DSpace Repository :: Browsing by Author "Figueroa Iturrieta, Rosa Liliana"

Browsing by Author "Figueroa Iturrieta, Rosa Liliana"

Now showing 1 - 20 of 24

Algoritmo de aprendizaje automático para el estudio de la asociación entre enfermedad cardiovascular y depresión.
(Universidad de Concepción, 2023) Navarro Araneda, Rodrigo Ignacio; Figueroa Iturrieta, Rosa Liliana
Desde hace 20 años las enfermedades cardiovasculares son la principal causa de muerte a nivel global y en Chile son las responsables de un 25.6% de defunciones. Por su parte, la depresión es la principal causa de baja laboral, afectado a más de 450 millones de personas a nivel global, y en Chile se estima que un 15.8% de la población la padece. La base de datos CHS posee datos de 20 años, más de 300 variables y un aproximado de 5000 pacientes adultos mayores con enfermedades cardiovasculares, siendo al año 2000 el estudio longitudinal más extenso realizado nunca. Se utilizaron los algoritmos de aprendizaje automático Random Forest y Red Neuronal Artificial para realizar un estudio de las variables que predicen la fatalidad por enfermedades cardiovasculares y aquellas que predicen la depresión. El ensamble de ambos algoritmos permitió encontrar variables predictoras de depresión cuyo origen es cardiovascular, sin encontrar a la depresión como un predictor directo de las enfermedades cardiovasculares.
Aplicación móvil para la estimación de riesgo de accidente cerebrovasculares basado en aprendizaje automático.
(Universidad de Concepción, 2024) Bucarey Echeverría, Matías Ignacio; Figueroa Iturrieta, Rosa Liliana
La presente memoria de título se enfoca en el desarrollo de una aplicación móvil para la estimación del riesgo de accidente cerebrovascular (ACV) utilizando modelos de Machine Learning (ML). La incidencia de ACV es una problemática significativa a nivel mundial, dada su alta tasa de mortalidad y las secuelas que provoca en los sobrevivientes. Por ello, una herramienta de evaluación temprana y accesible es fundamental para facilitar la prevención y el monitoreo de esta afección. La aplicación, desarrollada en Android Studio y basada en el modelo de Red Neuronal Artificial (ANN), permite al usuario ingresar datos personales y recibir una estimación probabilística sobre su riesgo de sufrir un ACV. La elección del modelo ANN, junto con la integración de métodos como el undersampling para el balance de clases, demostró ser la opción más efectiva para alcanzar resultados confiables y específicos en el contexto del conjunto de datos disponible. A pesar del desbalance de clases y otras limitaciones de los datos, el modelo mostró una capacidad adecuada para detectar posibles casos de riesgo, priorizando el recall sobre la especificidad, aspecto clave en aplicaciones de salud donde es preferible minimizar los falsos negativos. La aplicación fue evaluada mediante múltiples métricas (accuracy, precisión, recall, especificidad, F1-score y AUC-ROC), y los resultados demostraron un buen desempeño, sin sobreajuste, según lo indicado por los gráficos de pérdida de entrenamiento y validación. Esto confirma la consistencia del modelo y su adecuación para estimar el riesgo de ACV en distintos perfiles de usuario. Entre las conclusiones de este proyecto, se destaca que el modelo de red neuronal artificial implementado en la aplicación cumple satisfactoriamente su propósito de estimar el riesgo de accidente cerebrovascular, proporcionando resultados confiables y específicos basados en los datos ingresados por el usuario. La herramienta es particularmente útil para la predicción temprana de riesgos de ACV, priorizando el recall en la identificación de casos de riesgo, lo cual es crucial en el ámbito de la salud.
Clasificación de artículos científicos
(Universidad de Concepción, 2015) Andrade Alvarado, Vanessa del Rosario; Figueroa Iturrieta, Rosa Liliana
El objetivo del presente estudio es diseñar un método de identificación y extracción de tópicos que utilice como datos de entrada los abstract presentes en los documentos científicos adquiridos de una base de datos de BioMed Central. En este documento se describen las distintas etapas de este método que van desde el proceso de filtración de los datos hasta la implementación del clasificador no supervisado para su posterior evaluación. El problema de clasificación presente en éste estudio abarca principalmente el exceso de información de la base de datos de Biomed Central, y a la vez los variados temas que abarcan el área de investigación científica, tal como estudios en medicina, cardiología, endocrinología, otorrinolaringología, broncopulmonar, etc. A partir de estos documentos y bajo la utilización de distintos métodos del procesamiento del lenguaje natural, se busca identificar tópicos para conocer de este modo el nivel de información que contiene la base de datos analizada. Las clases contempladas para este proceso de clasificación no supervisada corresponden a las clases “lung”, “kidney-heart” y “lung-kidney-heart”. La metodología utilizada contempla el pre-procesamiento de los textos presentes en cada uno de los documentos en estudio, donde se utilizaron herramientas del procesamiento del lenguaje natural para poder normalizar y segmentar cada uno de los abstract científicos, con el objetivo de crear dos diccionarios de palabras claves. El primer diccionario se creó utilizando la biblioteca Topia de Python y el segundo utilizando reconocimiento de entidades (NER). Ambos diccionarios utilizados como entrada en la implementación del modelo de extracción de tópicos. El clasificador utilizado en este estudio es Latent Dirichlet Allocation, el cual bajo la utilización de la biblioteca de Gensim de Python será el encargado de realizar la clasificación no supervisada de las clases mencionadas. Los resultados obtenidos en la extracción de tópicos para cada clase seleccionada que contenían información acerca de pulmón, riñón y corazón nos dicen que para la clase “lung”, utilizando ambos diccionarios, los temas en estudio tienen algún tipo de información acerca de patologías, síntomas, casos de estudios en relación con el pulmón. Luego, para la clase “kidneyheart”, alal iv contener cada tópico términos como hipertensión, acute kidney injury (aki), coronary heart disease (chd), entre otras. Finalmente, la clase “lung-kidney-heart” entrega como resultados tópicos que tienen algún tipo de información acerca de pulmón, riñón, corazón. Adicionalmente, se descubren nuevos tópicos que hacen alusión a temas relacionados al sistema nervioso. La evaluación del modelo se hizo de forma manual, tomando para cada clase 500 documentos. La medida de evaluación fue la precisión. Los resultados obtenidos por el modelo de clasificación no supervisada, Latent Dirichlet Allocation obtiene un 72% y 55.2% de precisión para la clase “lung”, un 75.8% y 57% de precisión para la clase “kidney-heart”, un 40.8% y 33.6% de precisión para la clase “lung-kidney-heart”. Los valores de precisión entregan el porcentaje de casos correctamente clasificados del total de 500 documentos evaluados según lo determinado por el programador. Es importante destacar que la mayor cantidad de diferencias en los resultados obtenidos en la clasificación están asociadas principalmente al tipo de segmentación utilizada en la creación de los dos diccionarios. Finalmente, se tiene un modelo que da como resultado una serie de documentos clasificados a través de tópicos encontrados, esta aplicación informará al usuario de qué respuestas se asemejan más a los documentos seleccionados por el usuario. igual que la clase anterior, los temas en estudio hacen mención al riñón y corazón..
