Desarrollo de un sistema para la predicción de ocurrencia del síndrome metabólico empleando técnicas de inteligencia artificial

Vista sencilla de ítem
dc.contributor.advisorFranco Arias, Manuel Hernando
dc.contributor.advisorValladares Torres, Liliana
dc.contributor.authorPinilla Galvis, Angélica Yelitza
dc.contributor.authorMartínez Arguello, Luisa Gabriela
dc.contributor.cvlacFranco Arias, Manuel Hernando [0001427755]spa
dc.contributor.cvlacValladares Torres, Liliana [0001477919]spa
dc.coverage.campusUNAB Campus Bucaramangaspa
dc.coverage.spatialColombiaspa
dc.date.accessioned2021-08-12T14:05:11Z
dc.date.available2021-08-12T14:05:11Z
dc.date.issued2021
dc.degree.nameIngeniero Biomédicospa
dc.description.abstractEl Síndrome Metabólico es un conjunto de afecciones de origen metabólico el cual tiene una estrecha relación con el aumento del riesgo de desarrollar enfermedades crónicas no transmisibles como la diabetes y enfermedades cardiovasculares. Este síndrome ha llegado a niveles pandémicos, por lo que existe la necesidad de desarrollar herramientas tecnológicas que permitan su predicción. Sin embargo, en Colombia existen carencias en el desarrollo y diseño de modelos de predicción del Síndrome Metabólico usando técnicas de inteligencia artificial, por lo tanto, en el presente proyecto se desarrolló un sistema para la predicción de ocurrencia del síndrome metabólico en los datos obtenidos del estudio transversal y descriptivo FUPRECOL empleando técnicas de inteligencia artificial de alto rendimiento como lo son Máquinas de Vectores de Soporte y Redes Neuronales, además de clasificadores básicos como Reconocedor Euclideo. Para esto se realizó un procesamiento de los datos con creación de patrones aleatorios por medio de la técnica ADASYN y se emplearon técnicas de reducción de dimensionalidad como FSCNCA y Sequential Forward Selection. Se escogieron los mejores modelos de cada técnica y se evaluaron con patrones de prueba con el fin de validar el porcentaje real de la clasificación del sistema. Se obtuvieron porcentajes de clasificación con Redes Neuronales y Máquinas de Vectores de Soporte del 91,8 % y el 93 % respectivamente, siendo este último la técnica con la mejor predicción. Los resultados obtenidos demuestran que es posible desarrollar sistemas con técnicas de inteligencia artificial para predecir el síndrome metabólico con altos porcentajes de clasificación, los cuales podrían tener gran potencial para predecir desde la juventud la probabilidad que tiene una persona de padecer este síndrome y de esta forma prevenir en edades adultas la aparición de enfermedades relacionadas a este.spa
dc.description.abstractenglishThe Metabolic Syndrome is a group of conditions of metabolic origin which is closely related to the increased risk of developing chronic non-communicable diseases such as diabetes and cardiovascular diseases. This syndrome has reached pandemic levels, so there is a need to develop technological tools that allow its prediction. However, in Colombia there are shortcomings in development and design of prediction models of the Metabolic Syndrome using artificial intelligence techniques, therefore, in the present project a system was developed to predict the occurrence of the metabolic syndrome in the data obtained from the cross-sectional and descriptive study FUPRECOL using artificial intelligence techniques from high performance such as Support Vector Machines and Neural Networks, as well as basic classifiers such as Euclidean Recognizer. For this, the data was processed with the creation of random patterns by using the ADASYN technique and dimensionality reduction techniques such as FSCNCA and Sequential Forward Selection were used. The best models of each technique were chosen and evaluated with test patterns in order to validate the real percentage of the system classification. Classification percentages with Neural Networks and Support Vector Machines of 91.8% and 93% respectively were obtained, the latter being the technique with the best prediction. The results obtained show that it is possible to develop systems with artificial intelligence techniques to predict metabolic syndrome with high classification percentages, which could have great potential to predict from youth the probability that a person has this syndrome and thus prevent in adult ages the appearance of diseases related to this.spa
