizará los servicios de Machine Learning de Microsoft Azure. La implementación del Modelo permitirá la reducción en un 2% los costos operativos del tratamiento de cáncer de mama en la EPSSP, incrementando el valor de la compañía en el segmento oncológico.