Modelo basado en aprendizaje automático de estimación de riesgo de mortalidad en pacientes con trauma craneoencefálico para la Región Autónoma Costa Caribe Sur de Nicaragua

Sambola, Dexon Mckensy and Kelly Kandler, Kerry Kenton and Ordoñez Cuthbert, Deyvon Kestner and Kerr Taylor, Jacqueline Georgina and Urroz Cruz, Emely de los Ángeles and Martinez Cuthbert, Shanely Tatiana (2024) Modelo basado en aprendizaje automático de estimación de riesgo de mortalidad en pacientes con trauma craneoencefálico para la Región Autónoma Costa Caribe Sur de Nicaragua. Documentation. Bluefields Indian and Caribbean University.

Text Informe Final de Investigación Institucional Cuantitativa TCE RACCS.pdf Download (868kB)

Abstract

La Inteligencia Artificial (IA) y la medicina han encontrado varios puntos en los que convergen, cambiando el concepto de salud. Entre los problemas de atención inmediata se encuentran los traumas craneoencefálicos, que constituyen un importante problema de salud pública en todos los países, cada día en el mundo, alrededor de 16.000 personas mueren por traumatismos. Este estudio tiene como objetivo desarrollar un modelo basado en ML para estimar la probabilidad de riesgo de mortalidad en pacientes con TCE. El proyecto se desarrolló en la Región Autónoma de la Costa Caribe Sur, centrándose en 3 unidades de salud, Hospital Regional Ernesto Sequeira Blanco (Bluefields), Hospital Ethel Kandler (Corn Island) y el Centro de Salud Perla María Norori (Laguna de Perlas), bajo la metodología SCRUM, la cual permitió la retroalimentación continua del modelo propuesto, los algoritmos de ML seleccionados para la construcción del modelo fueron la regresión logística, árbol de decisión, Random Forest y K-NN, el conjunto de datos para el modelo inicial fue el CRASH-2, todo el análisis y procesamiento se realizó en Python. Se ha demostrado que el modelo es capaz de predecir con una precisión aceptable la probabilidad de mortalidad en pacientes con TCE, sin embargo, Random Forest tuvo un mejor desempeño; en promedio tuvo una efectividad del 87,06%, mientras que la regresión logística, árbol de decisión y K-NN fueron del 75.03%, 86.48% y 77,87% respectivamente. Los resultados fueron prometedores, y el estudio ofrece una perspectiva alentadora para el desarrollo de futuros modelos de predicción basados en Aprendizaje Automático. Es importante destacar que este modelo es complementario a la toma de decisiones clínicas y no debe reemplazar el juicio clínico.

Item Type:	Monograph (Documentation)
Uncontrolled Keywords:	Algoritmos de aprendizaje supervisado; Lesión cerebral; Predictores.
Subjects:	600 Tecnología (Ciencias aplicadas) > 610 Ciencias médicas. Medicina > 617 Cirugía, Odontología y especialidades
Depositing User:	Admin Repositorio
Date Deposited:	16 Jul 2024 16:40
Last Modified:	13 Aug 2024 20:18
URI:	http://repositorio.bicu.edu.ni/id/eprint/1383

Actions (login required)

View Item