Machine Learning aplicado a la atención domiciliaria para predecir las condiciones de muerte
DOI:
https://doi.org/10.33448/rsd-v11i14.36078Palabras clave:
Atención domiciliaria; Gestión de la salud; Ciencia de datos; Aprendizaje automático; Inteligencia artificial.Resumen
En los procesos de atención domiciliaria, donde los pacientes son atendidos en el domicilio por equipos sanitarios multidisciplinares, existen varios retos para la gestión y seguimiento a distancia, no siendo raros los casos en los que no se utilizan recursos en situaciones realmente prioritarias. El advenimiento de la tecnología, la disponibilidad de datos en los distintos sistemas de gestión, así como las nuevas herramientas de apoyo a la decisión, traen enormes posibilidades, retorno económico y mayor cumplimiento para pacientes y familiares. Este trabajo tiene como objetivo presentar la aplicación del aprendizaje automático, utilizando la metodología CRISP-DM, para identificar pacientes con mayor probabilidad de hospitalización o muerte en el hogar.
Citas
Chen, P. H. C., Liu, Y., & Peng, L. (2019) How to develop machine learning models for healthcare. Nat. Mater. 18, 410–414. https://doi.org/10.1038/s41563-019-0345-0,
IBM (2022) Introduction to CRISP-DM. <https://www.ibm.com/docs/en/spss-modeler/18.2.0?topic=guide-introduction-crisp-dm>
Panesar, A. (2019) Machine learning and AI for healthcare. Coventry, UK: Apress, 2019.
Mariscal, G., Marban, O., & Fernandez, C. (2010). A survey of data mining and knowledge discovery process models and methodologies. The Knowledge Engineering Review, 25(2), 137-166.
Rehem, T. C. M. S. B., & Trad, L. A. B. (2005). Assistência domiciliar em saúde: subsídios para um projeto de atenção básica brasileira. Ciência & Saúde Coletiva, 10, 231-242.REHEM & TRAD, 2005.
Mendes Júnior, W. V. (2000). Assistência domiciliar: uma modalidade de assistência para o Brasil? Dissertação de Mestrado, Universidade Estadual do Rio de Janeiro, Rio de Janeiro, Brasil.
Ramallo, V. J. G., & Tamayo, M. I. P. (1998). Historia de la hospitalización a domicilio, pp. 13-22. In MDD Glez (coord.). Hospitalización a domicilio. Hoechst Marion Roussel, Espanha.
Google (2022) Machine Learning Crash Course. < https://developers.google.com/machine-learning/crash-course/>
Pedregosa. et al.,(2011). Scikit-learn: Machine Learning in Python, Journal of Machine Learning Research, Journal of Machine Learning Research, 12, pp. 2825-2830.
Minsky, M., & Papert, S. (1969). Perceptrons. M.I.T. Press. EUA.
McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics 5, 115–133.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT press. EUA.
Niaksu, O. (2015). CRISP Data Mining Methodology Extension for Medical Domain. Baltic J. Modern Computing. 3. 92-109.
Tavares, L. D., Manoel, A., Donato, T. H. R., Cesena, F., Minanni, C. A., Kashiwagi, N. M., & Szlejf, C. (2022). Prediction of metabolic syndrome: A machine learning approach to help primary prevention. Diabetes Research and Clinical Practice, 191, 110047.
Malekloo, A., Ozer, E., AlHamaydeh, M., & Girolami, M. (2022) Machine learning and structural health monitoring overview with emerging technology and high-dimensional data source highlights. Structural Health Monitoring. 21(4):1906-1955.
McCoy, L. G., Brenna, C. T., Chen, S. S., Vold, K., & Das, S. (2022). Believing in black boxes: Machine learning for healthcare does not need explainability to be evidence-based. Journal of clinical epidemiology, 142, 252-257.
Anderson, D., Bjarnadottir, M. V., & Nenova, Z. (2022). Machine learning in healthcare: Operational and financial impact. In Innovative Technology at the Interface of Finance and Operations (pp. 153-174). Springer, Cham.
Rubinger, L., Gazendam, A., Ekhtiari, S., & Bhandari, M. (2022). Machine learning and artificial intelligence in research and healthcare. Injury. ISSN 0020-1383
Silva, D. H. C., Alves, V. K., & Savio, E. (2022). Redes neurais artificiais aplicadas à moagem de minério de ferro combinadas a modelos empíricos. Research, Society and Development, 11(13), e84111332329-e84111332329.
London, A. J. (2019). Artificial intelligence and black‐box medical decisions: accuracy versus explainability. Hastings Center Report, 49(1), 15-21.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2022 Daniel Henrique Cordeiro Silva; Elisa Maria do Nascimento Timo
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