dc.description.degreelevelPregradospa
dc.description.learningmodalityModalidad Presencialspa
dc.description.tableofcontentsCapítulo I ............................................................................................................................ 16 Problema u Oportunidad ............................................................................................... 16 Introducción .................................................................................................................. 16 Descripción del Problema ............................................................................................. 17 Justificación .................................................................................................................. 19 Pregunta Problema ........................................................................................................ 21 Objetivo General ........................................................................................................... 21 Objetivos Específicos .................................................................................................... 21 Limitaciones y Delimitaciones ...................................................................................... 22 Capítulo II .......................................................................................................................... 23 Marco teórico y Estado del Arte .................................................................................... 23 Marco Teórico ................................................................................................................ 23 Síndrome Metabólico .................................................................................................... 23 Criterios de diagnóstico del MetS .................................................................................. 27 Inteligencia Artificial .................................................................................................... 29 Técnicas de Clasificación y Reconocimiento de Patrones........................................... 31 Redes Neuronales................................................................................................... 31 Máquinas de Vectores de Soporte .......................................................................... 35 Reconocedor Euclídeo: .......................................................................................... 39 Evaluación y Mejora del Rendimiento Predictivo del Sistema. ................................... 40 Métodos de Reducción de Dimensionalidad y Proyección Multidimensional ............. 41 Análisis de Componentes Principales (PCA) .......................................................... 42 Sequential Forward Selection ................................................................................. 43 Selección de Características usando Análisis de Componentes de Vecindad para Clasificación (FSCNCA) ........................................................................................ 43 Técnica para Balancear Clases ADASYN .................................................................. 45 Software de Programación para el Desarrollo del Sistema ............................................. 46 Estado del arte ................................................................................................................ 47 Contexto Internacional .................................................................................................. 47 Contexto Nacional ........................................................................................................ 56 Capítulo III. ........................................................................................................................ 66 Metodología .................................................................................................................... 66 Tipo de Investigación .................................................................................................... 66 Proceso Metodológico ................................................................................................... 66 Análisis Información sobre la Ocurrencia de Síndrome Metabólico Mediante el Uso de una Base de Datos para el Entrenamiento del Sistema de Inteligencia Artificial ......... 