Codificación automática de efectos adversos presentes en texto libre.
(Universidad de Concepción, 2022) Mercado Ocares, Bastián; Figueroa Iturrieta, Rosa Liliana
Con las nuevas tecnologías aplicadas en el campo de la medicina, se ha logado muchos avances en cuanto a entregar servicios de salud. La mayoría de los cambios están orientados por la inclusión de la informática, en especial en temas de información. Las fichas clínicas electrónicas están cada vez más presentes en el mundo con un sinfín de datos que pueden ser utilizados para apoyar la toma de decisiones con respecto a tratamientos de paciente o bien en la gestión de recursos, pero aún falta avanzar en estandarizar la información con el fin de facilitar su recuperación, extracción y análisis. Con la idea de apoyar los esfuerzos en estandarizar la información de fichas clínicas, se presenta este trabajo de memoria de título que desarrolla un sistema de recodificación del corpus clínico MADE 1.0 utilizando la terminología MedDRA. El uso de la terminología MedDRA permitirá obtener etiquetas más precisas, que permitan profundizar en los conceptos clínicos y con esto facilitar la extracción y recuperación de información. La recodificación se realiza utilizando la distancia de Levenshtein y con la implementación de 3 algoritmos de emparejamiento entre la información en MADE 1.0 y la terminología de MedDRA utilizando tanto términos preferidos como los términos asociados a éste. Este algoritmo recodificador se presentó en 3 diferentes versiones, la primera es la más cruda de todas, aplicada de manera directa al corpus.
Desarrollo de algoritmos para la clasificación de textos biomédicos utilizando expresiones regulares y aprendizaje activo.
(Universidad de Concepción, 2021) Flores Jara, Christopher Alejandro; Pezoa Núñez, Jorge Edgardo; Figueroa Iturrieta, Rosa Liliana
Los algoritmos de clasificación de textos, los cuales sirven de apoyo a los procesos de toma de decisiones clínicas, requieren costosos ejemplos de entrenamiento etiquetados por profesionales especializados. El aprendizaje activo (AL) busca disminuir ese costo al reducir el número de textos etiquetados que se requieren para lograr un determinado desempeño en los algoritmos de clasificación. Si bien el AL ha sido estudiado en algoritmos de clasificación lineales y probabilísticos, y recientemente, en algoritmos basados en redes neuronales profundas (DNNs), no ha sido estudiado en algoritmos de clasificación basados en expresiones regulares. Debido a ésto, el objetivo de esta tesis es desarrollar algoritmos para la clasificación de textos biomédicos utilizando expresiones regulares y AL. Las principales contribuciones de este trabajo respecto al uso de expresiones regulares para la clasificación de textos biomédicos corresponden al desarrollo de un algoritmo denominado FREGEX (extractor de características basado en expresiones regulares) para la generación automática un espacio de características utilizando textos biomédicos en español, a un algoritmo denominado CREGEX (clasificador de textos basado en expresiones regulares) que permite clasificar textos biomédicos y a una estrategia de consulta que junto a un criterio de detención transforman a CREGEX en un algoritmo de clasificación de textos biomédicos de AL. Los resultados indican que FREGEX generó un espacio de características representativo para CREGEX y cercano al lenguaje natural. En la mayoría de los casos, el desempeño de CREGEX fue superior a los clasificadores basados en una máquina de soporte vectorial (SVM), Naïve Bayes (NB) y en una representación de codificador bidireccional de transformadores (BERT) en términos de aciertos (ACC) y valor-F (F1), con resultados sobre el 88 % en ambas métricas de desempeño. Las curvas de aprendizaje indican que el AL redujo eficientemente el número de ejemplos de entrenamiento necesarios para obtener un mismo desempeño en términos de ACC y F1 en comparación al resto de los clasificadores. En este sentido, el criterio de detención aplicado al proceso de AL de CREGEX permitió utilizar sólo entre un 32 % a un 50 % del total de ejemplos de entrenamiento, con una diferencia de desempeño inferior al 2 % respecto del valor máximo posible de la curva de aprendizaje.
Desarrollo de algoritmos para la extracción de características y la clasificación automática de la obesidad en registros médicos electrónicos con un enfoque jerárquico multiclase
(Universidad de Concepción, 2017) Flores Jara, Christopher Alejandro; Figueroa Iturrieta, Rosa Liliana
La obesidad es una enfermedad crónica con un creciente impacto a nivel mundial. Se caracteriza por un aumento de grasa corporal que significa un riesgo para la salud de las personas. A menudo, la obesidad se asocia a otras enfermedades crónicas, denominadas comorbilidades, siendo las más frecuentes la hipertensión arterial, las dislipidemias y la diabetes mellitus tipo 2. El riesgo de sufrir estas comorbilidades es mayor a medida que aumenta el índice de masa corporal. En este trabajo se presenta un método para identificar automáticamente la obesidad de los pacientes de un sistema de registros médicos electrónicos, utilizando como método de extracción de características el algoritmo de alineación local de Smith-Waterman. Se utilizó un conjunto de datos compuesto por 2610 registros médicos electrónicos de-identificados, obtenidos desde el Hospital Guillermo Grant Benavente de Concepción, los cuales fueron etiquetados manualmente para ser utilizados en dos problemas de clasificación. El primer problema consistió en la identificación de la presencia o ausencia de obesidad. El segundo problema de clasificación consistió en identificar los tipos de obesidad: moderada, severa, mórbida o no mencionada. Cada registro médico electrónico fue representado con el enfoque de bolsa de palabras, utilizando características extraídas en base a n-gramas y mediante el algoritmo de Smith-Waterman. Estas características fueron obtenidas a partir de la información textual disponible sobre la obesidad, sus principales comorbilidades y el índice de masa corporal. Se utilizó un enfoque jerárquico y no jerárquico para clasificar los registros médicos electrónicos, entrenando y evaluando el desempeño de una máquina de soporte vectorial y de Naïve Bayes. En general, con la máquina de soporte vectorial se obtuvo un mejor desempeño que con Naïve Bayes, gracias a la utilización de características
Desarrollo de método basado en Deep Learning para la extracción de entidades desde información clínica.
(Universidad de Concepción, 2020) Jiménez Ruiz, Jaime Andrés; Figueroa Iturrieta, Rosa Liliana; Cabrera Vives, Guillermo Felipe
La información digital está aumentando día a día producto de la digitalización de diferentes servicios. En particular, en el área de la salud, la masificación de la ficha médica electrónica se convierte en una fuente de valiosa información. En particular, para los objetivos del presente trabajo, la detección de eventos de efectos adversos o efectos secundarios por medicamentos es un tipo de información que puede ser extraída desde campos de texto libre en documentos clínicos. Una detección temprana permite la toma de decisiones clínicas rápida y sistémicas, con beneficio de la salud del paciente. El reconocimiento de entidades médicas relevantes corresponde al primer paso para la posterior extracción de eventos adversos. Esta tarea, puede ser modelada como un problema de clasificación secuencial. Desde este punto de vista del aprendizaje automático, se le ha entregado soluciones con el uso de clasificadores tradicionales y probabilísticos. El aprendizaje profundo o Deep Learning se ha presentado como una solución novedosa para este tipo de tareas, debido a sus buenos resultados al ser entrenado a partir de grandes conjuntos de datos. En este campo, la solución actual propuesta, es el uso de una red neuronal Long-Short Term Memory o LSTM (tipo de red neuronal recurrente con una celda de memoria) de tipo bidireccional (que recibe a la secuencia desde ambas direcciones) en conjunto a una capa de salida probabilística, donde la entrada a la red corresponde a las secuencias de palabras representadas por word-embeddings (que entrega una representación vectorial a la información semántica de cada palabra). En el presente trabajo se propone el desarrollo de un sistema para la extracción automática de entidades relacionadas a efectos adversos por medicamentos en textos clínicos escritos en lenguaje natural, entrenado a partir de un corpus previamente anotado, y basado en técnicas de Deep Learning. Como resultados del presente trabajo de investigación: (i) se exploró el corpus a utilizar tanto el texto como sus anotaciones, (ii) se realizó pre-procesamiento (normalización, eliminación de carácteres especiales, y tokenización) de los documentos y su preparación para el entrenamiento, (iii) se replicó y entrenó el modelo propuesto por el estado-del-arte mediante el uso de Keras, logrando un F1-score de un 79% sobre las clases de interés, (iv) se re-etiquetó el corpus mediante un algoritmo de aprendizaje no supervisado de clustering (v) se re-entrenó el modelo del estado del arte utilizando las nuevas etiquetas y se evaluó el desempeño sobre las clases etiquetadas por expertos, logrando un F1-score macro de 79%, pero un F1-score inverso de 77%, con un aumento porcentual del “Recall” sobre las clases de menor presencia en el corpus.
Desarrollo de plataforma web de gestión de mantenimiento de equipos médicos críticos del Hospital Clínico Herminda Martín
(Universidad de Concepción, 2018) Araneda Domínguez, Carla; Figueroa Iturrieta, Rosa Liliana
En los últimos años, los establecimientos de salud se han sometido al proceso de Acreditación. Este proceso tiene por objetivo garantizar el cumplimiento de un conjunto de estándares mínimos básicos de calidad. Actualmente, el Hospital Clínico Herminda Martín de Chillán se encuentra acreditado y, por ende, periódicamente debe velar por el cumplimiento de los ámbitos que integran el estándar general de acreditación para prestadores institucionales de atención cerrada. Es por ello, que el presente trabajo se propone el desarrollo de una plataforma web de gestión del mantenimiento de equipos médicos, que ayude en la ejecución de los procesos abordados en al interior de la Unidad de Equipos Médicos y el cumplimiento de las exigencias contenidas en el ámbito de seguridad del equipamiento. El procedimiento realizado para este proyecto se inició con el levantamiento de los requerimientos, las necesidades y procesos abordados por la Unidad en torno a la gestión y administración de equipos médicos de mayor criticidad para los pacientes. Consecutivamente, se diseñó y desarrolló una plataforma web sobre una base de datos relacional. Esta facilita el registro de equipos médicos y su respectiva vinculación a mantenciones y/o repuestos, simplificando los procesos de búsqueda y generación de reportes. En este mismo sentido, la plataforma ha sido desarrollada mediante el uso del framework Django, integrando tecnologías de estructuración de interfaz como Bootstrap, el que incorpora los lenguajes CSS y JavaScript. Posteriormente, se realizaron pruebas de evaluación de apariencia y funcionalidad de dicha plataforma, para finalizar con una encuesta de evaluación aplicada a los cinco potenciales usuarios de la Unidad de Equipos Médicos. Tras las pruebas realizadas en diferentes navegadores web y sistemas operativos, se obtuvieron resultados óptimos. Donde, cada función de esta se ejecutó de manera correcta, registrando información de equipos médicos y generando reportes cada vez que fue requerido. Además, como resultado de la encuesta, el 80% de los encuestados está de acuerdo con que “la presentación de la plataforma web es visualmente atractiva”. En este mismo sentido, el 100% está completamente de acuerdo con que “la plataforma es una herramienta útil para instruirse de información o características de los equipos y sus respectivas mantenciones”, y que “los contenidos y servicios que ofrece la plataforma son de utilidad para su caso personal”. Por tanto, se calificó la plataforma como útil y beneficiosa como herramienta de gestión de mantenimiento de equipos médicos.
