Mostrar el registro sencillo del ítem

dc.contributor.advisorZapata García, Angélica María
dc.contributor.advisorCáceres Becerra, Claudia Isabel
dc.contributor.authorJiménez Barragán, Jorge Luis
dc.coverage.spatialColombiaspa
dc.date.accessioned2021-08-19T18:54:15Z
dc.date.available2021-08-19T18:54:15Z
dc.date.issued2020
dc.identifier.urihttp://hdl.handle.net/20.500.12749/13914
dc.description.abstractEl objetivo principal del proyecto es implementar un prototipo de apoyo para el diagnóstico de infarto agudo de miocardio, permitiendo validar a partir de datos registrados un análisis más certero, optimo y eficaz para el personal encargado. El proceso comenzó mediante el levantamiento de información de los diferentes factores en el proceso de la determinación de un diagnóstico del periodo comprendido del 2015 al 2020. Se realizó el análisis correspondiente de flujo de datos que intervinieron en el proceso, para la creación de los modelos entidad relación y diagramas UML para consultas de los usuarios registrados en el área de medicina general y cardiología. Todo el proceso se basa en una generación de archivos con el principal objetivo de validar los registros entendibles para el usuario para realizar una toma de decisiones por medio de datos. El lenguaje de programación empleado en la elaboración de la aplicación fue Python dispuesto como requerimiento por los involucrados. Por lo expuesto anterior, se podrá señalar que, como parte del desarrollo del presente tema de tesis, se implementará una herramienta que ayudará a los profesionales de la salud, a obtener reportes más eficientes y óptimos, análisis de datos, optimizando recursos y tiempo.spa
dc.description.tableofcontentsINTRODUCCIÓN ..................................................................................................... 1 1. PLANTEAMIENTO DEL PROBLEMA ............................................................... 3 2. PREGUNTA DE INVESTIGACIÓN ..................................................................... 5 2.1. HIPÓTESIS ...................................................................................................... 5 2.1.1. Hipótesis principal ...................................................................................... 5 2.1.2. Hipótesis alternativas ................................................................................. 5 3. JUSTIFICACIÓN ................................................................................................ 6 4. OBJETIVOS ....................................................................................................... 7 4.1. OBJETIVO GENERAL .................................................................................... 7 4.2. OBJETIVOS ESPECÍFICOS ........................................................................... 7 5. MARCO REFERENCIAL .................................................................................... 8 5.1. MARCO CONCEPTUAL .................................................................................. 8 5.1.1. Infarto agudo de miocardio ........................................................................ 8 5.1.2. Base de datos no relacionales ................................................................... 8 5.1.3. Machine Learning ....................................................................................... 9 5.1.4. Diagnóstico ................................................................................................. 9 5.1.5. Enfermedad cardíaca .................................................................................. 9 5.2. MARCO TEÓRICO ........................................................................................ 10 5.2.1. Mongodb .................................................................................................... 10 5.2.2. Python ........................................................................................................ 