67 Análisis de la Base de Datos Propuesta para Identificar las Variables más Relevantes .............................................................................................................................. 67 Análisis y Descripción Estadística de la Base de Datos Empleada .......................... 68 Balanceo de Clases Mediante ADASYN ................................................................ 68 Proyección Multidimensional para la Visualización de Datos ................................. 68 Diseño de Modelos de Predicción Implementando Técnicas de Inteligencia Artificial. .................................................................................................................................. 69 Codificación de Técnicas para Reducción de Dimensionalidad............................... 70 Técnicas de Inteligencia Artificial Clasificadores ................................................... 72 Implementación de Técnica Reconocedor Euclídeo ................................................ 72 Implementación de Técnica de Redes Neuronales .................................................. 73 Implementación de Máquinas de Vectores de Soporte ............................................ 75 Proyección Multidimensional de las Técnicas de Reducción Empleadas................. 76 Evaluación del Rendimiento de las Técnicas de Inteligencia Artificial empleadas. ..... 76 Análisis Estadístico de los Patrones de Prueba ....................................................... 76 Comparar el Rendimiento de las Técnicas de Clasificación .................................... 76 Selección de los 3 Modelos con las Mejores Combinaciones de Redes y Evaluación de estas con los Patrones de Prueba ........................................................................ 77 Selección de las 3 mejores Combinaciones de Modelos de SVM y Evaluación Datos con los Patrones de Prueba ..................................................................................... 78 Comparación Porcentajes de Clasificación de los Mejores Modelos elegidos de SVM y Redes Neuronales ................................................................................................ 79 Población de Muestra .................................................................................................... 79 Capítulo IV ......................................................................................................................... 81 Resultados y Análisis de Resultados .............................................................................. 81 Resultados ....................................................................................................................... 81 11 Análisis Información sobre la Ocurrencia de Síndrome Metabólico mediante el Uso de una Base de Datos para el Entrenamiento del Sistema de Inteligencia Artificial ............ 81 Análisis de la Base de Datos Propuesta para Identificación de Variables más Relevantes ................................................................................................................. 81 Analizar y Describir Estadísticamente la Base de Datos Empleada ............................ 83 Balanceo de Clases Mediante ADASYN ................................................................... 84 Proyección Multidimensional para la Visualización de Datos .................................... 85 Diseño de los Modelos de Predicción Implementando Técnicas de Inteligencia Artificial ..................................................................................................................................... 87 Reducción de Dimensionalidad con FSCNCA ........................................................... 87 Reducción de Dimensionalidad con Forward Selection con Clasificador Reconocedor Euclideo .................................................................................................................... 89 Reducción de Dimensionalidad con Forward Selection + FSCNCA con Clasificador Euclídeo .................................................................................................................... 89 Mejores Porcentajes de Clasificación Obtenidos Durante el Entrenamiento del Sistema con Redes Neuronales ............................................................................................... 90 Implementación de Máquinas de Vectores de Soporte ............................................... 