Desarrollo de un algoritmo de predicción de riesgo de hospitalización, ventilación mecánica e ingreso a UCI en pacientes con COVID-19.
(Universidad de Concepción, 2022) Arriagada Arroyo, Rocío Valentina; Figueroa Iturrieta, Rosa Liliana; Lagos Garrido, María Elena
In December 2019, an outbreak of pneumonia associated with the SARS-CoV-2 coronavirus began in the Chinese city of Wuhan. Rapidly, the virus began to spread around the world, being to date present in more than 189 countries with an approximate balance of 397 million cases and 5.75 million deaths. The aim of this work is to develop an algorithm for predicting the risk of hospitalization, admission to ICU and mechanical ventilation in Chilean patients with COVID-19. A database containing 1,062 records extracted from the Chilean Epidemiological Surveillance System EPIVIGILA of the Ministry of Health was used. Of the available variables, 52 predictor variables were selected, including 5 variables corresponding to vital signs, 20 biomarker variables, 11 comorbidity-type variables and 14 variables of the symptom, sex and age type; these variables will be used to predict the variables of outcome: hospitalization risk, admission to ICU and mechanical ventilation. A feature selection was performed on this set of variables using logistic regression and nonlinear spline transformations on the continuous variables. These transformations help to better identify the possible relationships between the continuous and output variables. The selection of the subsets of predictors for each output was carried out using the Wald chi-square statistic, a method with which the significance of a variable can be assessed when making the prediction. Subsequently, 3 classification algorithms were used: logistic regression (LR), Random Forest (RF) and neural networks, their parameters were adjusted with cross-validations and trained. To evaluate the performance of the models, the confusion matrix and the metrics derived from it were used, and ROC and PRC curves were plotted to compare between models. With RF, the risk of hospitalization was identified with 94% sensitivity and 83.5% precision. For admission to the ICU, 70.4% sensitivity and 78.1% precision were achieved with multilayer perceptron. With this classifier we were able to identify the risk of invasive mechanical ventilation with 69% sensitivity and 80% precision. Despite the challenges of classification with unbalanced classes and the limitations given by the data, it was possible to obtain predictive models with good performance, always remembering to analyze this point by comparing different metrics and analyzing the variation of these in order to obtain a more complete and truer picture of the performance of the classifiers.
Desarrollo de una aplicación movil con chatbot para el apoyo al automanejo de pacientes con pie diabético.
(Universidad de Concepción, 2024) Jego Villablanca, Alexandra Montserrat; Figueroa Iturrieta, Rosa Liliana; Lagos Garrido, María Elena
En el presente informe se aborda el desarrollo de una aplicación móvil diseñada para asistir en el automanejo de pacientes con pie diabético y sus complicaciones asociadas, que requiere un seguimiento continuo y riguroso. La aplicación desarrollada en el entorno integrado Android Studio, y donde se incluyen varias funcionalidades claves como la capacidad de realizar un autoexamen basado en la escala de San Elián, mantener un perfil de usuario detallado y utilizar un ChatBot para obtener asistencia e información en el autocuidado. El proyecto abordó tanto los requerimientos funcionales, como la operatividad de las características ofrecidas, y lo requerimientos no funcionales, como la seguridad y la compatibilidad con diversos dispositivos. Para comprobar el cumplimiento de las funcionalidades previstas, la aplicación se testeó tanto en el emulador virtual de Android Studio, como en 3 dispositivos físicos para asegurar su compatibilidad. Estas pruebas permitieron identificar varias fortalezas de la aplicación, así como áreas que requieren mejoras. Se observaron desafíos relacionados con la implementación del ChatBot y con la seguridad de la comunicación entre el servidor y la aplicación. El resultado es una herramienta integral que brinda información y acompañamiento constante para el seguimiento de las complicaciones generadas por la diabetes y el pie diabético, motivando al usuario a mantenerse diligente en su seguimiento de su tratamiento y recordando prácticas de cuidado diarias.
Diseño y desarrollo de aplicación en Android para automanejo en pacientes con Diabetes Mellitus Tipo 1 utilizando la técnica de juegos serios.