13 5.2.3. Regresión logística ................................................................................... 15 6. ANTECEDENTES ............................................................................................. 17 7. ESTADO DEL ARTE ........................................................................................ 19 8. MARCO LEGAL ............................................................................................... 38 8.1. OBJETIVO DE DESARROLLO SOSTENIBLE 9 “INDUSTRIA, INNOVACIÓN E INFRAESTRUCTURA” ...................................................................................... 38 8.2. RESOLUCIÓN 8430 DE 1993 ....................................................................... 39 8.3. LEY ESTATUTARIA 1266 DE 2008 .............................................................. 39 8.4. LEY 1581 DE 2012 PROTECCIÓN DE DATOS ............................................ 39 8.5. DECRETO 1377 DE 2013 .............................................................................. 40 8.6. LEY 2015 DEL 31 DE ENERO DE 2020 ....................................................... 40 9. METODOLOGÍA ............................................................................................... 41 9.1. FASE 1: RECOLECCIÓN DE DATOS .......................................................... 41 9.2. FASE 2: DISEÑO DEL PROTOTIPO FUNCIONAL ...................................... 42 9.3. FASE 3: CONSTRUCCIÓN DEL PROTOTIPO FUNCIONAL ....................... 43 9.4. FASE 4: EVALUACIÓN DEL PROTOTIPO FUNCIONAL ............................ 43 10. POBLACIÓN Y MUESTRA ............................................................................. 44 11. CRONOGRAMA DE ACTIVIDADES .............................................................. 46 12. PRESUPUESTO ............................................................................................. 47 13. DESARROLLO TRABAJO DE GRADO ......................................................... 48 14. INTERPRETACIÓN DE RESULTADOS OBTENIDOS ................................... 50 14.1. PARÁMETROS DEL INFARTO AGUDO DE MIOCARDIO ........................ 51 14.2. IMPLEMENTACIONES DE MACHINE LEARNING EN CARDIOLOGÍA .... 64 14.3. DIAGRAMAS UML Y ENTIDAD-RELACIÓN .............................................. 72 14.3.1. Diagrama de clases................................................................................. 72 14.3.2. Diagrama de caso de uso ....................................................................... 73 14.3.3. Diagrama de actividades: ECU-001 Ingreso al sistema ....................... 74 14.3.4. Diagrama de actividades: ECU-002 Datos del paciente ....................... 75 14.3.5. Diagrama de actividades: ECU-003 Registro motivo de consulta ...... 76 14.3.6. Diagrama de actividades: ECU-004 Registro de exploración física ... 77 14.3.7. Diagrama de actividades: ECU-005 Resultados del diagnóstico ........ 78 14.3.8. Diagrama Entidad-Relación ................................................................... 79 14.4. CONSTRUCCIÓN DEL PROTOTIPO FUNCIONAL PARA APOYAR EL DIAGNÓSTICO DE INFARTO DE MIOCARDIO ................................................... 79 14.4.1. Diagrama de componentes .................................................................... 80 14.5. Validación del prototipo funcional para apoyar el diagnóstico de IAM 81 14.5.1. Pestaña de Inicio de sesión ................................................................... 81 14.5.2. Pestaña de información personal del paciente .................................... 82 14.5.3. Pestaña de factores de riesgo ............................................................... 83 14.5.4. Pestaña de antecedentes ....................................................................... 84 14.5.5. Pestaña de motivo de la consulta ......................................................... 