94 Proyección Multidimensional de las Matrices Obtenidas al Emplear Técnicas de Reducción ................................................................................................................. 97 Evaluación del Rendimiento de las Técnicas de Inteligencia Artificial Empleadas. ........ 99 Análisis Estadístico de los Patrones de Prueba ........................................................... 99 Comparación del Rendimiento de las Técnicas de Inteligencia Artificial Empleadas 100 Selección de los Modelos con las Mejores Combinaciones de Redes Neuronales y Evaluación de estas con los Patrones de Prueba ....................................................... 100 Selección de los Modelos con las Mejores Combinaciones de SVM y Evaluación de estas con los Patrones de Prueba .............................................................................. 103 Rendimiento de las Técnicas de Inteligencia Artificial Empleadas. .......................... 105 Análisis de Resultados .................................................................................................. 108 Análisis Procesamiento de la Base de Datos Propuesta ................................................ 108 Diseño de los Modelos de Predicción Implementando Técnicas de Inteligencia Artificial ................................................................................................................................... 112 Entrenamiento del Sistema Empleando Redes Neuronales ....................................... 113 Implementación de Máquinas de Vectores de Soporte ............................................. 115 Evaluación del Rendimiento de las Técnicas de Inteligencia Artificial Empleadas. ...... 118 Rendimiento de las Técnicas de Inteligencia Artificial Empleadas. .......................... 118 Capítulo V. ....................................................................................................................... 122 Conclusiones y Recomendaciones ................................................................................ 122 Conclusiones ................................................................................................................. 122 Recomendaciones .......................................................................................................... 123 Bibliografía ....................................................................................................................... 124 Apéndice ........................................................................................................................... 129spa
dc.format.mimetypeapplication/pdfspa
dc.identifier.instnameinstname:Universidad Autónoma de Bucaramanga - UNABspa
dc.identifier.reponamereponame:Repositorio Institucional UNABspa
dc.identifier.repourlrepourl:https://repository.unab.edu.cospa
dc.identifier.urihttp://hdl.handle.net/20.500.12749/13792
dc.language.isospaspa
dc.publisher.facultyFacultad Ingenieríaspa
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNABspa
dc.publisher.programPregrado Ingeniería Biomédicaspa
dc.relation.referencesAmat Rodrigo, J. (2017a, Abril). Máquinas de Vector Soporte (Support Vector Machines, SVMs). From Obtenido de Ciencia de los datos: https://www.cienciadedatos.net/documentos/34_maquinas_de_vector_soporte_suppo rt_vector_machinesspa
dc.relation.referencesAmat Rodrigo, J. (2017b, Junio). Análisis de Componentes Principales (Principal Component Analysis, PCA) y t-SNE. From Obtenido de Ciencia de datos: https://www.cienciadedatos.net/documentos/35_principal_component_analysisspa
dc.relation.referencesArgentina, R. d. (n.d.). Portal Huarpe. From http://www.portalhuarpe.com.ar/medhime20/Talleres/Talleres%20Rawson/EPET3/09 %20Contactores/ventajas_aplicaciones.htmlspa
dc.relation.referencesAvila-Tomás, J., Mayer-Pujadas, M., & V.J., Q.-V. (2020, Deciembre). Artificial intelligence and its applications in medicine I: introductory background to AI and robotics. Atención primaria, 52(10), 778-784. From https://doi.org/10.1016/j.aprim.2020.04.013spa
dc.relation.referencesBarranco-Ruiz, Y., Villa-González, E., Venegas-Sanabria, L. C., Chavarro-Carvajal, D. A., Cano-Gutiérrez, C. A., Izquierdo, M., & Ramírez-Vélez, R. (2020). Metabolic Syndrome and Its Associated Factors in Older Adults: A Secondary Analysis of SABE Colombia in 2015. Metabolic Syndrome and Related Disorders, 18(8), 389-398. doi:10.1089/met.2019.0066spa
