Mostrar el registro sencillo del ítem
Desarrollo de un software predictor para determinar la periodicidad del mantenimiento preventivo de los monitores de signos vitales de la unidad de cuidados intensivos de una institución prestadora de servicios de salud
dc.contributor.advisor | Morales Cordero, Mario Fernando | |
dc.contributor.advisor | Amado Forero, Lusvin Javier | |
dc.contributor.advisor | Arizmendi Pereira, Carlos Julio | |
dc.contributor.author | Vargas Silva, Juan Pablo | |
dc.contributor.author | López Salas, Carlos Julián | |
dc.coverage.spatial | Colombia | spa |
dc.date.accessioned | 2021-08-23T21:00:26Z | |
dc.date.available | 2021-08-23T21:00:26Z | |
dc.date.issued | 2021 | |
dc.identifier.uri | http://hdl.handle.net/20.500.12749/13962 | |
dc.description.abstract | El objetivo del presente proyecto es desarrollar un software predictor para determinar la cantidad de mantenimientos anuales que tendrá un monitor de signos vitales con el fin de ajustar la periodicidad de mantenimientos preventivos para dichos equipos. Para lograr esto, se realiza la creación de una base de datos con la cual se entrena el sistema predictor haciendo uso de métodos de regresión como lo son: regresión logística multinomial, regresión no lineal, regresión lineal y regresión por pasos. Además de esto se implementa PCA (análisis principal de componentes) y FSRNCA (selección de características mediante análisis de componentes de vecindad para regresión) como métodos de reducción de dimensionalidad. Para la codificación del software se hace uso de los lenguajes de programación Matlab y Python, así mismo, se implementa como modelo predictor el método de regresión por pasos junto con el método de reducción de dimensionalidad PCA, obteniendo un porcentaje de acierto en la implementación de aproximadamente 65 % con una desviación estándar de aproximadamente ±24. | spa |
dc.description.tableofcontents | Capítulo 1. Problema u oportunidad ................................................................................ 11 1.1 Descripción .................................................................................................................. 11 1.2 Pregunta de investigación ............................................................................................ 12 1.3 Objetivos ...................................................................................................................... 13 1.3.1 Objetivo general ..................................................................................................... 13 1.3.2 Objetivos específicos .............................................................................................. 13 Capítulo 2. Marco teórico y estado del arte ..................................................................... 14 2.1 Marco teórico ............................................................................................................... 14 2.2 Estado del Arte ............................................................................................................. 20 2.2.1 Contexto internacional ........................................................................................... 20 2.2.2 Contexto nacional ................................................................................................... 26 2.2.3 Contexto local......................................................................................................... 27 Capítulo 3. Metodología ..................................................................................................... 28 3.1 Etapa 1. Recopilación de información y creación de la base de datos ......................... 28 3.1.1 Recopilación de información.................................................................................. 28 3.1.2 Creación de la base de datos................................................................................... 29 3.2 Etapa 2. Entrenamiento y pruebas del sistema predictor ............................................. 30 3.2.1 Entrenamiento del sistema predictor ...................................................................... 30 3.2.1.1 Regresión logística multinomial ...................................................................... 32 3.2.1.2 Regresión no lineal .......................................................................................... 33 3.2.1.3 Regresión lineal ............................................................................................... 34 3.2.1.4 Regresión por pasos ........................................................................................ 34 3.2.1.5 Reducción de dimensionalidad ........................................................................ 34 3.2.1.5.1 FSRNCA ................................................................................................. 34 3.2.1.5.2 PCA ......................................................................................................... 36 3.2.2 Pruebas del sistema predictor ................................................................................. 37 3.2.2.1 Regresión logísitica multinomial .................................................................... 37 3.2.2.2 Regresión no lineal .......................................................................................... 37 3.2.2.3 Regresión lineal ............................................................................................... 38 3.2.2.4 Regresión por pasos ....................................................................................... 38 3.3 Etapa 3. Desarrollo del software .................................................................................. 38 3.3.1 Elección del modelo predictor ................................................................................ 38 3.3.2 Codificación de la función predictora .................................................................... 39 3.3.3 Desarrollo interfaz gráfica ..................................................................................... 39 3.4 Etapa 4. Implementación y pruebas ............................................................................. 41 Capítulo 4. Resultados ........................................................................................................ 48 4.1 Presentación de resultados ........................................................................................... 48 4.1.1 Etapa 1 .................................................................................................................... 48 4.1.2 Etapa 2 .................................................................................................................... 49 4.1.2.1 Regresión logística multinomial ...................................................................... 49 4.1.2.2 Regresión lineal ............................................................................................... 49 4.1.2.3 Regresión por pasos ........................................................................................ 50 4.1.3 Etapa 3 .................................................................................................................... 50 4.1.4 Etapa 4 .................................................................................................................... 53 4.2 Análisis de resultados ................................................................................................... 59 4.2.1 Etapa 1 .................................................................................................................... 59 4.2.2 Etapa 2 .................................................................................................................... 60 4.2.3 Etapa 3 .................................................................................................................... 61 4.2.4 Etapa 4 .................................................................................................................... 61 Capítulo 5. Conclusiones y recomendaciones .................................................................. 63 5.1 Conclusiones ................................................................................................................ 63 5.2 Recomendaciones ......................................................................................................... 64 Capítulo 6. Trabajo a futuro ............................................................................................. 65 Bibliografía .......................................................................................................................... 66 Anexos .................................................................................................................................. 73 | 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 | Desarrollo de un software predictor para determinar la periodicidad del mantenimiento preventivo de los monitores de signos vitales de la unidad de cuidados intensivos de una institución prestadora de servicios de salud | spa |
dc.title.translated | Development of predictive software to determine the periodicity of preventive maintenance of vital signs monitors in the intensive care unit of an institution providing health services | spa |