85 14.5.6. Pestaña de los valores de parámetros de la exploración física ......... 86 14.5.7. Pestaña de resultado del diagnóstico ................................................... 87 15. CONCLUSIONES ........................................................................................... 89 16. RECOMENDACIONES ................................................................................... 91 17. TRABAJOS A FUTURO ................................................................................. 92 BIBLIOGRAFÍA ..................................................................................................... 93 ANEXOS ................................................................................................................ 98spa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.titlePrototipo funcional para apoyar el diagnóstico de infarto agudo de miocardiospa
dc.title.translatedFunctional prototype to support the diagnosis of acute myocardial infarctionspa
dc.degree.nameIngeniero de Sistemasspa
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNABspa
dc.rights.localAbierto (Texto Completo)spa
dc.publisher.facultyFacultad Ingenieríaspa
dc.publisher.programPregrado Ingeniería de Sistemasspa
dc.description.degreelevelPregradospa
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.localTrabajo de Gradospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.subject.keywordsSystems engineerspa
dc.subject.keywordsTechnological innovationsspa
dc.subject.keywordsAnalysisspa
dc.subject.keywordsDataspa
dc.subject.keywordsRecordsspa
dc.subject.keywordsAcute myocardial infarctionspa
dc.subject.keywordsData basespa
dc.subject.keywordsReportspa
dc.subject.keywordsPrototypespa
dc.subject.keywordsPrototype developmentspa
dc.subject.keywordsMedical prognosisspa
dc.subject.keywordsMachine learningspa
dc.identifier.instnameinstname:Universidad Autónoma de Bucaramanga - UNABspa
dc.identifier.reponamereponame:Repositorio Institucional UNABspa
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersion
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2spa
dc.relation.referencesAlbis, I. (5 de Noviembre de 2019). Vanguardia. Obtenido de https://www.vanguardia.com/area-metropolitana/bucaramanga/de-que-seestan-muriendo-los-santandereanos-BD1630993spa
dc.relation.referencesarsys. (29 de Marzo de 2017). Obtenido de https://www.arsys.es/blog/programacion/redis-la-nube/spa
dc.relation.referencesAsí Vamos en Salud. (2 de Abril de 2020). Obtenido de TASA DE MORTALIDAD POR ENFERMEDADES ISQUÉMICAS DEL CORAZÓN – GEOREFERENCIADO: https://www.asivamosensalud.org/indicadores/enfermedades-cronicas-notransmisibles/tasa-de-mortalidad-por-enfermedades-isquemicasspa
dc.relation.referencesAWS. (s.f.). Obtenido de https://aws.amazon.com/es/elasticache/what-is-redis/spa
dc.relation.referencesAWS. (s.f.). Obtenido de https://aws.amazon.com/es/dynamodb/spa
dc.relation.referencesAWS. (s.f.). Obtenido de https://aws.amazon.com/es/dynamodb/features/spa
dc.relation.referencesAWS. (s.f.). Obtenido de https://aws.amazon.com/es/architecture/?solutionsall.sort-by=item.additionalFields.sortDate&solutions-all.sortorder=desc&whitepapers-main.sortby=item.additionalFields.sortDate&whitepapers-main.sortorder=desc&reference-architecture.sort-by=item.additiospa
dc.relation.referencesAWS. (s.f.). Obtenido de https://aws.amazon.com/es/emr/features/hbase/spa
dc.relation.referencesBaoss. (2 de Agosto de 2014). Obtenido de https://www.baoss.es/que-escassandra/spa
dc.relation.referencesBBVA. (24 de Mayo de 2015). Obtenido de https://bbvaopen4u.com/es/actualidad/neo4j-que-es-y-para-que-sirve-unabase-de-datos-orientada-grafosspa
dc.relation.referencesBedoya, C., Mendoza, J., & Nieto, O. (2016). Prevalencia de infarto de miocardio en un programa de riesgo cardiovascular de una institución prestadora de salud en Armenia---Quindío. Revista Colombiana de Cardiología, 7.spa
