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.advisorMorales Cordero, Mario Fernando
dc.contributor.advisorAmado Forero, Lusvin Javier
dc.contributor.advisorArizmendi Pereira, Carlos Julio
dc.contributor.authorVargas Silva, Juan Pablo
dc.contributor.authorLópez Salas, Carlos Julián
dc.coverage.spatialColombiaspa
dc.date.accessioned2021-08-23T21:00:26Z
dc.date.available2021-08-23T21:00:26Z
dc.date.issued2021
dc.identifier.urihttp://hdl.handle.net/20.500.12749/13962
dc.description.abstractEl 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.tableofcontentsCapítulo 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 .................................................................................................................................. 73spa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.titleDesarrollo 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 saludspa
dc.title.translatedDevelopment of predictive software to determine the periodicity of preventive maintenance of vital signs monitors in the intensive care unit of an institution providing health servicesspa
dc.degree.nameIngeniero Biomédicospa
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNABspa
dc.rights.localAbierto (Texto Completo)spa
dc.publisher.facultyFacultad Ingenieríaspa
dc.publisher.programPregrado Ingeniería Biomédicaspa
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.keywordsBiomedical engineeringspa
dc.subject.keywordsEngineeringspa
dc.subject.keywordsMedical electronicsspa
dc.subject.keywordsBiological physicsspa
dc.subject.keywordsBioengineeringspa
dc.subject.keywordsMedical instruments and apparatusspa
dc.subject.keywordsMedicinespa
dc.subject.keywordsPredictor softwarespa
dc.subject.keywordsSoftwarespa
dc.subject.keywordsMaintenancespa
dc.subject.keywordsClinical engineeringspa
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.referencesAbdi, H., & Williams, L. J. (2010). Principal component analysis. Wiley Interdisciplinary Reviews: Computational Statistics, 2(4), 433–459. https://doi.org/10.1002/wics.101spa
dc.relation.referencesOrozco, D., (2013). Aproximación Del Uso De Redes Neuronales En Mantenimientospa
dc.relation.referencesAzcuy 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/338spa
dc.relation.referencesBadnjević, 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.2019.101629spa
dc.relation.referencesButte, 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.2018.8360836spa
dc.relation.referencesCarvalho, 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., 137spa
dc.relation.referencesCentro 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.pdfspa
dc.relation.referencesChandler, 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-0520spa
dc.relation.referencesCruz, 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.referencesDirections, A. (2007). Principal Component Analysis ( PCA ) Principal Component Analysis ( PCA ). Statistics, June, 1–12.spa
dc.relation.referencesDueñas, M. (2011). Modelos de respuesta discreta en R y aplicación con datos reales, pp. 3–11spa
dc.relation.referencesElsheikh, 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.2019.01.037spa
dc.relation.referencesFaraway, 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/8168068spa
dc.relation.referencesFundación Cardiovascular de Colombia. (2017). Monitor de Signos Vitales – Sing Care. http://www.fcv.org/site/investigacion/innovacion/monitor-de-signos-vitales-sing-carespa
dc.relation.referencesGregory, 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-3909340spa
dc.relation.referencesHrvat, 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. 9134359spa
dc.relation.referencesIadanza, 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-xspa
dc.relation.referencesInstituto 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.pdfspa
dc.relation.referencesJamshidi, 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, 3895–3904spa
dc.relation.referencesJollife, 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.2015.0202spa
dc.relation.referencesLe, 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.2014.7005357spa
dc.relation.referencesLee, 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.2018.12.019spa
