Mostrar el registro sencillo del ítem

dc.contributor.authorRomero Chacón, Diana Maríaspa
dc.date.accessioned2020-06-26T19:58:04Z
dc.date.available2020-06-26T19:58:04Z
dc.date.issued2015
dc.identifier.urihttp://hdl.handle.net/20.500.12749/1706
dc.description.abstractEl paciente con enfermedad renal crónica presenta un mayor riesgo de mortalidad Cardiovascular. Cuando la enfermedad alcanza una etapa avanzada es imprescindible reemplazar algunas de las funciones del órgano mediante las denominadas Terapias de Reemplazo Renal, que intentan evitar el estadio de intoxicación sanguínea conocido como uremia y prolongar la vida del paciente. El trasplante renal es la mejor opción para el paciente con Insuficiencia Renal Crónica, debido a que en la mayoría de casos logra una recuperación completa y mejora la calidad de vida al prescindir de la dependencia de diálisis y las dietas rigurosas. En Colombia el primer trasplante renal se llevó a cabo por el Hospital San Vicente de Paul en el año 1973. En América Latina, Colombia ocupó el quinto puesto en el año 2007 en el número de trasplantes renales realizados. El objetivo del presente estudio es conocer los patrones de supervivencia en pacientes con trasplante renal a partir de la información de la Cuenta de Alto Costo del año 2009, se utilizaron técnicas de minería de datos para encontrar relaciones subyacentes que no se pueden identificar mediante un tratamiento estadístico clásico. La edad y el diagnostico principal de Diabetes Mellitus fueron identificados como factores condicionantes que influyen en la predicción del desenlace final del paciente. Se escogió la minería de datos como herramienta para el análisis de la información y la generación de conocimiento debido a que se planea encontrar relaciones no explicitas entre los atributos del conjunto de datos. La aplicación de métodos de agrupamiento y clasificación de minería de datos permitió construir un modelo de conocimiento para identificar patrones de comportamiento entre las variables analizadas. La información que se utilizó para la generación de los modelos de minería de datos, fue dispuesta por la Bodega de datos de SISPRO – Sistema Integral de Información de la Protección Social, del Ministerio de Salud y Protección Social, utilizando las Fuentes de la Cuenta de Alto Costo – ERC (Enfermedad Renal Crónica), Registro Individual de Prestación de Servicios - RIPS y el Módulo de Nacimientos y Defunciones del Registro Único de Afiliados - RUAF. Esta información fue transformada para la aplicación de técnicas de Minería de Datos que permitieron la extracción de conocimiento para la definición de factores que inciden en la supervivencia de los pacientes con trasplante renal. La edad y el diagnostico principal de Diabetes Mellitus fueron identificados como factores condicionantes que influyen en la predicción del desenlace final del paciente. Para los datos analizados se encontró una tasa de supervivencia del 66% a los 72 meses de transcurrido el trasplante, el tiempo medio de supervivencia es de 61.6 meses, con un intervalo de confianza del 95% (IC 95) entre 61,1 y 62,13 meses. Se realizó un análisis de las curvas de supervivencia por la variable edad, para lo cual se definieron cuatro agrupaciones de pacientes, pacientes con edad inferior a 43 años, entre 43 y 54 años, entre 55 y 72 años y mayores a 72 años, la diferencia es claramente significativa, con tasas de supervivencia a los 6 años de 90,9%, 76,5%, 59,5% y 37,1% respectivamente. Se propone como trabajo futuro la incorporación de los modelos de minería de datos sobre el reporte de la información de la Cuenta de Alto Costo - Enfermedad Renal Crónica realizado en el marco de la resolución 2463 de 2014, donde se incluyen nuevas variables que podrían aportar otros factores determinantes en la supervivencia de pacientes con trasplante renal.spa