(Universidad de Concepción, 2025) Jara Miranda, Francisca María; Figueroa Iturrieta, Rosa Liliana; Salman Mardones, Patricio
Este proyecto, comprende el desarrollo de una aplicación móvil Android con el objetivo de fomentar y promover el auto-manejo y adherencia al tratamiento en pacientes de Diabetes Mellitus Tipo 1, cuya prevalencia de diagnóstico incluye desde infantes a adolescentes. La aplicación utiliza técnicas de gamificación como un apoyo para reducir la carga emocional asociada al cambio de estilo de vida, donde se presenta el desafío de cambios de hábitos, reforzando hábitos saludables, motivación y adherencia mediante mecánicas lúdicas. Además, mejora la comprensión de conceptos y la auto-eficacia con recursos interactivos, abordando desafíos como el uso correcto de insulina. El enfoque de salud digital permite una retención didáctica y atractiva del contenido. Los incentivos para la participación corresponden desde la personalización, retroalimentación positiva por medio de recompensas en la realización de tareas, hasta recordatorios y actividades diarias en un entorno minimizando la percepción de carga en el manejo de la patología. La propuesta constituye un ambiente que permite un impacto positivo en la gamificación y autogestión de enfermedades crónicas, fomentando desde la temprana edad la autonomía y a largo plazo, una construcción de hábitos permitiendo así, ser una herramienta educativa, y complemento para el apoyo de pacientes y cuidadores. La aplicación fue desarrollada utilizando Android Studio definiéndolo como el entorno principal de programación, como plataforma de Backend (autenticación, sincronización de datos, etc) se utiliza Firebase, y el lenguaje Java como base para la lógica de la aplicación. La funcionalidad de la app fue revisada por parte de un equipo multidisciplinario. Su revisión permitió asegurar la claridad, rigurosidad, pertinencia y adecuación de la información presentada, particularmente en temas sensibles como la identificación de síntomas, administración de insulina correctamente, y el conteo de carbohidratos. Desde el punto de vista computacional, se implementaron diversos algoritmos para mejorar la experiencia del usuario y personalizar el aprendizaje. Entre ellos se destacan: Un ajusta a la dificultad de las actividades según la edad del usuario, y una estructura de control condicional integrada a Firebase para gestionar contenido. La aplicación fue construida respetando criterios de modularidad, manteniendo la independencia funcional de cada bloque educativo. Con la rectificación de validez y relevancia de la información, el trabajo colaborativo con especialistas en salud e ingeniería permitió obtener como resultado una aplicación funcional y coherente con los objetivos clínicos y pedagógicos del proyecto.
Diseño y desarrollo de aplicación móvil Android para el cálculo y registro de curvas de crecimiento en menores de 18 años.
(Universidad de Concepción, 2022) Pinto Monsalve, Jorge Alejandro; Figueroa Iturrieta, Rosa Liliana
Las curvas de crecimiento son una herramienta esencial del área pediátrica, permiten realizar diversos análisis del crecimiento infantil y revelar posibles problemas. Para utilizar estas curvas se necesita conocer el sexo, la edad y algunos datos antropométricos del menor, como lo son: el peso, la talla, el perímetro craneal y el perímetro de cintura. Adicionalmente, se anexa como herramienta complementaria el grado de Tanner, que permite realizar un análisis puberal del menor y conocer si su edad cronológica corresponde con la edad biológica. Esta memoria de título tiene como objetivo el desarrollar una aplicación móvil Android que permita registrar e interpretar medidas antropométricas de menores de 18 años, utilizando curvas de crecimiento y como complemento el grado de Tanner. Para la creación de la aplicación se realiza una revisión bibliográfica de las curvas de crecimiento infantil, el grado de Tanner y de algunas aplicaciones que tuvieran funciones de evaluación del crecimiento en base a las curvas de crecimiento, a estas últimas se les analiza las carencias que poseen. En base a lo anterior se define la literatura necesaria para realizar las funcionalidades y el diseño de la aplicación. Las funcionalidades principales son: i) el registro de menores y medidas antropométricas. ii) evaluación del crecimiento y análisis de la evolución. iii) visualización de curvas de crecimiento iv) apoyo en la realización de las mediciones antropométricas.
Diseño y desarrollo de aplicación para apoyo en la confirmación del alta de pacientes hospitalizados en el servicio de medicina interna del Hospital Las Higueras.
(Universidad de Concepción, 2024) Henríquez Parra, Fernanda Arlette; Figueroa Iturrieta, Rosa Liliana; Carrillo Bestagno, Hernán Damián Pablo
Esta memoria de título se enfoca en el diseño y desarrollo de una aplicación web para optimizar el proceso de gestión de altas de pacientes hospitalizados en el Servicio de Medicina Interna del Hospital Las Higueras de Talcahuano. Actualmente, la gestión de información se realiza mediante planillas de registro digitales, las cuales presentan importantes limitaciones en términos de eficiencia, precisión y seguridad de los datos. El objetivo del proyecto es desarrollar una aplicación especializada que supere estas limitaciones, mejorando la calidad de la atención médica y facilitando la comunicación entre el personal médico y de enfermería. La aplicación propuesta está diseñada para reducir los tiempos de estancia hospitalaria, asegurar la confidencialidad y privacidad de la información del paciente y disminuir el tiempo dedicado a tareas administrativas. Además, pretende mejorar la coordinación y minimizar errores, proporcionando una herramienta intuitiva y fácil de usar para el personal hospitalario. El desarrollo de la aplicación se llevó a cabo utilizando la metodología ágil Scrum, con la participación de los profesionales clínicos como usuarios finales. Estos profesionales colaboraron en el diseño y desarrollo, aportando información sobre los requerimientos y validando las entregas del proyecto para asegurar la pertinencia y efectividad de la aplicación en el contexto hospitalario. Los principales logros del proyecto incluyen la implementación de un sistema de autenticación seguro, el desarrollo de interfaces intuitivas para el ingreso y visualización de datos, y la integración con Firebase para el almacenamiento y sincronización de datos en tiempo real. Las pruebas realizadas con datos anonimizados de 100 pacientes confirmaron que la aplicación cumple con los requisitos funcionales y es fácil de usar. En conclusión, la aplicación desarrollada mejora significativamente la eficiencia, precisión y capacidad de gestión en el proceso de altas hospitalarias. La participación de los profesionales clínicos en el proceso de diseño y desarrollo garantizó que la aplicación satisficiera sus necesidades, proporcionando una solución tecnológica que fortalece la seguridad de los datos del paciente y optimiza los procesos diarios del personal médico. Esta herramienta no solo apoya la gestión de altas, sino que también podría ser utilizada para la entrega oficial de turnos, un aspecto crucial para la calidad de la atención en el hospital.