dc.relation.referencesBasogain Olabe, X. (2010). Curso: Redes Neuronales Artificiales y sus aplicaciones. [Libro de curso]. Escuela Superior de Ingeniería de Bilbao, EHU , Bilbao. From https://ocw.ehu.eus/file.php/102/redes_neuro/contenidos/pdf/libro-del-curso.pdfspa
dc.relation.referencesBohórquez, L. F., Ibáñez, M., Suárez, I. C., Franco, A., Rodriguez, M., & Soler, S. (2013). Prevalencia de síndrome metabólico y grado de concordancia diagnóstica por OMS, ATPIII, IDF, Y AACE, en pacientes diabéticos de programas de atención primaria en Bogotá, Colombia. Revista Médica Sanitas, 16(2), 8-15. Retrieved from https://www.unisanitas.edu.co/Revista/47/04SINDROME%20METABOLICO.pdfspa
dc.relation.referencesCameron, A. (2010). The metabolic syndrome: validity and utility of clinical definitions for cardiovascular disease and diabetes risk prediction. Maturitas, 65(2), 117-121. doi:10.1016 / j.maturitas.2009.11.026spa
dc.relation.referencesCarrasco, N. F., Eduardo Galgani, F. J., & Reyes, J. M. (2013, Septiembre). Síndrome de resistencia a la insulina. estudio y manejo. Revista Médica Clínica Las Condes, 24(5), 827-837. doi:10.1016/S0716-8640(13)70230-Xspa
dc.relation.referencesCarvajal Carvajal, C. (2017). Sindrome metabólico: definiciones, epidemiología, etiología, componentes y tratamiento. Medicina Legal de Costa Rica, 34(1), 175-193. From from http://www.scielo.sa.cr/scielo.php?script=sci_arttext&pid=S140900152017000100175&lng=en&tlng=esspa
dc.relation.referencesCastillo Herrera, J. A. (2009). El síndrome metabólico, una epidemia silente. Revista Cubana de Investigaciones Biomédicas, 28(4). From http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S086403002009000400008&lng=es&tlng=esspa
dc.relation.referencesCheng-Sheng, Y., Yu-Jiun, L., Chang-Hsien, L., Shiyng-Yu, L., Jenny L, W., & Shy-Shin, C. (2020). Development of an Online Health Care Assessment for Preventive Medicine: A Machine Learning Approach. Journal of medical Internet research, 22(6), e18585. doi:10.2196/18585spa
dc.relation.referencesEudaskainnova. (s.f). Sistemas de predicción. Machine Learning. Retrieved Septiembre 30, 2020 from https://www.spri.eus/euskadinnova/es/enpresa-digitala/agenda/sistemasprediccion-machine-learning/8580.aspxspa
dc.relation.referencesFernández-Cortés, C. O. (2017). Reducción de dimensionalidad en problemas de regresión lineal. [Tesis de pregrado]. Universidad Carlos III de Madrid, Madrid. From https://core.ac.uk/download/pdf/79177085.pdfspa
dc.relation.referencesGarcía G., E., De la Llata, M., Kaufer, M., Tusié, M. T., Calzada, R., Vázquez, V., . . . Sotelo, J. (2008). La obesidad y el síndrome metabólico como problema de salud pública: una reflexión. Salud Pública de México, 50(6), 530-547. Retrieved 01 2021, 31, from http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S003636342008000600015&lng=es&tlng=esspa
dc.relation.referencesGarcía Restrepo, M. A. (2010). Sociedad de cirugía de Bogotá: El museo y la revista repertorio* Reinauguración de la exposición permanente. Revista Repertorio De Medicina Y Cirugía, 19(1), 59-61. From https://doi.org/10.31260/repertmedcir.v19.n1.2010.572spa
dc.relation.referencesGualdron Guerrero, O. E. (2006). Desarrollo de diferentes métodos de selección de variables para sistemas multisensoriales. [Tesis de pregrado]. Escola Tècnica Superior D’ Enginyeria, Terragona. From https://www.tdx.cat/bitstream/handle/10803/8473/Tesis_Oscar_Gualdron.pdf?...1spa
dc.relation.referencesGutiérrez-Esparza, G. O., Infante Vázquez, O., Vallejo, M., & Hernández-Torruco, J. (2020). Prediction of Metabolic Syndrome in a Mexican Population Applying Machine Learning Algorithms. Symmetry, 12(4), 581. doi:10.3390/sym12040581spa
dc.relation.referencesHaffner, S. M. (2006, Junio). Relationship of metabolic risk factors and development of cardiovascular disease and diabetes. Obesity (Silver Spring), 14(3), 121S-127S. doi:doi: 10.1038/oby.2006.291spa
dc.relation.referencesHernández Sampieri, R., Fernández Collado, C., & Baptista Lucio, P. (2008). Metodolodía de la investigación (Sexta ed.). Mexico D.F: Mc Graw Hill.spa
dc.relation.referencesHiguita-Gutiérrez, L. F., Martínez Quiroz, W. J., & Cardona-Arias, J. A. (2020). Prevalence of Metabolic Syndrome and Its Association with Sociodemographic Characteristics in Participants of a Public Chronic Disease Control Program in Medellin, Colombia, in 2018. Diabetes, Metabolic Syndrome and Obesity: Targets and Therapy, 13, 11611169. doi:10.2147/dmso.s242826spa