dc.description.tableofcontentsLista de Figuras 5 Lista de Tablas 6 Resumen 7 1. Planteamiento del problema y justificación 10 2. Objetivo 11 2.1 General 11 2.2 Específicos 11 3. Marco conceptual, teórico y estado del arte 12 3.1 Definición 12 3.2 Clasificación 12 3.3 Factores de riesgo que afectan la progresión de la enfermedad renal crónica 13 3.4 Aspectos Epidemiológicos de la ERC 14 3.5 Supervivencia después del trasplante renal 15 3.6 Fuentes de Información 16 3.7 Minería de Datos 17 4. Metodología 21 4.1 Diseño 21 4.2 Población y muestra 24 4.3 Variables: Operacionalización de variables 24 4.3.1 Variables Independientes 24 4.3.2 Variable Dependiente o Desenlace 24 4.3.3 Operacionalización de Variables 24 4.4 Procedimiento 26 4.4.1 Integración y Recopilación 27 4.4.2 Selección, Limpieza y Transformación 27 4.4.3 Exploración y selección 28 4.5 Construcción del Modelo de Minería de Datos 31 4.5.1 Clustering o Agrupamiento 31 4.5.2 Árbol de Decisión con el algoritmo C45 35 4.5.3 Redes Neuronales 40 4.6 Validación de los Modelos 44 4.7 Análisis de Supervivencia 46 5. Resultados 48 6. Discusión 50 7. Conclusiones y Recomendaciones 51 8. Futuros Desarrollos 52 Bibliografía 53spa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.titleDescubrimiento de patrones de supervivencia en pacientes con trasplante renal utilizando minería de datosspa
dc.title.translatedDiscovery of survival patterns in kidney transplant patients using data miningeng
dc.degree.nameEspecialista en Epidemiologíaspa
dc.coverageBucaramanga (Santander, Colombia)spa
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNABspa
dc.rights.localAbierto (Texto Completo)spa
dc.publisher.facultyFacultad Ciencias de la Saludspa
dc.publisher.programEspecialización en Epidemiologíaspa
dc.description.degreelevelEspecializaciónspa
dc.type.driverinfo:eu-repo/semantics/masterThesis
dc.type.localTesisspa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.subject.keywordsKidney transplanteng
dc.subject.keywordsData miningeng
dc.subject.keywordsSurvivaleng
dc.subject.keywordsTransplantation of organs, tissues, etc.eng
dc.subject.keywordsMedicineeng
dc.subject.keywordsEpidemiologyeng
dc.subject.keywordsResearcheng
dc.subject.keywordsSurvivaleng
dc.subject.keywordsWekaeng
dc.subject.keywordsMultilayer percetroneng
dc.subject.keywordsClustereng
dc.subject.keywordsMicrosoft Exceleng
dc.subject.keywordsDesicion treeeng
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.referencesRomero Chacón, Diana María (2015). Descubrimiento de patrones de supervivencia en pacientes con trasplante renal utilizando minería de datos. Bucaramanga (Colombia) : Universidad Autónoma de Bucaramanga UNABspa
dc.relation.referencesHalloran PF. Immunosuppressive drugs for kidney transplantation. N Engl J Med 2004 Dec;351(26): 2715‐29. [Consultado 20 Febrero 2015] Disponible en: http://www.ncbi.nlm.nih.gov/pubmed/15616206spa
dc.relation.referencesT. Kälble, A. Alcaraz, K. Budde, U. Humke, G. Karam, M. Lucan, G. Nicita, C. Süsal. Guía clínica sobre el trasplante renal. 2009 mar: 1164 -1165. [Consultado 22 Febrero 2015] Disponible en: http://www.uroweb.org/gls/pdf/spanish/15-%20GUIA%20CLINICA%20SOBRE%20TRANSPLANTE%20RENAL.pdf pag 1164spa
dc.relation.referencesMartín P, Errasti P. Trasplante Renal – Kidney Transplant. 2006 pag 83 [Consultado 10 Abril 2015] Disponible en: http://www.sld.cu/galerias/pdf/sitios/trasplante/trasplante-renal.pdfspa
dc.relation.referencesFebles JP, González A. Aplicación de la minería de datos en la bioinformática. ACIMED (revista en internet). 2002; 10(2):69-76. [Consultado 10 Abril 2015]; Disponible en: http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1024 -94352002000200003&lng=es&nrm=isospa
dc.relation.referencesHarrison T. Principios de Medicina Interna. Parte XI. Trastornos del riñón y las vías urinarias. Editorial Mc Graw Hill.16a edición. 1824-1834spa
dc.relation.referencesGuía para el manejo de la enfermedad renal crónica – ERC - Basada en la Evidencia, Bogotá: Ministerio de la Protección Social y FEDESALUD; c2013. [Consultado 9 Diciembre 2014] Disponible en: Http://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/VS/ED/VSP/Gu%C3%ADa_para_el_manejo_de_la_enfermedad_renal_Cronica_ERC.pdfspa
dc.relation.referencesCoresh J, Wei GL, Maquillan G, et al. Prevalence of high blood pressure and elevated serum creatinine level in the united states: Findings from the Third National Health in the United States Survey, 1.988 - 1.994. Arch Intern Med 2.001; 161: 1207 - 1216.spa
dc.relation.referencesRivera A, et al. Enfermedad Renal Crónica. En manejo integral de la Enfermedad Renal Crónica en Colombia. Rivera A et al, eds, Primera Edición,k Editorial Alkianza Producciones, 2009;29-39.spa