dc.degree.name | Ingeniero Biomédico | 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 Biomédica | 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 | Biomedical engineering | spa |
dc.subject.keywords | Engineering | spa |
dc.subject.keywords | Medical electronics | spa |
dc.subject.keywords | Biological physics | spa |
dc.subject.keywords | Bioengineering | spa |
dc.subject.keywords | Medical instruments and apparatus | spa |
dc.subject.keywords | Medicine | spa |
dc.subject.keywords | Predictor software | spa |
dc.subject.keywords | Software | spa |
dc.subject.keywords | Maintenance | spa |
dc.subject.keywords | Clinical engineering | 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 | Abdi, H., & Williams, L. J. (2010). Principal component analysis. Wiley Interdisciplinary Reviews: Computational Statistics, 2(4), 433–459. https://doi.org/10.1002/wics.101 | spa |
dc.relation.references | Orozco, D., (2013). Aproximación Del Uso De Redes Neuronales En Mantenimiento | spa |
dc.relation.references | Azcuy Castro, A., & Miranda Pedroso, R. (2019). Mortalidad en unidad de cuidados intensivos en hospital provincial pinareño. Universidad Médica Pinareña, 15(2), 176-183. Recuperado de http://www.revgaleno.sld.cu/index.php/ump/article/view/338 | spa |
dc.relation.references | Badnjević, A., Gurbeta P., Hasičić, M., Bandić, L., Mašetić, Z., Kovačević, Ž., Kevrić, J., & Pecchia, L. (2019). Evidence-based clinical engineering: Machine learning algorithms for prediction of defibrillator performance. Biomedical Signal Processing and Control, 54. https://doi.org/10.1016/j.bspc.2019.101629 | spa |
dc.relation.references | Butte, S., Prashanth, A., & Patil, S. (2018) "Machine Learning Based Predictive Maintenance Strategy: A Super Learning Approach with Deep Neural Networks,". https://doi.org/10.1109 /WMED.2018.8360836 | spa |
dc.relation.references | Carvalho, T., Soares, F., Vita, R., Francisco, R., Basto, J.P., & Alcalá, S.G. (2019). A systematic literature review of machine learning methods applied to predictive maintenance. Comput. Ind. Eng., 137 | spa |
dc.relation.references | Centro Nacional de Excelencia Tecnológica en Salud. (2005). Guía Tecnológica No. 13: Monitor de Signos Vitales. http://www.cenetec.salud.gob.mx/descargas/biomedica/guias _tecnologicas/13gt_monitores.pdf | spa |
dc.relation.references | Chandler, D. (2020). Machine-learning tool could help develop tougher materials [online]. MIT News. Retrieved on September 29, 2020 from:https://news.mit.edu/ 2020/machine-learning-develop-materials-0520 | spa |
dc.relation.references | Cruz, A., Barr, C., & Puñales-Pozo, E. (2008). Building a New Predictor for Multiple Linear Regression Technique-based Corrective Maintenance Turnaround Time. Revista de Salud Pública, 10(5), 808–817. https://doi.org/10.1590/s0124-0064200800050001. | spa |
dc.relation.references | Directions, A. (2007). Principal Component Analysis ( PCA ) Principal Component Analysis ( PCA ). Statistics, June, 1–12. | spa |
dc.relation.references | Dueñas, M. (2011). Modelos de respuesta discreta en R y aplicación con datos reales, pp. 3–11 | spa |
dc.relation.references | Elsheikh, A. H., Sharshir, S. W., Abd Elaziz, M., Kabeel, A. E., Guilan, W., & Haiou, Z. (2019). Modeling of solar energy systems using artificial neural network: A comprehensive review. Solar Energy, 180(January), 622–639. https://doi.org/10.1016/j.solener.2019.01.037 | spa |
dc.relation.references | Faraway, J. (2004). Linear Models with R, pp. 2-14. ISBN 9781439887332 Finn, V. & Zabezhailo, M. (2017). Intelligent data analysis and machine learning: Are they really equivalent Concepts?. Second Russia and Pacific Conference on Computer Technology and Applications (RPC), Vladivostok, pp. 59-63. https://ieeexplore.ieee.org/document/8168068 | spa |
dc.relation.references | Fundación Cardiovascular de Colombia. (2017). Monitor de Signos Vitales – Sing Care. http://www.fcv.org/site/investigacion/innovacion/monitor-de-signos-vitales-sing-care | spa |
dc.relation.references | Gregory, A. (2014). At least 1,400 'killed by NHS equipment failures' - and worker shortage means fatalities are rising [online]. Daily Mirror. Recuperado el 4 de septiembre de 2020 de https://www.mirror.co.uk/news/uk-news/least-1400-killed-nhs-equipment-3909340 | spa |
dc.relation.references | Hrvat, F., Spahic, L., Pokvic, L., & Badnjevic, A. (2020). Artificial Neural Networks for Prediction of Medical Device Performance based on Conformity Assessment Data: Infusion and perfusor pumps case study. 2020 9th Mediterranean Conference on Embded Computing, MECO 2020, 8–11. https://doi.org/10.1109/MECO49872.2020. 9134359 | spa |
dc.relation.references | Iadanza, E., Gonnelli, V., Satta, F., & Gherardelli, M. (2019). Evidence-based medical equipment management: a convenient implementation. Medical and Biological Engineering and Computing, 57(10), 2215–2230. https://doi.org/10.1007/s11517-019-02021-x | spa |
dc.relation.references | Instituto Nacional de Vigilancia de Medicamentos y Alimentos. (2019). Guía para Manejo, Mantenimiento y Limpieza de Equipos Utilizados en Bancos de Tejidos y Banco de Gametos. https://www.invima.gov.co/documents/20143/492008/ASS-AYC-GU016.pdf | spa |
dc.relation.references | Jamshidi, A., Rahimi, S. A., Ait-Kadi, D., & Bartolome, A. R. (2014). Medical devices inspection and maintenance; a literature review. IIE Annual Conference and Expo 2014, January, 3895–3904 | spa |
dc.relation.references | Jollife, I. T., & Cadima, J. (2016). Principal component analysis: A review and recent developments. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, 374(2065). https://doi.org/10.1098/rsta.2015.0202 | spa |
dc.relation.references | Le, T., Luo, M., Zhou, J., & Chan, H. L. (2014). Predictive maintenance decision using statistical linear regression and kernel methods. 19th IEEE International Conference on Emerging Technologies and Factory Automation, ETFA 2014. https://doi.org/10.1109/ETFA.2014.7005357 | spa |
dc.relation.references | Lee, W. J., Wu, H., Yun, H., Kim, H., Jun, M. B. G., & Sutherland, J. W. (2019). Predictive maintenance of machine tool systems using artificial intelligence techniques applied to machine condition data. Procedia CIRP, 80, 506–511. https://doi.org/10.1016/j.procir.2018.12.019 | spa |
dc.relation.references | Leyes, L., Verga, F., Godino, M., & Barbato, M. (2016). Tiempo de deterioro clínico extra UCI y sobrevida: una casuística. Revista Médica Del Uruguay, 32(4), 281–288. | spa |
dc.relation.references | Marín Diazaraque, J. M. (2007). Introducción a las redes neuronales aplicadas. Manual Data, 1–31. halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/DM/tema3dm.pdf | spa |
dc.relation.references | MathWorks. (2020). Centro de ayuda. 2021.https://la.mathworks.com/help/stats/ fitnlm.html | spa |
dc.relation.references | Medrano, J., Medrano, E., & Medrano, J. (2016). Utilización de la Unidad de Cuidados Intensivos en el Hospital Vladimir Ilich Lenin. Correo Científico Médico, 20(2), 250–265. | spa |
dc.relation.references | Microsoft ( 2019). Decimal y numeric (Transact-SQL). https://docs.microsoft.com/es es/sql/t-sql/data-types/decimal-and-numeric-transact-sql?view=sql-server ver15#:~:text= Los%20sinónimos%20ISO%20para%20decimal,dec(%20p%2C%20s%20)%20 | spa |
dc.relation.references | Ministerio de la Protección Social. (2015). Sistema de Reporte de Seguridad en la Unidad de Cuidados Intensivos.https://www.minsalud.gov.co/sites/rid/1/Sistema%20de%20 reporte%20de%20seguridad%20en%20la%20Unidad%20de%20Cuidado%20Intensivo.pdf | spa |
dc.relation.references | Ministerio de Salud y Protección Social. (2005). Política Nacional de Prestación de Servicios de Salud. https://www.minsalud.gov.co/Ministerio/Documents/Politica Nacional de Prestación de Servicios de Salud.pdf | spa |
dc.relation.references | Ministerio de Salud y Protección Social. (2016). Política de Atención Integral en Salud. https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/DE/modelo-pais 2016.pdf | spa |
dc.relation.references | Mok, W. Q., Wang, W., & Liaw, S. Y. (2015). Vital signs monitoring to detect patient deterioration: An integrative literature review. In International Journal of Nursing Practice (Vol. 21, Issue S2, pp. 91–98). https://doi.org/10.1111/ijn.12329 | spa |
dc.relation.references | Montgomery, D., Peck, E. & Vining, G. (2012). Introduction to Linear Regression Analysis. ISBN 978-0-470-54281-1 | spa |
dc.relation.references | Newmarker, C. (2014). 9 Ways Medical Devices Fail. Medical Device and Diagnostic Industry Online. Retrieved on September 29, 2020 from: https://www.mddionline.com/business/9-ways-medical-devices-fail | spa |
dc.relation.references | Norving, P. & Russel, S. (2010). Artificial Intelligence: A Modern Approach, New Jersey. ISBN-13: 978-0-13-604259 | spa |
dc.relation.references | Organización Mundial de la Salud (2019). 10 datos sobre la seguridad del paciente. www.who.int Recuperado el 6 de septiembre de 2020 de https://www.who.int/features/factfiles/patient_safety/es/ | spa |
dc.relation.references | Ospina, N. (2010). EPS, IPS, POS… el glosario de la salud [en línea]. El Colombiano. Recuperado el 25 de octubre del 2020 de https://www.elcolombiano.com/historico/ eps_ips_pos_el_glosario_de_la_salud-JVec_95936 | spa |