Extracción de información en emr para la identificación de obesidad mediante el estudio de comorbilidades asociadas
(Universidad de Concepción, 2015) Flores Jara, Christopher Alejandro; Figueroa Iturrieta, Rosa Liliana
El presente trabajo tuvo la finalidad de identificar obesidad y sus tipos mediante las principales enfermedades asociadas a ella, utilizando registros médicos electrónicos sin identificación de los pacientes, provenientes del Hospital Guillermo Grant Benavente de Concepción en 43 subespecialidades médicas. El problema contempló el estudio de campos estructurados y de texto libre de cada registro médico para una posterior clasificación en dos niveles. El primer nivel correspondió a la identificación de obesidad junto con otros estados nutricionales como el bajo peso, normopeso y sobrepeso. Posteriormente, se procedió a clasificar los tipos de obesidad en las categorías moderada o leve (tipo I), severa (tipo II), mórbida (tipo III) y superobesidad (tipo IV). La clasificación fue realizada en una colección de registros médicos (corpus principal) creada a partir de una recuperación de información de la base de datos, utilizando palabras claves de las categorías del primer nivel de clasificación. Posteriormente, un grupo de anotadores analizó cada registro médico recuperado para etiquetarlos de acuerdo a las clases de ambos niveles, creando un Gold Standard. Para la implementación de los clasificadores Support Vector Machine (SVM) y Naïve Bayes (NB), fue necesaria una representación numérica de cada registro del corpus principal utilizando términos relacionados a las comorbilidades de la obesidad en forma de unigrams y bigrams, a través de una matriz binaria, TF (Term Frequency) y TF-IDF (Term Frequency-Inverse Document Frequency). El más alto desempeño en el primer nivel de clasificación fue el obtenido por SVM con una exactitud igual a 89,10%, utilizando bigrams con una matriz binaria. Por su parte, NB obtuvo en el mismo nivel un porcentaje de exactitud igual a 84,49%, utilizando igual segmentación y representación de la información que SVM. Analizando la clase “obesidad” en particular, el rendimiento de SVM es superior al alcanzado por NB, obteniéndose porcentajes de exactitud iguales a 89,22% y 85,07% respectivamente, en un enfoque basado en bigrams y usando una matriz binaria. En el segundo nivel de clasificación, nuevamente SVM logró el mejor desempeño, alcanzando una exactitud igual a 93,80% mediante bigrams y las matrices TF y TF-IDF para representar la información, mientras que el mejor desempeño de NB fue una exactitud de 82,17% con el mismo tipo de segmentación, pero con una matriz binaria.
Implementación de algoritmos de IA para la detección de fraude en servicios de salud.
(Universidad de Concepción, 2024) Contreras Valderrama, Víctor Ricardo; Figueroa Iturrieta, Rosa Liliana
Health fraud is a highly relevant issue today. Insurance fraud within the United States Medicare system results in losses amounting to billions of dollars annually. In addition to financial losses, there is an increase in the bureaucracy of the medical billing process, a direct consequence of fraud, which complicates and encumbers the processes of justification and billing for medical services. The main actors in these processes are healthcare providers (hospitals and other health centers), doctors, and the patients who use these services. This thesis focuses on addressing this problem using open-source tabular data containing information on patients registered in the federal Medicare insurance program, along with the respective healthcare provider assigned to each patient. Information from a total of 558,211 patients was used. First, an exploratory data analysis was conducted to process the data, followed by feature engineering. Subsequently, hyperparameter tuning was performed with cross-validation to ensure the robustness of the selected parameters. Concurrently, the error of each classifier was evaluated to monitor the models' performance. Finally, three classifiers (AdaBoost, Support Vector Machine (SVM), and TabNet) were trained and evaluated, aiming to classify the dataset examples into “fraud” and “non-fraud” categories. In terms of sensitivity, the best classifier was SVM (sensitivity=0.62), followed by AdaBoost (sensitivity=0.61). On the other hand, in terms of the area under the receiver operating characteristic curve, AdaBoost presented the best results with a score of 0.7. This study reveals the capability of advanced machine learning techniques to identify potential frauds in medical insurance programs, showing that, although SVM had the best sensitivity, AdaBoost offered a more robust balance between sensitivity and specificity, as reflected in its superior AUC-ROC. This approach not only contributes to the efficient detection of fraud but also underscores the importance of proper model selection and optimization to address complex data problems.
Modelo de aprendizaje automático para predecir el riesgo cardiovascular usando variables clínicas y del diario vivir.
