- -

Diseño de modelos predictivos basados en aprendizaje automático para el manejo de poblaciones de pacientes con diabetes mellitus tipo 2

RiuNet: Institutional repository of the Polithecnic University of Valencia

Share/Send to

Cited by

Statistics

Diseño de modelos predictivos basados en aprendizaje automático para el manejo de poblaciones de pacientes con diabetes mellitus tipo 2

Show simple item record

Files in this item

dc.contributor.advisor Vivas Consuelo, David José Juan es_ES
dc.contributor.advisor Barrachina Martínez, Isabel es_ES
dc.contributor.advisor Díaz Carnicero, Javier es_ES
dc.contributor.author Fernández Martínez, Francisco José es_ES
dc.date.accessioned 2019-09-27T06:56:16Z
dc.date.available 2019-09-27T06:56:16Z
dc.date.created 2019-09-11
dc.date.issued 2019-09-27 es_ES
dc.identifier.uri http://hdl.handle.net/10251/126475
dc.description.abstract [ES] Introducción Minimizar el impacto de la diabetes mellitus en el Sistema Nacional de Salud es uno de los principales desafíos debido al alto coste económico y las altas tasas de infradiagnóstico y la variabilidad de control glucémico de estos pacientes. Además, suelen tener un perfil pluripatológico y un rango avanzado de edad. Esto hace necesario desarrollar herramientas que permitan mejorar el diagnóstico de los enfermos y conocer mejor los recursos que consumen para mejorar la gestión clínico-asistencial. Objetivos Desarrollar una herramienta que identifique a los pacientes con niveles de hemoglobina glucosilada por encima del 7% (no controlados) y prediga el coste farmacéutico a partir de variables clínico-administrativas. Metodología Se dispone de datos de la vida real clínicos, socioeconómicos y demográficos de un conjunto de 22.922 pacientes pertenecientes al Departamento de Salud Clínico-Malvarrosa de Valencia. A partir de estos datos se han desarrollado tres tipos de modelos supervisados: random forest, regresión logística/regresión lineal y redes neuronales. Estos sistemas han sido evaluados midiendo la especificidad, sensibilidad, precisión, exactitud y estadístico F (para el modelo del control glucémico); y el coeficiente de correlación ajustado, el error cuadrático medio y el error porcentual absoluto mediano (para el modelo del importe farmacéutico). Resultados Las variables clínicas, la edad y la situación laboral son las variables que más influyen. En ambos, el algoritmo con el que se han obtenido los mejores resultados han sido las redes neuronales. Mientras que, para el modelo del control glucémico, tanto random forest como la regresión logística han proporcionado buenos resultados; en el modelo del gasto farmacéutico ha habido una notable diferencia entre el modelo de regresión lineal tradicional y los algoritmos de aprendizaje automático, que han mejorado los resultados obtenidos. Conclusiones Los algoritmos de aprendizaje automático pueden ser utilizados para identificar pacientes diabéticos no controlados y predecir su gasto farmacéutico a partir de sus características clínico-administrativas. es_ES
dc.description.abstract [EN] Introduction Minimizing the impact of diabetes mellitus on the National Health System is one of the main challenges due to the high economic cost and high rates of underdiagnosis and the variability of glycemic control of these patients. In addition, they usually have a multipathological profile and an advanced age range. This makes it necessary to develop tools that improve the diagnosis of patients and better understand the resources they consume to improve clinical-care management. Objectives Developing a tool that identifies patients with glycosylated hemoglobin levels above 7% (without control) and predicts the pharmaceutical cost from clinical-administrative variables. Methodology Real-life clinical, socioeconomic and demographic data are available for a group of 22.922 patients belonging to the Department of Clinical-Malvarrosa Health of Valencia. Based on these data, three types of supervised models have been developed: random forest, logistic regression / linear regression and neural networks. These systems have been evaluated by measuring the specificity, sensitivity, precision, accuracy and F statistics (for the glycemic control model); and the adjusted correlation coefficient, the mean square error and the average absolute percentage error (for the pharmaceutical amount model). Results The clinical variables, age and employment status are the variables that most influence. In both, the algorithm with which the best results have been obtained has been the neural networks. While, for the glycemic control model, both random forest and logistic regression have provided good results, in the pharmaceutical expenditure model it has had a notable difference between the traditional linear regression model and the machine learning algorithms, which have improved the obtained results. Conclusions Machine learning algorithms can be used to identify uncontrolled diabetic patients and predict their pharmaceutical expenditure based on their clinical-administrative characteristics. es_ES
dc.language Español es_ES
dc.publisher Universitat Politècnica de València es_ES
dc.rights Reserva de todos los derechos es_ES
dc.subject Diabetes es_ES
dc.subject Modelos predictivos es_ES
dc.subject Aprendizaje automático es_ES
dc.subject Gestión de recursos es_ES
dc.subject Manejo clínico. es_ES
dc.subject Predictive models es_ES
dc.subject Machine learning es_ES
dc.subject Resource management es_ES
dc.subject Clinical management. es_ES
dc.subject.classification ECONOMIA FINANCIERA Y CONTABILIDAD es_ES
dc.subject.classification ECONOMIA APLICADA es_ES
dc.subject.other Grado en Ingeniería Biomédica-Grau en Enginyeria Biomèdica es_ES
dc.title Diseño de modelos predictivos basados en aprendizaje automático para el manejo de poblaciones de pacientes con diabetes mellitus tipo 2 es_ES
dc.type Proyecto/Trabajo fin de carrera/grado es_ES
dc.rights.accessRights Cerrado es_ES
dc.contributor.affiliation Universitat Politècnica de València. Departamento de Economía y Ciencias Sociales - Departament d'Economia i Ciències Socials es_ES
dc.contributor.affiliation Universitat Politècnica de València. Escuela Técnica Superior de Ingenieros Industriales - Escola Tècnica Superior d'Enginyers Industrials es_ES
dc.description.bibliographicCitation Fernández Martínez, FJ. (2019). Diseño de modelos predictivos basados en aprendizaje automático para el manejo de poblaciones de pacientes con diabetes mellitus tipo 2. http://hdl.handle.net/10251/126475 es_ES
dc.description.accrualMethod TFGM es_ES
dc.relation.pasarela TFGM\113000 es_ES


This item appears in the following Collection(s)

Show simple item record