Por favor, use este identificador para citar o enlazar este ítem:
https://repositorio.autonoma.edu.co/handle/11182/696
Título : | Predicción del tiempo de la estancia hospitalaria de pacientes con trastorno afectivo bipolar en la clínica San Juan de Dios de Manizales por medio de técnicas de minería de datos |
Autor: | Zuluaga Valencia, Cristian Daniel |
Director(es): | Mejía Salazar, María Helena |
Palabras claves: | SQL-Programas de computador Metodología Crisp-DM Inteligencia artificial Trastorno Afectivo Bipolar-TAB Minería de datos |
keywords: | SQL-Computer programs Crisp-DM Methodology Artificial intelligence Bipolar Affective Disorder-BAD Data mining |
Editorial : | Universidad Autónoma de Manizales |
Resumen: | El trastorno Afectivo Bipolar (TAB), es una enfermedad mental principalmente caracterizada por fluctuaciones entre la manía (exaltación) y la depresión (tristeza). Se estima una prevalencia entre el 1% y 2% de la población mundial. La Clínica Psiquiátrica San Juan de Dios ubicada en Manizales (CSJDM), capital del departamento de Caldas, es una clínica especializada en salud mental que presta servicios de consulta, tratamiento y hospitalización principalmente a la población del departamento de Caldas. De acuerdo a la información estadística de los últimos años, 4 de las 10 primeras causas de hospitalización están asociadas al TAB, representando un 45.7% de los casos. Este fenómeno revela la importancia de estudiar a la población de la CSJDM que padece TAB, y para tal fin, se propuso una investigación relacionada con la Inteligencia Artificial, específicamente con el componente de búsqueda de conocimiento en bases de datos con la intención de construir un posible modelo de predicción de estancia hospitalaria para pacientes con TAB, en donde a partir de factores demográficos se permita conocer el tiempo que el paciente estará hospitalizado durante el tratamiento. La investigación fue desarrollada bajo la metodología CRISP-DM, que es una metodología utilizada para los proyectos de minería de datos, para la aplicación de las técnicas multivariadas se utilizó el programa estadístico informático SPSS. |
Abstract: | Bipolar Affective Disorder (BAD) is a mental illness primarily characterized by fluctuations between mania (excitement) and depression (sadness). It is estimated that 1% and 2% of the population suffer from this BAD. The Psychiatric Clinic San Juan de Dios located in Manizales (CSJDM), capital of the department of Caldas, is a specialized mental health clinic providing consultation services, treatment and hospitalization mainly to the population of the department of Caldas. According to the statistics on recent years, 4 of the 10 leading causes of hospitalization are associated with the BAD, representing 45.7% of all total cases. This phenomenon reveals the importance of studying the population of CSJDM suffering BAD, and to this end, an investigation related to artificial intelligence, specifically with the search component of knowledge discovery in databases with the intention of building a possible prediction model for hospital stay for BAD patients, calculated from demographic factors that allow us to estimate the patien’s hospitalization time during treatment. The research was developed under the CRISP-DM methodology, which is a methodology used for data mining projects, for the application of multivariate techniques computer SPSS was used. |
URI : | https://repositorio.autonoma.edu.co/handle/11182/696 |
Aparece en las colecciones: | Maestría en Gestión y Desarrollo de Proyectos de Software |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
Predicción_tiempo_estancia_hospitalaria_pacientes_trastorno_afectivo_bipolar_clínica_San_Juan_Dios_Manizales_técnicas_minería_datos.pdf | Texto completo | 3,83 MB | Adobe PDF | Visualizar/Abrir |
Auto_Predicción_tiempo_estancia_hospitalaria_pacientes_trastorno_afectivo_bipolar_clínica_San_Juan_Dios_Manizales_técnicas_minería_datos.pdf | Autorización | 726,12 kB | Adobe PDF | Visualizar/Abrir |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons