Modelos de machin elearning para la predicción del estado de salud prenatal y la prevención mediante cardiotocogramas.

Arevalo Rodriguez, William Fabian; Jiménez Prieto, Ingrid Natalia

Modelos de machin elearning para la predicción del estado de salud prenatal y la prevención mediante cardiotocogramas.

dc.contributor.advisor	Gonzales Veloza, Jose Jhon Freddy
dc.contributor.author	Arevalo Rodriguez, William Fabian
dc.contributor.author	Jiménez Prieto, Ingrid Natalia
dc.coverage.spatial	Bogotà - Colombia	spa
dc.creator.email	injimenezp@libertadores.edu.co	spa
dc.date.accessioned	2023-04-27T23:12:47Z
dc.date.available	2023-04-27T23:12:47Z
dc.date.created	2023
dc.description	La reducción de la mortalidad infantil se refleja en varios de los Objetivos la ONU y es un indicador clave del progreso humano. Los CTG son una opción simple y económicamente accesible para evaluar la salud fetal, lo que permite a los profesionales de la salud tomar medidas para prevenir la mortalidad infantil y materna. El objetivo principal de este trabajo es la implementación y evaluación de diversos modelos de aprendizaje automático con el fin de determinar el mejor en términos de construcción, costo computacional y precisión en la clasificación (diagnóstico) del estado del feto. Debido a ello se plantea torneo de modelos de aprendizaje de máquina que permitan encontrar equilibrio entre un modelo fácil de replicar y aplicar y una sensibilidad y precisión alta frente a la predicción del estado del feto. Por lo cual se entrenan una lista de diversas técnicas de clasificación supervisada con un conjunto de datos provistos por un plan que impulsa la automatización de análisis automático de CTG. Aquellos modelos que se desempeñaron mejor en la precisión requieren de técnicas de aumento del gradiente en donde se alcanza un valor de alta precisión, dichos modelos revelan que las aceleraciones y la variabilidad anormal en cortos y largos plazos juegan un papel importante al determinar el estado de salud. Entre los modelos comprobados, el EGB presenta los mejores resultados alcanzando una precisión del 96.0% para la categorización del estado del feto.	spa
dc.description.abstract	Reducing child mortality is reflected in several of the UN Goals and is a key indicator of human progress. progress. CTGs are a simple and affordable option for assessing fetal health, allowing health professionals to take action to prevent infant and maternal mortality. health professionals to take action to prevent infant and maternal mortality. The main objective of this The main objective of this work is the implementation and evaluation of various machine learning models in order to determine the best in terms of construction, computational cost and accuracy in the classification (diagnosis) of the state of the fetus. Because of this, we propose a tournament of machine learning models that allow to find a balance between an easy to replicate and apply model and an easy to use model. easy to replicate and apply and a high sensitivity and accuracy in terms of fetal status prediction. Therefore, a list of different techniques a list of different supervised classification techniques are trained on a dataset provided by a plan that drives the automation of the automatic analysis of automation of automatic CTG analysis. Those models that performed best in accuracy require gradient boosting techniques. require gradient augmentation techniques where a high accuracy value is achieved, such models reveal that the accelerations and variability of the that accelerations and abnormal variability on short and long timescales play an important role in determining health status. health status. Among the models tested, the GBS presents the best results reaching an accuracy of 96.0% for the categorization of health status. 96.0% for fetal status categorization.	spa
dc.format	PDF	spa
dc.identifier.uri	http://hdl.handle.net/11371/5750
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	Diagnóstico prenatal	spa
dc.subject.lemb	Cardiología	spa
dc.subject.lemb	Medicina preventiva	spa
dc.subject.lemb	Salud materno infantil	spa
dc.subject.proposal	Salud fetal	spa
dc.subject.proposal	Cardiotocogramas	spa
dc.subject.proposal	Prevención	spa
dc.subject.proposal	Aprendizaje automático	spa
dc.subject.subjectenglish	Fetal health	spa
dc.subject.subjectenglish	Cardiotocograms	spa
dc.subject.subjectenglish	Prevention	spa
dc.subject.subjectenglish	Automatic learning	spa
dc.title	Modelos de machin elearning para la predicción del estado de salud prenatal y la prevención mediante cardiotocogramas.	spa
dc.title.titleenglish	Machin elearning models for prenatal health status prediction and prevention using cardiotocograms.	spa
dc.type	info:eu-repo/semantics/bachelorThesis	spa