dc.relation.referencesBig Data Dummy. (25 de Enero de 2017). Obtenido de https://bigdatadummy.com/2017/01/25/hbase/#arquitecturaspa
dc.relation.referencesBigeek. (28 de Junio de 2018). Obtenido de https://blog.bi-geek.com/redis-paraprincipiantes/spa
dc.relation.referencesCalvachi, P., Barrios, D., Puccinib, M., Mojica, H., Delgadilloa, D., Gómeza, M., . . . Buitragoa, A. F. (2017). Frecuencia de los tipos de infarto agudo de miocardio según la tercera definición. Revista Colombiana de Cardiología, 6spa
dc.relation.referencesCardio Alianza. (s.f.). Obtenido de https://cardioalianza.org/las-enfermedadescardiovasculares/infarto-de-miocardiospa
dc.relation.referencesCastillo, C. (20 de Noviembre de 2016). SlideShare. Obtenido de https://es.slideshare.net/christianecastillo1/couch-db-69323075spa
dc.relation.referencesChacaltana, G. (18 de Mayo de 2018). Solo Código Web. Obtenido de http://www.solocodigoweb.com/blog/2018/05/18/cuando-usar-cassandracuando-usar-mongodb/spa
dc.relation.referencesColbert, J. (27 de Mayo de 2014). Prezi. Obtenido de https://prezi.com/aoab9u2hi4z_/couch-dbspa
dc.relation.referencesColl, Y., Valladares, F. d., & González, C. (2016). Infarto agudo de miocardio. Actualización de la Guía de Práctica. Cuba.spa
dc.relation.referencesCommandeur, F., Slomka, P. J., Goeller, M., & Chen, X. (2019). Machine learning to predict the long-termrisk ofmyocardial infarction and cardiac death based on clinical risk, coronary calcium, and epicardial adipose tissue: a prospective study. European Society ok Cardology, 10spa
dc.relation.referencesCuidate. (16 de Septiembre de 2015). Obtenido de https://cuidateplus.marca.com/enfermedades/enfermedades-vasculares-ydel-corazon/infarto-miocardio.htmlspa
dc.relation.referencesDiario La Economía. (09 de Julio de 2019). Obtenido de https://diariolaeconomia.com/trabajo-y-salud/item/4569-colombia-muylejana-de-prevenir-enfermedades-cardiovasculares.htmlspa
dc.relation.referencesDiez, E. (2010). El diagnóstico médico, problemas crucial en el siglo XXI. Revista Electrónica de las Ciencias Médicas en Cienfuegos, 11.spa
dc.relation.referencesDİKER, A., CÖMERT, Z., & AVCI, E. (2017). Diagnostic Model for Identification of Myocardial Infarction from Electrocardiography Signals. Journal of Science and Technology, 9.spa
dc.relation.referencesDres. Thygesen K, A. J. (1 de Octubre de 2012). IntraMed. Obtenido de https://www.intramed.net/contenidover.asp?contenidoID=77594spa
dc.relation.referencesEmori, H., Kubo, T., & Kameyama, T. (2018). Diagnostic Accuracy of Quantitative Flow Ratio for Assessing. Ischemic Heart Disease, 8.spa
dc.relation.referencesExperto en Big Data. (8 de Marzo de 2018). Obtenido de https://expertoenbigdata.com/que-esmongodb/#La_arquitectura_de_MongoDBspa
dc.relation.referencesGENBETA. (3 de Febrero de 2014). Obtenido de https://www.genbeta.com/desarrollo/mongodb-que-es-como-funciona-ycuando-podemos-usarlo-o-nospa
dc.relation.referencesGoette, E. (4 de Diciembre de 2018). Obtenido de https://emanuelpeg.blogspot.com/2018/12/ventajas-y-desventajas-de-unabase-de.htmlspa
dc.relation.referencesGupta, S., Ko, D. T., Azizi, P., Bouadjenek, M. R., Koh, M., Alice Chong, P. A., & Sanner, S. (2019). Evaluation of Machine Learning Algorithms for Predicting Readmission after Acute Myocardial Infarction Using Routinely Collected Clinical Data. Canadian Journal of Cardiology, 31spa
dc.relation.referencesIannattone, P., VanHoutten, J., Garg, A., & Huynh, T. (2019). Artificial Intelligence for Diagnosis of Acute Coronary Syndromes: A Meta-Analysis of Mixed Methods of Machine Learning. Canadian Journal of Cardiology, 28spa
dc.relation.referencesIBM Cloud Free Tier. (6 de Agosto de 2019). Obtenido de https://www.ibm.com/cloud/learn/couchdbspa
dc.relation.referencesInternet y Tecnologías de la Información. (2018). Obtenido de https://www.paraisodigital.org/internet/couchdb.htmlspa