dc.relation.references | Prasad, R., Deo, R. C., Li, Y., & Maraseni, T. (2018). Ensemble committee-based data intelligent approach for generating soil moisture forecasts with multivariate hydro meteorological predictors. Soil and Tillage Research, 181(February), 63–81. https://doi.org/10.1016/j.still.2018.03.021 | spa |
dc.relation.references | Riordan, J., (1958), Introduction to Combinatorial Analysis, New York, EE.UU., John Wiley | spa |
dc.relation.references | Rodríguez, M. & Mora, R. (2001). Estadística informática : casos y ejemplos con el SPSS, capítulo 4, Análisis de Regresión Múltiple. ISBN 8479086386 | spa |
dc.relation.references | Ruckstuhl, A. (2010). Introduction to Nonlinear Regression. IDP Institut für Datenanalyse und Prozessdesign, ZHAW Zürcher Hochschule für Angewandte Wissenschaften | spa |
dc.relation.references | Sánchez, E. Ramírez, C. (2000). Regresión logística en salud pública, pp. 12-42. ISBN 9788487385537 | spa |
dc.relation.references | Thomas, A. N., & Galvin, I. (2008). Patient safety incidents associated with equipment in critical care: A review of reports to the UK National Patient Safety Agency. Anaesthesia, 63(11), 1193–1197. https://doi.org/10.1111/j.1365-2044.2008.05607.x | spa |
dc.relation.references | Tobar, F. (2017). La atención de la salud. Ministerio de salud de Argentina. Recuperado el 8 de octubre del 2020 de http://www.salud.gob.ar/dels/entradas/la-atencion-de-la-salud | spa |
dc.relation.references | Valencia Guerrón, M. A. (2019). Comparación de métodos de reducción de dimensionalidad enfocados a algoritmos de clasificación supervisados aplicado a datos de redes de sensores [Tesis de pregrado, Universidad Técnica del Norte]. Recuperado de http://repositorio.utn.edu.ec/handle/123456789/9652 | spa |
dc.relation.references | Weil, K. (2009). Alarming monitor problems. Nursing 2009 | spa |
dc.relation.references | Yang, W., Wang, K., & Zuo, W. (2012). Neighborhood component feature selection for high-dimensional data. Journal of Computers, 7(1), 162–168. https://doi.org/10.4304/jcp.7.1.161-168 | spa |
dc.contributor.cvlac | Morales Cordero, Mario Fernando [0001460371] | spa |
dc.contributor.cvlac | Arizmendi Pereira, Carlos Julio [0001381550] | spa |
dc.contributor.googlescholar | Arizmendi Pereira, Carlos Julio [JgT_je0AAAAJ&hl=es&oi=ao] | spa |
dc.contributor.orcid | Morales Cordero, Mario Fernando [0000-0001-7536-3162] | spa |
dc.contributor.orcid | Amado Forero, Lusvin Javier [0000-0001-5104-9080] | spa |
dc.contributor.researchgate | Amado Forero, Lusvin Javier [0001376723] | spa |
dc.contributor.researchgate | Arizmendi Pereira, Carlos Julio [Carlos-Arizmendi] | spa |
dc.subject.lemb | Ingeniería biomédica | spa |
dc.subject.lemb | Ingeniería | spa |
dc.subject.lemb | Biofísica | spa |
dc.subject.lemb | Bioingeniería | spa |
dc.subject.lemb | Medicina | spa |
dc.subject.lemb | Software | spa |
dc.subject.lemb | Mantenimiento | spa |
dc.identifier.repourl | repourl:https://repository.unab.edu.co | spa |
dc.description.abstractenglish | The objective of this project is to develop predictive software to determine the amount of annual maintenance that a vital signs monitor will have in order to adjust the periodicity of preventive maintenance for said equipment. To achieve this, a database is created with which the predictor system is trained using regression methods such as: multinomial logistic regression, nonlinear regression, linear regression and stepwise regression. In addition to this, PCA (principal component analysis) and FSRNCA (feature selection by neighborhood component analysis for regression) are implemented as dimensionality reduction methods. For the coding of the software, the programming languages Matlab and Python are used, likewise, the stepwise regression method is implemented as a predictor model together with the PCA dimensionality reduction method, obtaining a percentage of success in the implementation of approximately 65% with a standard deviation of approximately ± 24. | spa |
dc.subject.proposal | Ingeniería clínica | spa |
dc.subject.proposal | Electrónica médica | spa |
dc.subject.proposal | Instrumentos y aparatos médicos | spa |
dc.subject.proposal | Software predictor | spa |
dc.type.redcol | http://purl.org/redcol/resource_type/TP | |
dc.rights.creativecommons | Atribución-NoComercial-SinDerivadas 2.5 Colombia | * |
dc.coverage.campus | UNAB Campus Bucaramanga | spa |
dc.description.learningmodality | Modalidad Presencial | spa |
Ficheros en el ítem
Este ítem aparece en la(s) siguiente(s) colección(ones)
-
Ingeniería Biomédica [69]