Modelo Predictivo de Machine Learning para la Detección de Enfermedad Diarreica Aguda en Pacientes con Trasplante Renal en Colombia

dc.contributor.advisorPuentes Morales, Carlos
dc.contributor.authorCastañeda Silva, Liceth Viviana
dc.contributor.orcidCastañeda Silva, Liceth Viviana [0009-0000-3292-7108]spa
dc.date.accessioned2024-01-24T15:19:01Z
dc.date.available2024-01-24T15:19:01Z
dc.date.issued2023
dc.description.abstractEn este artículo, se realizó un estudio detallado para predecir la enfermedad diarreica aguda en pacientes con trasplante renal utilizando modelos de aprendizaje automático. Se examinaron cuatro modelos diferentes, entre los cuales se incluyen regresión logística, redes neuronales, máquinas de soporte vectorial (SVM) y árboles de decisión. Se utilizaron procesos de validación cruzada, con una técnica de sobre muestreo alto para corregir los desequilibrios en el conjunto de datos de la clase objetivo que fue la minoritaria. Los resultados indican que las redes neuronales y los árboles de decisión se destacan como los modelos con las mejores métricas, demostrando una alta precisión y capacidad de predicción. La regresión logística y SVM también dan resultados válidos, pero su dominio predictivo es más limitado. Estos resultados brindan indicaciones consistentes para futuras implementaciones médicas en la predicción de la enfermedad diarreica aguda en pacientes con trasplante renal, previa realización de validaciones utilizando datos nuevos y externos para comprobar la generalización del modelo.spa
dc.description.abstractenglishIn this article, a detailed study was conducted to predict acute diarrheal disease in kidney transplant patients using machine learning models. Four different models, including logistic regression, neural network, support vector machine (SVM), and decision tree, were examined using cross-validation, with a high-oversampling technique to correct for imbalances in the class 1 dataset that was the minority. The results indicate that neural networks and decision trees stand out as the models with the best metrics, demonstrating high accuracy and predictive capacity. Logistic regression and SVM also give valid results, but their predictive domain is more limited. These results provide consistent indications for future medical implementations in the prediction of acute diarrheal disease in kidney transplant patients, after validations using new and external data to test the generalization of the model.spa
dc.description.sponsorshipUniversidad El Bosquespa
dc.description.sponsorshipColombiana de Trasplantesspa
dc.description.sponsorshipCentro de Inteligencia Artificial Universidad El Bosque – ALBORITMOspa
dc.description.sponsorshipGrupo SIGNOSspa
dc.description.sponsorshipGrupo de Inmunología Celular y Molecular de la Universidad El Bosquespa
dc.identifier.urihttps://hdl.handle.net/20.500.12495/11985
dc.language.isospaspa
dc.rights.accessrightsinfo:eu-repo/semantics/closedAccess
dc.rights.accessrightshttps://purl.org/coar/access_right/c_14cb
dc.rights.localAcceso cerrado
dc.subjectTrasplante renalspa
dc.subjectEnfermedad diarreica agudaspa
dc.subjectInmunosupresoresspa
dc.subjectAprendizaje automáticospa
dc.subjectSobremuestreospa
dc.subjectAUC ROCspa
dc.subject.keywordsKidney transplantationspa
dc.subject.keywordsAcute diarrheal diseasespa
dc.subject.keywordsImmunosuppressantsspa
dc.subject.keywordsOversamplingspa
dc.subject.keywordsMachine Learningspa
dc.subject.keywordsAUC ROCspa
dc.titleModelo Predictivo de Machine Learning para la Detección de Enfermedad Diarreica Aguda en Pacientes con Trasplante Renal en Colombiaspa
dc.title.translatedPredictive Model of Machine Learning for the Detection of Acute Diarrheal Disease in Patients with Renal Transplant in Colombia.spa

Archivos

Bloque original
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
Trabajo de grado.pdf
Tamaño:
1.74 MB
Formato:
Adobe Portable Document Format
Descripción:
Modelo Predictivo de Machine Learning para la Detección de Enfermedad Diarreica Aguda en Pacientes con Trasplante Renal en Colombia