dc.relation.referencesFondo colombiano de enfermedades de alto costo. Situación de la Enfermedad Renal en Colombia, Bogotá: Cuenta de Alto Costo. c2011. [Consultado 10 Diciembre 2014] Disponible en: http://www.cuentadealtocosto.orgspa
dc.relation.referencesMicrosoft Clustering Algorithm Technical Reference, Estados Unidos: Microsoft. c2015. [Consultado 17 Mayo 2015] Disponible en : https://msdn.microsoft.com/enus/library/cc280445.aspx(11) Nacimientos y Defunciones RUAF, Bogotá: Ministerio de Salud y Protección Social. C2013. [Consultado 10 Diciembre 2014]; Disponible en:http://www.sispro.gov.co/recursosapp/ruaf/pages/AplicaciónNacimientosyDefunciones-RUAF.aspx.spa
dc.relation.referencesSilva Ayçaguer. Excursión a la regresión logística en ciencias de la salud Excursión a la regresión logística en ciencias de la salud. Ed. Díaz de Santos. Madrid. 1ª Edición 1995spa
dc.relation.referencesBello Maria Cristina. Creación de un DataWareHouse Financiero, y su Apoyo en la Gestion de la Compañía Universidad Icesi. Calispa
dc.relation.referencesPorta Carlos Alberto,Development of a new standard for polygraphic sleep analysis‖. Proyecto SIESTA. Madrid 2005spa
dc.relation.referencesPorta Carlos Alberto. The alarm detection in cardiotocograms (CTG) for fetal monitoring. Buenos Aires 1997spa
dc.relation.referencesNacimientos y Defunciones RUAF, Bogotá: Ministerio de Salud y Protección Social. C2013. [Consultado 10 Diciembre 2014]; Disponible en: http://www.sispro.gov.co/recursosapp/ruaf/pages/AplicaciónNacimientosyDefunciones-RUAF.aspx.spa
dc.relation.referencesGómez EG, Hernández JP, López FJ, Garcia JR, Montemayor VG, Curado FA, Vallejo ML. Long-term allograft survival after kidney transplantation. Elsevier INC, 2013; 45spa
dc.relation.referencesStephens, M. R., Evans, M., Ilham, M. A., Marsden, A. and Asderakis, A. (2010), The Influence of Socioeconomic Deprivation on Outcomes Following Renal Transplantation in the United Kingdom. American Journal of Transplantation, 10: 1605–1612. doi: 10.1111/j.1600-6143.2010.03041.xspa
dc.relation.referencesBellaachia A, Guven E. Predicting breast cancer survivability using data mining techniques. George Washington University. Washington D.C; 2005.spa
dc.relation.referencesTimarán R, Yépez M. La minería de datos aplicada al descubrimiento de patrones de supervivencia en mujeres con cáncer invasivo de cuello uterino. Rev Univ. Salud; 2012. Dec; [Consultado 10 Febrero 2015]; Disponible en: http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0124-71072012000200002&lng=en.spa
dc.relation.referencesRegistro Individual de Prestación de Servicios, Bogotá: Ministerio de Salud y Protección Social. c2013. [Consultado 10 Mayo 2015]; Disponible en: http://www.sispro.gov.co/recursosapp/ruaf/pages/rips.aspx.spa
dc.relation.referencesLópez F R. Sistema para descubrir el comportamiento de los factores de riesgo en cáncer de cuello uterino utilizando técnicas de minería de datos. Rev. Univ. Nacional. 2011 Dic. [Consultado 15 Marzo 2015]; Disponibleen:http://www.bdigital.unal.edu.co/3896/1/299511.2011.pdfspa
dc.relation.referencesMorales E. Descubrimiento de conocimientos en bases de datos. 2009. [Consultado 20 Abril 2015]; Disponible en: http://w3.mor.itesm.mx/~emorales/Cursos/KDD/node9.htmlspa
dc.relation.referencesFlores Juan C, Alvo Miriam, Borja Hernán, Morales Jorge, Vega Jorge, Zúñiga Carlos et al . Enfermedad renal crónica: Clasificación, identificación, manejo y complicaciones. Rev. méd. Chile [revista en Internet]. 2009 Ene; 137( 1 ): 137-177. [Consultado 10 Mayo 2015]; Disponible en: http://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0034-98872009000100026&lng=es.spa
dc.relation.referencesAsistente para clúster (Complementos de minería de datos para Excel). Estados Unidos: Microsoft. c2015. [Consultado 24 Mayo 2015]; Disponible en: https://msdn.microsoft.com/es-es/library/dn282355(v=sql.120).aspxspa
dc.relation.referencesDíaz Corte C, Ortega F, Rebollo P. Factores predictores de supervivencia en terapia sustitutiva de la insuficiencia renal terminal (IRT). Rev Nefrología. Vol XIX. Número 3. [Revista en internet]. 1999. [Consultado 18 Mayo 2015]; Disponible en: http://www.revistanefrologia.com/es-publicacion-nefrologia-articulo-factores-predictores-supervivencia-terapia-sustitutiva-insuficiencia-renal-terminal-irt--X0211699599011407spa
