Mostrar el registro sencillo del ítem
Prototipo funcional para apoyar el diagnóstico de infarto agudo de miocardio
dc.contributor.advisor | Zapata García, Angélica María | |
dc.contributor.advisor | Cáceres Becerra, Claudia Isabel | |
dc.contributor.author | Jiménez Barragán, Jorge Luis | |
dc.coverage.spatial | Colombia | spa |
dc.date.accessioned | 2021-08-19T18:54:15Z | |
dc.date.available | 2021-08-19T18:54:15Z | |
dc.date.issued | 2020 | |
dc.identifier.uri | http://hdl.handle.net/20.500.12749/13914 | |
dc.description.abstract | El 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.tableofcontents | INTRODUCCIÓN ..................................................................................................... 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 ................................................................................................................ 98 | spa |
dc.format.mimetype | application/pdf | spa |
dc.language.iso | spa | spa |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/2.5/co/ | * |
dc.title | Prototipo funcional para apoyar el diagnóstico de infarto agudo de miocardio | spa |
dc.title.translated | Functional prototype to support the diagnosis of acute myocardial infarction | spa |
dc.degree.name | Ingeniero de Sistemas | spa |
dc.publisher.grantor | Universidad Autónoma de Bucaramanga UNAB | spa |
dc.rights.local | Abierto (Texto Completo) | spa |
dc.publisher.faculty | Facultad Ingeniería | spa |
dc.publisher.program | Pregrado Ingeniería de Sistemas | spa |
dc.description.degreelevel | Pregrado | spa |
dc.type.driver | info:eu-repo/semantics/bachelorThesis | |
dc.type.local | Trabajo de Grado | spa |
dc.type.coar | http://purl.org/coar/resource_type/c_7a1f | |
dc.subject.keywords | Systems engineer | spa |
dc.subject.keywords | Technological innovations | spa |
dc.subject.keywords | Analysis | spa |
dc.subject.keywords | Data | spa |
dc.subject.keywords | Records | spa |
dc.subject.keywords | Acute myocardial infarction | spa |
dc.subject.keywords | Data base | spa |
dc.subject.keywords | Report | spa |
dc.subject.keywords | Prototype | spa |
dc.subject.keywords | Prototype development | spa |
dc.subject.keywords | Medical prognosis | spa |
dc.subject.keywords | Machine learning | spa |
dc.identifier.instname | instname:Universidad Autónoma de Bucaramanga - UNAB | spa |
dc.identifier.reponame | reponame:Repositorio Institucional UNAB | spa |
dc.type.hasversion | info:eu-repo/semantics/acceptedVersion | |
dc.rights.accessrights | info:eu-repo/semantics/openAccess | spa |
dc.rights.accessrights | http://purl.org/coar/access_right/c_abf2 | spa |
dc.relation.references | Albis, I. (5 de Noviembre de 2019). Vanguardia. Obtenido de https://www.vanguardia.com/area-metropolitana/bucaramanga/de-que-seestan-muriendo-los-santandereanos-BD1630993 | spa |
dc.relation.references | arsys. (29 de Marzo de 2017). Obtenido de https://www.arsys.es/blog/programacion/redis-la-nube/ | spa |
dc.relation.references | Así 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-isquemicas | spa |
dc.relation.references | AWS. (s.f.). Obtenido de https://aws.amazon.com/es/elasticache/what-is-redis/ | spa |
dc.relation.references | AWS. (s.f.). Obtenido de https://aws.amazon.com/es/dynamodb/ | spa |
dc.relation.references | AWS. (s.f.). Obtenido de https://aws.amazon.com/es/dynamodb/features/ | spa |
dc.relation.references | AWS. (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.additio | spa |
dc.relation.references | AWS. (s.f.). Obtenido de https://aws.amazon.com/es/emr/features/hbase/ | spa |
dc.relation.references | Baoss. (2 de Agosto de 2014). Obtenido de https://www.baoss.es/que-escassandra/ | spa |
dc.relation.references | BBVA. (24 de Mayo de 2015). Obtenido de https://bbvaopen4u.com/es/actualidad/neo4j-que-es-y-para-que-sirve-unabase-de-datos-orientada-grafos | spa |
dc.relation.references | Bedoya, 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.references | Big Data Dummy. (25 de Enero de 2017). Obtenido de https://bigdatadummy.com/2017/01/25/hbase/#arquitectura | spa |
dc.relation.references | Bigeek. (28 de Junio de 2018). Obtenido de https://blog.bi-geek.com/redis-paraprincipiantes/ | spa |
dc.relation.references | Calvachi, 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, 6 | spa |
dc.relation.references | Cardio Alianza. (s.f.). Obtenido de https://cardioalianza.org/las-enfermedadescardiovasculares/infarto-de-miocardio | spa |