dc.relation.referencesLeyes, 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.referencesMarín Diazaraque, J. M. (2007). Introducción a las redes neuronales aplicadas. Manual Data, 1–31. halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/DM/tema3dm.pdfspa
dc.relation.referencesMathWorks. (2020). Centro de ayuda. 2021.https://la.mathworks.com/help/stats/ fitnlm.htmlspa
dc.relation.referencesMedrano, 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.referencesMicrosoft ( 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)%20spa
dc.relation.referencesMinisterio 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.pdfspa
dc.relation.referencesMinisterio 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.pdfspa
dc.relation.referencesMinisterio 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.pdfspa
dc.relation.referencesMok, 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.12329spa
dc.relation.referencesMontgomery, D., Peck, E. & Vining, G. (2012). Introduction to Linear Regression Analysis. ISBN 978-0-470-54281-1spa
dc.relation.referencesNewmarker, 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-failspa
dc.relation.referencesNorving, P. & Russel, S. (2010). Artificial Intelligence: A Modern Approach, New Jersey. ISBN-13: 978-0-13-604259spa
dc.relation.referencesOrganización 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.referencesOspina, 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_95936spa
dc.relation.referencesPrasad, 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.2018.03.021spa
dc.relation.referencesRiordan, J., (1958), Introduction to Combinatorial Analysis, New York, EE.UU., John Wileyspa
dc.relation.referencesRodríguez, M. & Mora, R. (2001). Estadística informática : casos y ejemplos con el SPSS, capítulo 4, Análisis de Regresión Múltiple. ISBN 8479086386spa
dc.relation.referencesRuckstuhl, A. (2010). Introduction to Nonlinear Regression. IDP Institut für Datenanalyse und Prozessdesign, ZHAW Zürcher Hochschule für Angewandte Wissenschaftenspa
dc.relation.referencesSánchez, E. Ramírez, C. (2000). Regresión logística en salud pública, pp. 12-42. ISBN 9788487385537spa
dc.relation.referencesThomas, 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.xspa
dc.relation.referencesTobar, 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-saludspa
dc.relation.referencesValencia 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/123456789/9652spa
dc.relation.referencesWeil, K. (2009). Alarming monitor problems. Nursing 2009spa
dc.relation.referencesYang, 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.7.1.161-168spa
dc.contributor.cvlacMorales Cordero, Mario Fernando [0001460371]spa
dc.contributor.cvlacArizmendi Pereira, Carlos Julio [0001381550]spa
dc.contributor.googlescholarArizmendi Pereira, Carlos Julio [JgT_je0AAAAJ&hl=es&oi=ao]spa
dc.contributor.orcidMorales Cordero, Mario Fernando [0000-0001-7536-3162]spa
dc.contributor.orcidAmado Forero, Lusvin Javier [0000-0001-5104-9080]spa
dc.contributor.researchgateAmado Forero, Lusvin Javier [0001376723]spa
dc.contributor.researchgateArizmendi Pereira, Carlos Julio [Carlos-Arizmendi]spa
dc.subject.lembIngeniería biomédicaspa
dc.subject.lembIngenieríaspa
dc.subject.lembBiofísicaspa
dc.subject.lembBioingenieríaspa
dc.subject.lembMedicinaspa
dc.subject.lembSoftwarespa
dc.subject.lembMantenimientospa
dc.identifier.repourlrepourl:https://repository.unab.edu.cospa
dc.description.abstractenglishThe 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.proposalIngeniería clínicaspa
dc.subject.proposalElectrónica médicaspa
dc.subject.proposalInstrumentos y aparatos médicosspa
dc.subject.proposalSoftware predictorspa
dc.type.redcolhttp://purl.org/redcol/resource_type/TP
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia*
dc.coverage.campusUNAB Campus Bucaramangaspa
dc.description.learningmodalityModalidad Presencialspa


Ficheros en el ítem

Thumbnail
Nombre:
2021_Tesis_Juan_Pablo_Vargas.pdf
Tamaño:
1.966Mb
Formato:
PDF
Descripción:
Tesis
Ver/
Thumbnail
Nombre:
2021_Licencia_Juan_Pablo_Vargas.pdf
Tamaño:
938.3Kb
Formato:
PDF
Descripción:
Licencia
Ver/

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