dc.relation.referencesMardones Carreño S. Sobrevida de los pacientes trasplantados de riñón en un hospital público de chile. 2013 Septiembre [Consultado 18 Mayo 2015]; Disponible en: http://www.saludpublicachile.cl:8080/dspace/bitstream/123456789/386/1/Tesis%20Sobrevida%20del%20Trasplante%20Renal.pdfspa
dc.subject.lembTrasplante renalspa
dc.subject.lembMinería de datosspa
dc.subject.lembSupervivenciaspa
dc.subject.lembTrasplante de órganos, tejidos, etc.spa
dc.subject.lembMedicinaspa
dc.subject.lembEpidemiologíaspa
dc.subject.lembInvestigacionesspa
dc.description.abstractenglishThe patient with Chronic Kidney Disease presents a high risk of cardiovascular mortality. When the illness gets an advanced stage, it is unpredictable to replace some functions of the organ by the denominated Kidney Replacement Therapy, this one tries to avoid the blood intoxication known as uremia and to extend the life of the patient. The renal transplant is the best choice for the patient with Chronic Kidney Insufficiency, because most of the cases get a complete recovery and a better quality of life since the patients do not depend of the dialysis and strict diets. In Colombia the Transplant Group at the Antioquia University and San Vicente Paul Hospital did the first renal transplant in 1973. Colombia is the fifth country in Latin America related with the high frequency per million inhabitants with Renal Transplant. The objective of this study is to recognize in the patients with Kidney Transplant the patterns of survival based in the information of the High Cost Account in 2009, using mining techniques of dates excepting to find underlying relations that cannot be identified by a classic statistical process. Observing risk factors that affect patients with transplant, they can be prevented, detected and treated. Different morbidities that affected them can be treated in the same way. Data mining was chosen as a tool to analyze the information to generate knowledge due to the fact we plan to find non-explicit relationships between characteristics of data sets. The application of grouping methods and data mining classification allowed us to build a knowledge model to identify behavioral patterns between the analyzed variables. The SISPRO Data Warehouse – Integral information System of Social protection, Ministry of health and Social protection, using the Sources of High Costs Account - Chronic Kidney Failure (CKF), provided the information used to generate data mining methods. Individual services register and national birth and death registration. This information was modified to apply data mining techniques that allowed extraction of knowledge to get the definition of factors that have a bearing on the survival rate of patients with renal transplant. The age and main diagnosis of Diabetes Mellitus were identified as factors influence the prediction of the patient’s final outcome. On the analyzed data it was found a survival rate of 66% 72 months after the transplant surgeon, survival average time is 61.6 months, with a confidence interval of 95% between 61.1 and 62.13 months. Survival curves analyses was applied by the age variable, so four different groups of patients were defined, patients younger than 43, patients between 43 and 54, patients between 55 and 72 and patients older than 72. The difference is clearly meaningful, with survival rates of 6 years of 90,9%, 76,5%, 59,5% and 37,1%. Incorporating data mining models is proposed as a future work, about the report on the Sources of High costs Invoice- Chronic Renal Failure (CRF), resolution 2463 of 2014, where new variables are included and could be also become meaningful and influence on the survival rate of renal transplant patients.eng
dc.subject.proposalSobrevidaspa
dc.subject.proposalWekaspa
dc.subject.proposalPerceptrón multicapasspa
dc.subject.proposalClústerspa
dc.subject.proposalMicrosoft Excelspa
dc.subject.proposalArboles de decisiónspa
dc.type.redcolhttp://purl.org/redcol/resource_type/TM
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia*
dc.coverage.campusUNAB Campus Bucaramangaspa
dc.description.learningmodalityModalidad Presencialspa


Ficheros en el ítem

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