Por favor, use este identificador para citar o enlazar este ítem:
http://repositorio.uees.edu.ec/123456789/2652
Título : | APLICACIÓN DE APRENDIZAJE AUTOMÁTICO COMO PREDICTOR DE RESULTADO CLÍNICO EN PACIENTES CON SEPSIS |
Autor : | Farhat, Carlos Vera, Carlos Andres |
Palabras clave : | capacidad sistemas informáticos en red Aprendizaje Automático(AA) modelo generalizable genoma digital |
Fecha de publicación : | sep-2017 |
Resumen : | En la última década se ha registrado un rápido incremento de la capacidad de los sistemas informáticos en red y móviles para recoger y transportar grandes cantidades de datos, una fenómeno denominado "Big Data" (1). Los científicos e ingenieros que manejan estos datos han recurrido a menudo al Aprendizaje Automático(AA) para brindar soluciones al problema de la obtención de observaciones útiles y precisas, con el fin de generar predicciones y tomar decisiones a partir de estos enormes repositorios de datos(2) De hecho, el tamaño de los datos hace que sea esencial desarrollar procedimientos escalables que combinan datos computacionales y estadísticos con el fin de encontrar asociaciones que contribuyan a un modelo generalizable (3). El producto del AA es un modelo que puede ser utilizado y optimizado indefinidamente para una tarea. La generación de modelos predictivos poseen mucho potencial para mejorar la atención de salud. La integración completa de los sistemas de AA y historia clínica universal crean un genoma digital de cada paciente. Esto implica un archivo que contiene la secuencia genética del paciente sumado todos los datos asociados a sus interacciones con el sistema de salud e información relevante de la analitica digital almacenado como datos clínicos estructurados(4). Esta información puede ser utilizada para distintas aplicaciones en varios ámbitos de la atención. por ejemplo automatizar la lista de espera de un servicio, con el fin de dar atención a las patologías más urgentes en un tiempo apropiado(5) o el uso de repositorios de imágenes para el entrenamiento de algoritmos de diagnóstico |
Descripción : | En la última década se ha registrado un rápido incremento de la capacidad de los sistemas informáticos en red y móviles para recoger y transportar grandes cantidades de datos, una fenómeno denominado "Big Data" (1). Los científicos e ingenieros que manejan estos datos han recurrido a menudo al Aprendizaje Automático(AA) para brindar soluciones al problema de la obtención de observaciones útiles y precisas, con el fin de generar predicciones y tomar decisiones a partir de estos enormes repositorios de datos(2) De hecho, el tamaño de los datos hace que sea esencial desarrollar procedimientos escalables que combinan datos computacionales y estadísticos con el fin de encontrar asociaciones que contribuyan a un modelo generalizable (3). El producto del AA es un modelo que puede ser utilizado y optimizado indefinidamente para una tarea. La generación de modelos predictivos poseen mucho potencial para mejorar la atención de salud. La integración completa de los sistemas de AA y historia clínica universal crean un genoma digital de cada paciente. Esto implica un archivo que contiene la secuencia genética del paciente sumado todos los datos asociados a sus interacciones con el sistema de salud e información relevante de la analitica digital almacenado como datos clínicos estructurados(4). Esta información puede ser utilizada para distintas aplicaciones en varios ámbitos de la atención. por ejemplo automatizar la lista de espera de un servicio, con el fin de dar atención a las patologías más urgentes en un tiempo apropiado(5) o el uso de repositorios de imágenes para el entrenamiento de algoritmos de diagnóstico |
URI : | http://repositorio.uees.edu.ec/123456789/2652 |
Aparece en las colecciones: | ESCUELA DE MEDICINA |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
VERA CARLOS.pdf | 878.69 kB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.