dc.relation.references | Castillo, C. (20 de Noviembre de 2016). SlideShare. Obtenido de https://es.slideshare.net/christianecastillo1/couch-db-69323075 | spa |
dc.relation.references | Chacaltana, 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.references | Colbert, J. (27 de Mayo de 2014). Prezi. Obtenido de https://prezi.com/aoab9u2hi4z_/couch-db | spa |
dc.relation.references | Coll, Y., Valladares, F. d., & González, C. (2016). Infarto agudo de miocardio. Actualización de la Guía de Práctica. Cuba. | spa |
dc.relation.references | Commandeur, 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, 10 | spa |
dc.relation.references | Cuidate. (16 de Septiembre de 2015). Obtenido de https://cuidateplus.marca.com/enfermedades/enfermedades-vasculares-ydel-corazon/infarto-miocardio.html | spa |
dc.relation.references | Diario La Economía. (09 de Julio de 2019). Obtenido de https://diariolaeconomia.com/trabajo-y-salud/item/4569-colombia-muylejana-de-prevenir-enfermedades-cardiovasculares.html | spa |
dc.relation.references | Diez, E. (2010). El diagnóstico médico, problemas crucial en el siglo XXI. Revista Electrónica de las Ciencias Médicas en Cienfuegos, 11. | spa |
dc.relation.references | DİKER, 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.references | Dres. Thygesen K, A. J. (1 de Octubre de 2012). IntraMed. Obtenido de https://www.intramed.net/contenidover.asp?contenidoID=77594 | spa |
dc.relation.references | Emori, H., Kubo, T., & Kameyama, T. (2018). Diagnostic Accuracy of Quantitative Flow Ratio for Assessing. Ischemic Heart Disease, 8. | spa |
dc.relation.references | Experto en Big Data. (8 de Marzo de 2018). Obtenido de https://expertoenbigdata.com/que-esmongodb/#La_arquitectura_de_MongoDB | spa |
dc.relation.references | GENBETA. (3 de Febrero de 2014). Obtenido de https://www.genbeta.com/desarrollo/mongodb-que-es-como-funciona-ycuando-podemos-usarlo-o-no | spa |
dc.relation.references | Goette, E. (4 de Diciembre de 2018). Obtenido de https://emanuelpeg.blogspot.com/2018/12/ventajas-y-desventajas-de-unabase-de.html | spa |
dc.relation.references | Gupta, 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, 31 | spa |
dc.relation.references | Iannattone, 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, 28 | spa |
dc.relation.references | IBM Cloud Free Tier. (6 de Agosto de 2019). Obtenido de https://www.ibm.com/cloud/learn/couchdb | spa |
dc.relation.references | Internet y Tecnologías de la Información. (2018). Obtenido de https://www.paraisodigital.org/internet/couchdb.html | spa |
dc.relation.references | KidsHealth. (s.f.). Obtenido de https://kidshealth.org/es/parents/labtest4-esp.html | spa |
dc.relation.references | Kojuri, J., Boostani, R., Dehghani, P., Nowroozipour, F., & Saki, N. (2015). Prediction of acute myocardial infarction with artificial neural. Cardiovascular research center, 9 | spa |
dc.relation.references | Li, 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.references | Mannil, M., Spiczak, J. v., Manka, R., & Alkadhi, H. (2018). Texture Analysis and Machine Learning for Detecting Myocardial. 6. | spa |
dc.relation.references | Mayo Clinic. (s.f.). Obtenido de https://www.mayoclinic.org/es-es/testsprocedures/x-ray/about/pac-20395303 | spa |
dc.relation.references | MYTHILI, S., & MALATHI, N. (2015). Diagnostic markers of acute myocardial infarction. India. | spa |
dc.relation.references | O'Donoghue, M., Morrow, D., Cannon, C., & Jarolim, P. (2017). Multimarker Risk Stratification in Patients With Acute Myocardial Infarction. American Heart Association, 28 | spa |
dc.relation.references | OpenWebinars. (28 de Octubre de 2019). Obtenido de https://openwebinars.net/blog/que-es-mongodb/ | spa |
dc.relation.references | Os Enterprise. (s.f.). Obtenido de http://www.osenterprise.com.pe/web/redis | spa |
dc.relation.references | P., M., Pickering, J. W., & Sandoval, Y. (2019). Machine Learning to Predict the Likelihood of Acute Myocardial Infarction. CIRCULATIONAHA, 29. | spa |
dc.relation.references | Paradigma. (2018). Obtenido de https://www.paradigmadigital.com/dev/neo4jtrabajando-grafos/ | spa |
dc.relation.references | Payrovnaziri, 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.references | Pérez, P. (s.f.). Fundación Española del Corazón. Obtenido de https://fundaciondelcorazon.com/informacion-para-pacientes/metodosdiagnosticos/cateterismo-cardiaco.html | spa |