dc.relation.referencesKidsHealth. (s.f.). Obtenido de https://kidshealth.org/es/parents/labtest4-esp.htmlspa
dc.relation.referencesKojuri, J., Boostani, R., Dehghani, P., Nowroozipour, F., & Saki, N. (2015). Prediction of acute myocardial infarction with artificial neural. Cardiovascular research center, 9spa
dc.relation.referencesLi, Y.-m., Jiang, L.-c., He, J.-j., Ji, K.-y., Peng, Y., & Chen, M. (2020). Machine Learning to Predict the 1-Year Mortality Rate After Acute Anterior Myocardial Infarction in Chinese Patients. Therapeutics and Clinical Risk Management, 6.spa
dc.relation.referencesMannil, M., Spiczak, J. v., Manka, R., & Alkadhi, H. (2018). Texture Analysis and Machine Learning for Detecting Myocardial. 6.spa
dc.relation.referencesMayo Clinic. (s.f.). Obtenido de https://www.mayoclinic.org/es-es/testsprocedures/x-ray/about/pac-20395303spa
dc.relation.referencesMYTHILI, S., & MALATHI, N. (2015). Diagnostic markers of acute myocardial infarction. India.spa
dc.relation.referencesO'Donoghue, M., Morrow, D., Cannon, C., & Jarolim, P. (2017). Multimarker Risk Stratification in Patients With Acute Myocardial Infarction. American Heart Association, 28spa
dc.relation.referencesOpenWebinars. (28 de Octubre de 2019). Obtenido de https://openwebinars.net/blog/que-es-mongodb/spa
dc.relation.referencesOs Enterprise. (s.f.). Obtenido de http://www.osenterprise.com.pe/web/redisspa
dc.relation.referencesP., M., Pickering, J. W., & Sandoval, Y. (2019). Machine Learning to Predict the Likelihood of Acute Myocardial Infarction. CIRCULATIONAHA, 29.spa
dc.relation.referencesParadigma. (2018). Obtenido de https://www.paradigmadigital.com/dev/neo4jtrabajando-grafos/spa
dc.relation.referencesPayrovnaziri, S., Laura Barrett, D. B., Bian, J., & He, Z. (2019). Enhancing Prediction Models for One-Year Mortality in Patients with Acute Myocardial. Health and Wellbeing e-Networks for All, 5.spa
dc.relation.referencesPérez, P. (s.f.). Fundación Española del Corazón. Obtenido de https://fundaciondelcorazon.com/informacion-para-pacientes/metodosdiagnosticos/cateterismo-cardiaco.htmlspa
dc.relation.referencesPineda, J. (30 de Septiembre de 2019). Vanguardia. Obtenido de https://www.vanguardia.com/area-metropolitana/bucaramanga/males-alcorazon-santander-registro-2495-muertes-en-2018-YL1490436spa
dc.relation.referencesPrueba de esfuerzo o ergometría. (s.f.). Obtenido de Cuidate: https://cuidateplus.marca.com/ejercicio-fisico/diccionario/pruebaesfuerzo.htmlspa
dc.relation.referencesRivas, P. (2 de Diciembre de 2019). Webconsultas. Obtenido de https://www.webconsultas.com/pruebas-medicas/electrocardiograma-7855spa
dc.relation.referencesRouse, M. (Julio de 2017). TechTarget. Obtenido de https://searchdatacenter.techtarget.com/es/definicion/CouchDBspa
dc.relation.referencesSacyl. (2018). Obtenido de Pruebas utilizadas en el diagnóstico del infarto: https://www.saludcastillayleon.es/AulaPacientes/es/guia-infarto-agudomiocardio/diagnostica/pruebas-utilizadas-diagnostico-infartospa
dc.relation.referencesSerrano, M. (2019). Conocimientos de enfermería de atención hospitalaria sobre el manejo inicial de pacientes que han sufrido un infarto agudo de miocardio. Españaspa
dc.relation.referencesSlomka, P. (2018). Machine learning for predicting death and heart attacks from CCTA. Journal of Cardiovascular Computed Tomograph, 7.spa
dc.relation.referencesTexas Heart Institute. (s.f.). Obtenido de https://www.texasheart.org/hearthealth/heart-information-center/topics/signos-de-alerta-del-ataque-cardiaco/spa
dc.relation.referencesTinoco, C. (2017). Artificial Intelligence and Machine Learning in Cardiology - A Change of Paradigm. International Journal of Cardiovascular Sciences, 2.spa
dc.relation.referencestuotromedico. (s.f.). Obtenido de Estudio isotópico: https://www.tuotromedico.com/temas/estudio_isotopico.htmspa
dc.relation.referencestutorialspoint. (s.f.). Obtenido de https://www.tutorialspoint.com/es/hbase/hbase_overview.htmspa
