| Título: |
Toma de decisiones médicas con técnicas de minería de datos y cómputo móvil Making medical decisions with data mining techniques and mobile computing |
| Autores: | David Madrigal Angulo |
| Fecha: | 2008 |
| Publicador: | CICESE |
| Fuente: |
 |
| Tipo: | info:eu-repo/semantics/masterThesis |
| Tema: |
info:eu-repo/classification/Autor/CDSS móviles,Modelos predictivos,Arboles de decisión,Clasificador Naive Bayes info:eu-repo/classification/cti/1 info:eu-repo/classification/cti/12 info:eu-repo/classification/cti/1203 |
| Descripción: |
Cada vez son más las organizaciones del cuidado de la salud que requieren convertir sus datos de la memoria organizacional en conocimiento útil para apoyar los procesos del cuidado de la salud de los pacientes. Hoy en día es de gran importancia el utilizar nuevas tecnologías de apoyo, donde se pueden usar sistemas de ayuda a la toma de decisiones clínicas (CDSS) y que considere a los médicos como trabajadores de conocimiento con necesidades de movilidad y pueden tomar una decisión en cualquier lugar y en cualquier momento. En este trabajo de tesis exploramos cómo apoyar a un proceso de toma de decisiones en un contexto hospitalario, mediante el diseño de un CDSS con modelos obtenidos mediante técnicas de minería de datos para extraer conocimiento y embeberlo en un dispositivo móvil. Estudiamos el proceso de detección y vigilancia de infecciones nosocomiales (PDVIN) en un hospital público donde obtuvimos la estructura del proceso, el conocimiento organizacional, con el cual identificamos los atributos para la minera de datos y de ahí obtener los requerimientos de soporte directamente de los dueños del proceso. La base para la extracción del conocimiento es el formato de registro de caso de infección nosocomial (FRCIN). El FRCIN contiene todos los datos clínicos del paciente. Asimismo dentro del PDVIN se identificaron 4 eventos de generación de información/atributos durante la estadía de un paciente en el hospital. Para cada evento aplicamos el proceso de extracción de conocimiento donde se usaron de forma iterativa técnicas de generalización de conceptos, trasformación de datos y reducción de atributos hasta obtener los modelos finales caracterizados con la mejor evaluación. Se obtuvieron 5 árboles de decisión con el algoritmo C4.5 y 3 clasificadores Naive Bayes los cuales tienen como objetivo la detección de infecciones nosocomiales (IN). Los arboles de decisión y los clasificadores bayesianos se evaluaron utilizando validación cruzada y con un conjunto independiente que no se uso para el entrenamiento de los modelos. Los resultados de esta evaluación muestran un 90% de instancias clasificadas correctamente por los arboles de decisión y 87% por parte del clasificador Naive Bayes. Se desarrolló un CDSS móvil y de escritorio los cuales están embebidos dentro del flujo de trabajo del PDVIN. Asimismo permiten la valoración de riesgo de contraer infección nosocomial mediante los modelos obtenidos. Las herramientas tienen además mecanismos para la administración de los datos del paciente durante la ejecución del proceso. El sistema de escritorio tiene soporte para la administración de la memoria organizacional y soporte para el sub-proceso de control del PDVIN. Se realizo una evaluación para conocer la percepción de utilidad y de uso del sistema y los modelos que tienen los médicos sobre el CDSS desarrollado, mediante un conjunto de actividades de uso de los sistemas/modelo y posteriormente se realizaron entrevistas / cuestionarios. Los resultados de la evaluación se presentan de forma cualitativa. Se observa que el desarrollo de los sistemas de soporte a decisión con minería tienen a ser más aceptados cuando los dueños de los procesos se involucran en su desarrollo, en cuanto a los modelos se puede mencionar que los usuarios tienen una inclinación hacia el clasificador estadístico de Naive Bayes. Increasingly, there are many organizations of health care that need to convert their data from memory organizational in useful knowledge to support the processes of care for patients. Nowadays is of great importance to use the new support technologies, where systems can be used to help clinical decision-making (CDSS) and to consider the doctors as knowledge workers with mobility needs and can make a decision on any place at any time. In this thesis work we explore how to support a decision-making process in a hospital context. by designing a CDSS with models obtained from data mining to extract knowledge and embedded in a mobile device. We study the process of detection and surveillance of nosocomial infections (PDVIN) in a public hospital where we obtained the structure of the process, organizational knowledge, with which we identify the attributes for data mining and hence the requirements to obtain support directly from process?s owners. The basis for the extraction of knowledge is the format for recording cases of nosocomial infection (FRCIN). The FRCIN contains all the clinical data of patients. Also within the PDVIN we identified 4 events where information / attributes are generated during the stay of a patient at the hospital. For each event we apply the process of extracting knowledge from, by using an iterative method, generalization of concepts, data transformation and reduction of attributes to get the final models characterized with the best performance. 5 trees were obtained with the decision algorithm C4.5 Naïve Bayes classifiers a 3 which are aimed at detecting nosocomial infections (IN). Decision trees and Bayesian classifiers were evaluated using cross-validation and whit a separate set that is not used for training the models. The results of this assessment show 90% of instances classified correctly by the decision trees and 87% by the naive Bayesian classifier. We implemented CDSS both in mobile and desktop which are embedded within the workflow PDVIN. They also allow assessment of the risk of nosocomial infection and the models obtained. The tools also have mechanisms for the management of patient data during the process. The desktop system has support for management of organizational memory and support for the sub-process of control PDVIN. An evaluation was performed to determine the perception of usefulness, a use of the system and the models that the doctors on the CDS developed through, a set of activities od use the systems / model and then conduct interviews / questionnaires. The evaluation results are presented in a qualitative way. It is noted that the development of decision support systems with data mining are more accepted when the owners of processes are involved in its development, in terms of the models wen can mentioned that users have an inclination toward statistical classifier Naive Bayes. |
| Idioma: | spa |
1 | 6 |
2 | 7 |
3 | 8 |
4 | 9 |
5 | 10 |