dc.relation.references | Pineda, J. (30 de Septiembre de 2019). Vanguardia. Obtenido de https://www.vanguardia.com/area-metropolitana/bucaramanga/males-alcorazon-santander-registro-2495-muertes-en-2018-YL1490436 | spa |
dc.relation.references | Prueba de esfuerzo o ergometría. (s.f.). Obtenido de Cuidate: https://cuidateplus.marca.com/ejercicio-fisico/diccionario/pruebaesfuerzo.html | spa |
dc.relation.references | Rivas, P. (2 de Diciembre de 2019). Webconsultas. Obtenido de https://www.webconsultas.com/pruebas-medicas/electrocardiograma-7855 | spa |
dc.relation.references | Rouse, M. (Julio de 2017). TechTarget. Obtenido de https://searchdatacenter.techtarget.com/es/definicion/CouchDB | spa |
dc.relation.references | Sacyl. (2018). Obtenido de Pruebas utilizadas en el diagnóstico del infarto: https://www.saludcastillayleon.es/AulaPacientes/es/guia-infarto-agudomiocardio/diagnostica/pruebas-utilizadas-diagnostico-infarto | spa |
dc.relation.references | Serrano, M. (2019). Conocimientos de enfermería de atención hospitalaria sobre el manejo inicial de pacientes que han sufrido un infarto agudo de miocardio. España | spa |
dc.relation.references | Slomka, P. (2018). Machine learning for predicting death and heart attacks from CCTA. Journal of Cardiovascular Computed Tomograph, 7. | spa |
dc.relation.references | Texas Heart Institute. (s.f.). Obtenido de https://www.texasheart.org/hearthealth/heart-information-center/topics/signos-de-alerta-del-ataque-cardiaco/ | spa |
dc.relation.references | Tinoco, C. (2017). Artificial Intelligence and Machine Learning in Cardiology - A Change of Paradigm. International Journal of Cardiovascular Sciences, 2. | spa |
dc.relation.references | tuotromedico. (s.f.). Obtenido de Estudio isotópico: https://www.tuotromedico.com/temas/estudio_isotopico.htm | spa |
dc.relation.references | tutorialspoint. (s.f.). Obtenido de https://www.tutorialspoint.com/es/hbase/hbase_overview.htm | spa |
dc.relation.references | UFindTech. (31 de Mayo de 2019). Obtenido de https://ufindtech.com/que-esdynamodb/ | spa |
dc.relation.references | Valle, A. (s.f.). Fundación Española del Corazón. Obtenido de https://fundaciondelcorazon.com/informacion-para-pacientes/metodosdiagnosticos/ecocardiograma.html | spa |
dc.relation.references | Wallert, 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, 11 | spa |
dc.relation.references | Wu, 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.references | Zorrilla, 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.pdf | spa |
dc.relation.references | Zorrilla, 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.pdf | spa |
dc.contributor.cvlac | Zapata García, Angélica María [0001359256] | spa |
dc.contributor.cvlac | Cáceres Becerra, Claudia Isabel [0000095759] | spa |
dc.contributor.googlescholar | Cáceres Becerra, Claudia Isabel [UtICHzcAAAAJ&hl=es&oi=ao] | spa |
dc.contributor.orcid | Cáceres Becerra, Claudia Isabel [0000-0002-2211-774X] | |
dc.contributor.researchgate | Cáceres Becerra, Claudia Isabel [Claudia-Caceres-Becerra] | spa |
dc.subject.lemb | Ingeniería de sistemas | spa |
dc.subject.lemb | Innovaciones tecnológicas | spa |
dc.subject.lemb | Desarrollo de prototipos | spa |
dc.subject.lemb | Pronostico médico | spa |
dc.subject.lemb | Aprendizaje automático | spa |
dc.identifier.repourl | repourl:https://repository.unab.edu.co | spa |
dc.description.abstractenglish | The 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.proposal | Análisis | spa |
dc.subject.proposal | Datos | spa |
dc.subject.proposal | Registros | spa |
dc.subject.proposal | Infarto agudo de miocardio | spa |
dc.subject.proposal | Base de datos | spa |
dc.subject.proposal | Reporte | spa |
dc.subject.proposal | Prototipo | spa |
dc.type.redcol | http://purl.org/redcol/resource_type/TP | |
dc.rights.creativecommons | Atribución-NoComercial-SinDerivadas 2.5 Colombia | * |
dc.contributor.apolounab | Cáceres Becerra, Claudia Isabel [claudia-isabel-cáceres-becerra] | |
dc.coverage.campus | UNAB Campus Bucaramanga | spa |
dc.description.learningmodality | Modalidad Presencial | spa |
dc.contributor.linkedin | Cáceres Becerra, Claudia Isabel [claudia-isabel-cáceres-becerra-22092835] |
Ficheros en el ítem
Este ítem aparece en la(s) siguiente(s) colección(ones)
-
Ingeniería de Sistemas [374]