dc.relation.referencesUFindTech. (31 de Mayo de 2019). Obtenido de https://ufindtech.com/que-esdynamodb/spa
dc.relation.referencesValle, A. (s.f.). Fundación Española del Corazón. Obtenido de https://fundaciondelcorazon.com/informacion-para-pacientes/metodosdiagnosticos/ecocardiograma.htmlspa
dc.relation.referencesWallert, J., Tomasoni, M., Madison, G., & Held, C. (2017). Predicting two-year survival versus nonsurvival after first myocardial infarction using machine learning and Swedish national register data. BMC Medical Informatics and Decision Making, 11spa
dc.relation.referencesWu, X., Yuan, X., Wang, W., Liu, K., Qin, Y., & Ma, X. S. (2020). Value of a Machine Learning Approach for Predicting Clinical Outcomes in Young Patients With Hypertension. 8.spa
dc.relation.referencesZorrilla, M., & García, D. (Enero de 2017). Gestores NoSQL - Neo4j. Obtenido de https://ocw.unican.es/pluginfile.php/2396/course/section/2473/NoSQL_Tem a2_Neo4j.pdfspa
dc.relation.referencesZorrilla, M., & García, D. (Enero de 2017). Gestores NoSQL Apache Cassandra. Obtenido de https://ocw.unican.es/pluginfile.php/2396/course/section/2473/NoSQL_Tem a2_Cassandra.pdfspa
dc.contributor.cvlacZapata García, Angélica María [0001359256]spa
dc.contributor.cvlacCáceres Becerra, Claudia Isabel [0000095759]spa
dc.contributor.googlescholarCáceres Becerra, Claudia Isabel [UtICHzcAAAAJ&hl=es&oi=ao]spa
dc.contributor.orcidCáceres Becerra, Claudia Isabel [0000-0002-2211-774X]
dc.contributor.researchgateCáceres Becerra, Claudia Isabel [Claudia-Caceres-Becerra]spa
dc.subject.lembIngeniería de sistemasspa
dc.subject.lembInnovaciones tecnológicasspa
dc.subject.lembDesarrollo de prototiposspa
dc.subject.lembPronostico médicospa
dc.subject.lembAprendizaje automáticospa
dc.identifier.repourlrepourl:https://repository.unab.edu.cospa
dc.description.abstractenglishThe main objective of the project is to support the diagnosis of acute myocardial infarction that allows validating through data, decision-making about the pathology Acute Myocardial Infarction. The process began by gathering information on the different factors in the process of determining a diagnosis for the period from 2015 to 2020. The corresponding analysis of the data flow that intervened in the process was carried out, for the creation of the models. entity relationship and UML diagrams for consultations of registered users in the area of general medicine and cardiology. The entire process is based on the generation of files with the main objective of validating the records that are understandable to the user in order to make decisions through data. The programming language used in the development of the application was Python provided as a requirement by those involved. Due to the foregoing, it may be noted that, as part of the development of this thesis topic, a tool will be implemented that will help health professionals to obtain more efficient and optimal reports, data analysis, optimizing resources and time.spa
dc.subject.proposalAnálisisspa
dc.subject.proposalDatosspa
dc.subject.proposalRegistrosspa
dc.subject.proposalInfarto agudo de miocardiospa
dc.subject.proposalBase de datosspa
dc.subject.proposalReportespa
dc.subject.proposalPrototipospa
dc.type.redcolhttp://purl.org/redcol/resource_type/TP
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia*
dc.contributor.apolounabCáceres Becerra, Claudia Isabel [claudia-isabel-cáceres-becerra]
dc.coverage.campusUNAB Campus Bucaramangaspa
dc.description.learningmodalityModalidad Presencialspa
dc.contributor.linkedinCáceres Becerra, Claudia Isabel [claudia-isabel-cáceres-becerra-22092835]


Ficheros en el ítem

Thumbnail
Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

Atribución-NoComercial-SinDerivadas 2.5 Colombia
Excepto si se señala otra cosa, la licencia del ítem se describe como Atribución-NoComercial-SinDerivadas 2.5 Colombia