(Universidad de Concepción, 2024) Hernández Torres, Rocío Arantzazú; Figueroa Iturrieta, Rosa Liliana
Las enfermedades cardiovasculares (ECV) son una de las principales causas de defunción en el mundo. Solo en Chile representan el 23% de los decesos. Por esta razón que existen diversos programas mundiales y nacionales para prevenir eventos cardiovasculares, tales como Programa de Salud Cardiovascular (PSCV), los promueven un estilo de vida saludable, como llevar una dieta balanceada o ejercitar frecuentemente. Pese a esto, muchas personas cuyos hábitos de vida son considerados saludables, también pueden llegar a sufrir una ECV, lo que ha motivado a muchos investigadores a estudiar las causas de estas enfermedades, buscando métodos para medir el riesgo cardiovascular. Por esta razón que en este trabajo de memoria de título se busca estudiar la forma de predecir el riesgo cardiovascular usando variables del diario vivir presentes en la base de datos Cardiovascular Health Study (CHS). Para lograr el objetivo propuesto, primero se hizo un análisis exploratorio dentro de la base de datos y un procesamiento de las características seleccionadas, con el fin de identificar las variables más relevantes para entrenar el modelo usando distintos métodos. Posteriormente se entrenaron los modelos con los distintos métodos seleccionados. Para la selección de características, se utilizaron métodos de filtros, de envoltura, y algoritmos específicos como FeatureWiz, SelectKBest y SelectFromModel. Además, se implementaron redes neuronales para mejorar la capacidad de predicción. Los resultados obtenidos no fueron excelentes, pero tampoco desalentadores. El modelo con el mejor rendimiento fue el modelo entrenado con el método de envoltura, alcanzando un 61% de accuracy y un puntaje f1 de 0,59. Estos resultados, aunque no óptimos, indican que las variables seleccionadas para este proyecto no fueron suficientemente relevantes para predecir el riesgo cardiovascular. Sin embargo, este resultado no descarta la posibilidad de seguir investigando si eventos de la vida diaria pueden afectar el correcto funcionamiento del músculo cardíaco, lo que sugiere la necesidad de aplicar más técnicas de ingeniería de datos.
Modelos de aprendizaje automático para la predicción de extensión del periodo de hospitalización en pacientes cardiacos.
(Universidad de Concepción, 2026) Orellana Melo, José Miguel; Figueroa Iturrieta, Rosa Liliana
El tiempo de estancia hospitalaria constituye un indicador clave para la gestión clínica, al estar directamente asociado al uso de recursos, los costos de atención y la calidad asistencial. En el contexto de las enfermedades cardiovasculares (una de las principales causas de hospitalización en población adulta mayor), la predicción temprana de estancias hospitalarias prolongadas resulta especialmente relevante para la planificación de camas y la optimización de la atención en sistemas de salud. Esta Memoria de Título tiene como objetivo desarrollar y evaluar un enfoque metodológico para la predicción de estancias hospitalarias prolongadas en pacientes cardíacos, utilizando datos del Cardiovascular Health Study (CHS). El conjunto de datos integra información demográfica, signos vitales, resultados de laboratorio y el historial clínico del paciente, incluyendo códigos de diagnóstico y procedimientos codificados según el estándar CIE-9. La metodología propuesta se estructura en varias etapas. En primer lugar, se realiza la preparación del set de datos y la definición de la variable objetivo Length of Stay (LOS), formulando el problema como una tarea de clasificación binaria. Posteriormente, se implementa un pipeline de preprocesamiento diferenciado para variables numéricas y categóricas, incorporando técnicas de imputación múltiple, tratamiento de valores extremos, transformaciones de distribución y estandarización. Para abordar la alta dimensionalidad de los códigos clínicos, se propone un modelado basado en tópicos latentes mediante factorización de matrices no negativas (NMF), que permite condensar la historia clínica del paciente en un conjunto reducido de variables interpretables. Adicionalmente, se diseñan variables derivadas orientadas a capturar la carga diagnóstica y la recurrencia hospitalaria. El entrenamiento de los modelos se realiza mediante una comparación de distintos modelos de aprendizaje supervisado, utilizando validación cruzada estratificada y el F1-score como métrica principal. A partir de esta etapa, se selecciona y se optimiza un modelo XGBoost mediante una búsqueda aleatoria de hiperparámetros, cuyo desempeño final se evalúa sobre un conjunto de prueba independiente, obteniendo un valor AUC de 0,78 y exactitud de 0,74. El análisis se complementó con técnicas de interpretabilidad basadas en la importancia de características y valores SHAP.
Percepción de la calidad del servicio en el sistema de salud mediante análisis de opinión en bases de datos disponibles en la web.
(Universidad de Concepción, 2025) Saavedra Acuña, Luis Sebastián; Figueroa Iturrieta, Rosa Liliana
El presente trabajo tuvo como objetivo analizar la percepción de la calidad del servicio de salud en Chile a partir de opiniones de usuarios recopiladas en plataformas públicas en línea, utilizando técnicas de Procesamiento de Lenguaje Natural (PLN) y aprendizaje automático. La motivación principal radica en la falta de métodos automatizados de análisis de opinión en el contexto chileno, en contraste con la creciente disponibilidad de comentarios públicos en plataformas digitales. A través de web crawling automatizado, se recolectaron más de 2.000 opiniones de seis hospitales públicos y seis clínicas privadas, seleccionadas en base a criterios de tamaño poblacional y distribución geográfica. Posteriormente, los textos fueron sometidos a un exhaustivo proceso de preprocesamiento, incluyendo la eliminación de acentos, normalización, tokenización y vectorización, para garantizar su correcta interpretación por los modelos analíticos. Para la clasificación de sentimientos, se implementaron tres algoritmos supervisados: Naive Bayes, Máquina de Vectores de Soporte (SVM) y una Red Neuronal Simple, utilizando la calificación numérica adjunta a cada opinión como criterio de etiquetado. Se decidió eliminar la clase neutra debido a su escasa representación, transformando el problema en una clasificación binaria entre sentimientos positivos y negativos. Los resultados mostraron que Naive Bayes obtuvo el mejor desempeño en hospitales, mientras que SVM lideró en clínicas, alineándose en parte con lo reportado en la literatura especializada. En la segunda etapa, se aplicaron métodos de modelado de tópicos mediante aprendizaje no supervisado, utilizando Latent Dirichlet Allocation (LDA) y Factorización de Matrices No Negativas (FMN). Ambos enfoques permitieron identificar patrones temáticos recurrentes en las opiniones, tales como tiempos de espera, trato del personal y calidad de la atención, siendo FMN el que logró una mejor definición y segmentación de los tópicos, especialmente en los subconjuntos de opiniones negativas. En conjunto, los resultados obtenidos evidencian que el uso de técnicas de PLN y machine learning puede automatizar de manera efectiva el análisis de la percepción ciudadana sobre el sistema de salud, proporcionando información valiosa para la mejora continua del servicio. Asimismo, el algoritmo desarrollado presenta potencial para ser implementado en sistemas de monitoreo en tiempo real, permitiendo a las instituciones de salud detectar tendencias en la opinión de los usuarios de manera temprana y oportuna, favoreciendo la toma de decisiones basada en evidencia.
