Please use this identifier to cite or link to this item: http://repositorio.autonoma.edu.co/handle/11182/660
Title: Solución de inteligencia de negocios basada en minería de datos para apoyar la toma de decisiones en el proceso de cirugía del Hospital Departamental Universitario Santa Sofía de Caldas, en la ciudad de Manizales
Authors: Rojas Calvo, Wilson Alejandro
Advisor: Hernández Cáceres, Javier
Keywords: Minería de datos en salud
Clustering
Administración de recursos
Administración de bases de datos
Keywords: Health data mining
Clustering
Resource management
Database administration
Publisher: Universidad Autónoma de Manizales
Abstract(esp): La toma de decisiones en la gestión hospitalaria permite avanzar hacia la atención oportuna y humanizada de los usuarios. La administración de recursos relacionados con el proceso de cirugía, permite alcanzar mejores resultados tanto clínicos como financieros. El aumento exponencial de datos clínicos dificulta cada vez más el acceso a la información mediante métodos tradicionales. La Minería de datos y la Inteligencia de Negocios, ofrecen herramientas que permiten lograr altos niveles de autonomía, disponibilidad y facilidad de acceso a la información. La presente investigación busca implementar una solución de inteligencia de negocios que, basada en Minería de Datos, permita apoyar la Gestión Estratégica del Proceso de Cirugía en el Hospital Departamental Universitario Santa Sofía de Caldas, ubicado en la ciudad de Manizales, Colombia. Se aplica la metodología CRISP-DM y mediante el uso de modelos de datos y técnicas de visualización dimensionales, se generan informes dinámicos personalizables por el usuario, reportes activos y despliegue móvil de datos. Así mismo se aplica clustering como técnica de agrupamiento y usando el algoritmo K-Means se exploran datos buscando identificación de grupos de pacientes que han sido sometidos a procedimientos quirúrgicos y cuyos diagnósticos estaban asociados a cáncer. Se busca ofrecer a los líderes del servicio una solución orientada a procesos analíticos, que integre tanto datos administrativos como asistenciales. Metodología: Se documentan las 6 fases de la metodología CRISP-DM; se utiliza DB2 Web Query como motor de reportes, DB2 for IBMi para el modelo de Data Warehouse, ROAMBI Analytics para la visualización en dispositivos móviles y WEKA como herramienta de minería de datos para la técnica Clustering y específicamente el algoritmo K-Means. Resultados: Motor de reportes de Inteligencia de Negocios, OLAP, Active Reports y dashboards implementados y validados por los interesados, visualización en dispositivos móviles, técnica de minería aplicada, arrojando dos clústeres como grupos de pacientes quirúrgicos y documentación de cada fase abordada en la metodología. Conclusiones: La evaluación de la solución demuestra altos niveles de aceptación por parte de los interesados.
Abstract(eng): Decision making in hospital management allows progress towards a timely and humane care of users. Administrative procedures related to surgery processes lead to achieve better results for both clinical and financial processes. Exponential growth of clinical data makes increasingly difficult the access to information through traditional methods. Data Mining and Business Intelligence offer tools for achieving high levels of autonomy, availability and ease of access to information. This research study aims at implementing a Business Intelligence Solution based on Data Mining to support Strategic Management of Surgical Procedures at the Hospital Departamental Universitario Santa Sofia in Manizales, Caldas, Colombia. The CRISP-DM methodology was applied and users’ dynamic customizable reports, active reports and deployment of mobile data were generated by using data models and dimensional visualization techniques. Similarly, the clustering technique and the K-Means algorithm were used to explore data on identifying groups of patients who underwent surgical procedures and whose diagnoses were associated with cancer. This study seeks to provide leaders with a solution directed to analytical processes that integrate both data and administrative assistance. Methodology: The 6 phases of CRISP-DM methodology were documented. It was used DB2 Web Query as a reporting engine, DB2 as IBMi for Data Warehouse model, ROAMBI Analytics for viewing on mobile devices and WEKA as a data mining tool for the clustering technique, particularly the K-Means algorithm. Results: Results show Business Intelligence reports, OLAP, Active Reports, implemented and validated dashboards by the interested parties, display on mobile devices, as well as an applied mining technique that generates two clusters as groups of surgical patients and reports of each of the methodological phases. Conclusions: The solution evaluation exhibits high levels of acceptance by the interested parties.
URI: http://repositorio.autonoma.edu.co/handle/11182/660
Appears in Collections:Maestría en Gestión y Desarrollo de Proyectos de Software



This item is licensed under a Creative Commons License Creative Commons