Predicción de Mortalidad y Complicaciones Cardiovasculares Intrahospitalarias en Pacientes con  Síndrome Coronario Agudo Mediante un Modelo Machine Learning Supervisad

Morales Quintero, Fabio Andrés

Predicción de Mortalidad y Complicaciones Cardiovasculares Intrahospitalarias en Pacientes con Síndrome Coronario Agudo Mediante un Modelo Machine Learning Supervisad

dc.contributor.advisor	González Veloza, José John Fredy
dc.contributor.author	Morales Quintero, Fabio Andrés
dc.coverage.spatial	Bogotá - Colombia	spa
dc.creator.email	famoralesq@libertadores.edu.co	spa
dc.date.accessioned	2023-04-27T23:53:56Z
dc.date.available	2023-04-27T23:53:56Z
dc.date.created	2023
dc.description	Los Síndromes Coronarios Agudos (SCA) representan la principal causa de muerte en el mundo. Los modelos de predicción clínica pueden ser útiles para tomar decisiones principalmente en pacientes de alto riesgo ya que precisan vigilancia temprana y tratamientos más agrasivos. Existen numerosos modelos de predicción para los tipos de SCA, en su mayoría generalizados para predecir el riesgo lo que cuestiona su utilidad. Este trabajo Propone un modelo de predicción de riesgo simple basado en machine learning que aplica a todos los tipos de SCA y se enfoca en mortalidad y complicaciones relevantes intrahospitalarias. La técnica DBMIST-US es competitiva frente a otras técnicas de submuestreo y sobremuestreo para enfrentar los problemas de desbalance y superposición de clases. Se comprobó que basta una muestra representativa para optimizar el rendimiento de los clasificadores. La práctica clínica está abocada a priorizar sensibilidad sobre la precisión y la especificidad; sin embargo, con esta técnica se puede desarrollar una calculadora de riesgo que permita salvar una cantidad similar de pacientes disminuyendo los costos debido a que el número de falsos positivos disminuiría significativamente dando lugar a un incremento en la especificidad.	spa
dc.description.abstract	Acute Coronary Syndromes (ACS) represent the leading cause of death in the world. Clinical prediction models Clinical prediction models can be useful for decision making mainly in high-risk patients who require early surveillance and more aggressive treatments. need early surveillance and more aggressive treatment. Numerous prediction models exist for types of ACS, mostly generalized to predict risk, which questions their usefulness. This paper Proposes a simple risk prediction model based on machine learning that applies to all types of SCA and focuses on mortality. ACS and focuses on mortality and relevant in-hospital complications. The DBMIST-US technique is competitive with other undersampling and oversampling techniques to address the problems of class imbalance and overlap. and class overlap. A representative sample was found to be sufficient to optimize the performance of the classifiers. classifiers. Clinical practice is focused on prioritizing sensitivity over accuracy and specificity; however, this technique can be However, this technique can be used to develop a risk calculator that can save a similar number of patients while lowering costs due to of patients while decreasing costs because the number of false positives would decrease significantly, leading to an increase in specificity. resulting in an increase in specificity.	spa
dc.format	PDF	spa
dc.identifier.uri	http://hdl.handle.net/11371/5751
dc.language.iso	spa	spa
dc.publisher	Fundación Universitaria Los Libertadores. Sede Bogotá.	spa
dc.rights.acceso	Abierto (Texto Completo)	spa
dc.rights.accessrights	OpenAccess	spa
dc.subject.lemb	Sistema cardiovascular - Enfermedades	spa
dc.subject.lemb	Atención al enfermo	spa
dc.subject.lemb	Enfermedades - Tratamiento	spa
dc.subject.lemb	Corazón - Enfermedades	spa
dc.subject.proposal	Síndrome Coronario Agudo	spa
dc.subject.proposal	Predicción de mortalidad	spa
dc.subject.proposal	DBMIST-US	spa
dc.subject.proposal	Árbol de Expansión Mínimo	spa
dc.subject.subjectenglish	Acute Coronary Syndrome	spa
dc.subject.subjectenglish	Mortality prediction	spa
dc.subject.subjectenglish	DBMIST-US	spa
dc.subject.subjectenglish	Minimal Spanning Tree	spa
dc.title	Predicción de Mortalidad y Complicaciones Cardiovasculares Intrahospitalarias en Pacientes con Síndrome Coronario Agudo Mediante un Modelo Machine Learning Supervisad	spa
dc.title.titleenglish	Prediction of Mortality and In-hospital Cardiovascular Complications in Patients with Acute Coronary Syndrome Acute Coronary Syndrome Using a Supervised Machine Learning Model.	spa
dc.type	info:eu-repo/semantics/bachelorThesis	spa