Predicción de IAAS en estancias UCI mediante base de datos MIMIC-III.
(Universidad de Concepción, 2026) Espinoza Romero, Francisco Javier; Figueroa Iturrieta, Rosa Liliana
Las infecciones asociadas a la atención en salud (IAAS) constituyen un problema crítico de seguridad del paciente, especialmente en unidades de cuidados intensivos (UCI), donde la condición clínica grave, el uso de dispositivos invasivos y las estancias prolongadas incrementan la morbilidad, la mortalidad y los costos hospitalarios. A pesar de los programas de vigilancia, las estrategias tradicionales presentan limitaciones para la detección temprana de estos eventos en contextos de alta carga asistencial y grandes volúmenes de datos clínicos. Este trabajo desarrolla y evalúa modelos de aprendizaje automático para la predicción temprana de IAAS en estancias UCI utilizando la base pública MIMIC-III v1.4, que contiene registros clínicos anonimizados de pacientes críticos del Beth Israel Deaconess Medical Center. Se seleccionó una cohorte de 28.763 estancias de pacientes adultos con permanencia en UCI ≥ 48 h, con una prevalencia de IAAS cercana al 3,3%. Las etiquetas de CLABSI, ITUAC y PVAP se derivaron de los criterios CDC/NHSN adaptados a MIMIC-III. Se construyó un conjunto de variables predictoras a partir de información demográfica, fisiológica, de laboratorio, microbiológica y de procedimientos, aplicando creación de tablas derivadas, limpieza de datos, tratamiento de rangos plausibles, preprocesamiento y manejo explícito del desbalance de clases. Se implementaron modelos de referencia y clasificadores basados en Random Forest y XGBoost, combinados con ajuste de pesos de clase, submuestreo (NearMiss) y sobremuestreo (SMOTE). El desempeño se evaluó mediante validación cruzada estratificada y en un conjunto de prueba con prevalencia original, utilizando métricas adaptadas a eventos raros (AUPRC, F2, recall), además de AUROC. El mejor rendimiento se obtuvo con XGBoost baseline ponderado, alcanzando un AUPRC de 0,097 (frente a 0,033 de modelos triviales), un AUROC de 0,752, un recall de 0,593 y un F2 de 0,265, lo que evidencia una capacidad real, aunque moderada, para priorizar pacientes con mayor riesgo de IAAS en un escenario de baja prevalencia. El análisis con valores SHAP mostró que la predicción se sustenta principalmente en marcadores de gravedad y nivel de intervención en UCI, en concordancia con la literatura. El estudio demuestra la factibilidad de aplicar técnicas de aprendizaje automático sobre MIMIC-III para apoyar la vigilancia epidemiológica de IAAS en UCI y resalta la importancia de emplear métricas alineadas con la prevalencia real del evento. No obstante, el carácter retrospectivo, unicéntrico y sin validación prospectiva en tiempo real limita la generalización de los modelos, por lo que se requieren estudios adicionales y validaciones externas antes de considerar su integración en la práctica clínica.
Predicción de mortalidad en pacientes con ECV hospitalizados en UCI mediante machine learning y la base de datos MIMIC-III.
(Universidad de Concepción, 2026) Beytía Hormazábal, Bastian Eduardo; Figueroa Iturrieta, Rosa Liliana
En este proyecto se aborda la predicción de mortalidad en pacientes con enfermedades cardiovasculares (ECV) hospitalizados en UCI, utilizando la base de datos MIMIC-III v1.4 como fuente de información. Se definieron objetivos y alcances enfocados en una cohorte de pacientes UCI adultos con los principales diagnósticos ECV registrados en la base de datos (insuficiencia cardíaca, fibrilaciones auriculares, cardiopatías isquémicas, infartos agudos al miocardio, entre otras.). La metodología de trabajo incluyó una revisión de literatura inicial, la exploración de MIMIC-III mediante consultas SQL y la construcción de cohortes bajo criterios de integridad (edad y tiempo mínimo en UCI). Posteriormente, se seleccionaron las variables clínicas más relevantes y se diseñó un pipeline en Python para el preprocesamiento, construcción del dataset y entrenamiento de los modelos de machine learning, donde luego, se utilizaron métricas estándar de desempeño para evaluar los modelos mediante un esquema que permitió analizar tanto su rendimiento predictivo como la estabilidad de los resultados frente a las particiones de los datos. Debido a que MIMIC-III es una base datos masiva, tanto los análisis exploratorios de la base de datos, como el desarrollo y evaluación de los modelos se realizaron utilizando un servidor local de la Universidad. Finalmente, los modelos basados en gradient boosting (XGBoost, LightGBM y Catboost) obtuvieron el mejor rendimiento, alcanzando valores de AUC-ROC cercanos a 0,80 y superando en gran medida al modelo baseline Random Forest. El análisis de variables más influyentes en el rendimiento de los modelos mostró patrones coherentes con la fisiopatología cardiovascular, destacando parámetros bioquímicos, hematológicos y demográficos tales como los electrolitos principales, hemogramas o la edad. Esto refuerza el potencial del aprendizaje automático como herramienta de apoyo en la predicción de mortalidad en pacientes con ECV ingresados a UCI.

Browsing by Author "Figueroa Iturrieta, Rosa Liliana"

Results Per Page

Sort Options