dc.relation.referencesHinestroza Ramírez, D. (2018). El machine learning a través de los tiempos, y los aportes a la humanidad. [Tesis de pregrado, Universidad Libre Seccional Pereira]. Universidad Libre Seccional Pereira, Pereira. From https://repository.unilibre.edu.co/bitstream/handle/10901/17289/EL%20MACHINE%2 0LEARNING.pdf?sequence=1&isAllowed=yspa
dc.relation.referencesHiregoudar, S., Manjunath, K., & Patil, K. S. (2014). A survey: research summary on neural networks. IJRET: International Journal of Research in Engineering and Technology, 3(3). From https://ijret.org/volumes/2014v03/i15/IJRET20140315076.pdfspa
dc.relation.referencesHirose, H., Takayama, T., Hozawa, S., Hibi, T., & Saito, I. (2010). Prediction of metabolic syndrome using artificial neural network system based on clinical data including insulin resistance index and serum adiponectin. Computers in Biology and Medicine, 41(11), 1051-1056. doi:10.1016/j.compbiomed.2011.09.005spa
dc.relation.referencesInstituto Colombiano de Bienestar Familiar. (2015). ENSIN: Encuesta Nacional de Situación Nutricional. Retrieved Agosto 18, 2020 from https://www.icbf.gov.co/bienestar/nutricion/encuesta-nacional-situacion-nutricionalspa
dc.relation.referencesKassi, E., Pervanidou, P., Kaltsas, G., & Chrousos, G. (2011). Metabolic syndrome: definitions and controversies. BCM medicine, 9(48). From https://doi.org/10.1186/1741-7015-9-48spa
dc.relation.referencesKaur, J. (2014). A Comprehensive Review on Metabolic Syndrome. Cardiology Research and Practice. From https://doi.org/10.1155/2014/943162spa
dc.relation.referencesLee, S., Lee, H., Choi, J. R., & Koh, S. B. (2020, Junio 19). Development and Validation of Prediction Model for Risk Reduction of Metabolic Syndrome by Body Weight Control: A Prospective Population-based Study. Scientific Reports, 10spa
dc.relation.referencesLizarzaburu Robles, J. C. (2013). Síndrome metabólico: concepto y aplicación práctica. Anales de la Facultad de Medicina, 74(4), 315-320. From http://www.scielo.org.pe/scielo.php?script=sci_arttext&pid=S102555832013000400009&lng=es&tlng=esspa
dc.relation.referencesManzur, F., de la Ossa, M., Trespalacios, E., Abuabara, Y., & Lujan, M. (2008). Prevalencia de síndrome metabólico en el municipio de Arjona, Colombia. Revista Colombiana de Cardiología, 15(5), 215-222. Retrieved agosto 18, 2020 from http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S012056332008000500003&lng=en&tlng=esspa
dc.relation.referencesMartinez Heras, J. (2019, 05 28). Máquinas de Vectores de Soporte (SVM). From IArtificial.net: https://www.iartificial.net/maquinas-de-vectores-de-soporte-svmspa
dc.relation.referencesMaseda Tarin, M. (2019). Reducción de la dimensionalidad mediante métodos de selección de características en microarrays de ADN. [Tesis de grado en informatica Inligencia artificial]. Universitat Oberta de Catalunya, Catalunya. From http://openaccess.uoc.edu/webapps/o2/bitstream/10609/89668/11/mmasedaTFG011 9memoria.pdfspa
dc.relation.referencesMathWorks. (2018a). Cross-Validation. From https://es.mathworks.com/discovery/crossvalidation.htmlspa
dc.relation.referencesMathWorks. (2018b). Fscnca. From https://es.mathworks.com/help/stats/fscnca.htmlspa
dc.relation.referencesMiguel Soca, P. E. (2009). Dislipidemias. ACIMED, 20(6), 265-273. From http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S102494352009001200012&lng=es&tlng=esspa
dc.relation.referencesMinisterio de Salud y Protección Social. (2020, 07 19). Tres de cada 100 colombianos tienen diabetes. From Boletín de Prensa No 493 de 2020: https://www.minsalud.gov.co/Paginas/Tres-de-cada-100-colombianos-tienendiabetes.aspxspa
dc.relation.referencesMinisterio de Salud; Colciencias. (2013). Guía de práctica clínica: Hipertensión Arterial primaria (HTA). República de Colombia. From https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/INEC/IETS/GPC_C ompleta_HTA.pdfspa
dc.relation.referencesMora García, G., Salguedo Madrid, G., Ruíz Díaz, M., Ramos Clason, E., Alario Bello, Á., Fortich, Á., . . . Gómez Alegría, C. (2012). Concordancia entre cinco definiciones de síndrome metabólico. Cartagena, Colombia. Revista Española de Salud Pública, 301-311. Retrieved from http://scielo.isciii.es/scielo.php?script=sci_arttext&pid=S113557272012000300009&lng=es&tlng=esspa
dc.relation.referencesMustafeez, A. Z. (2021, Febrero 2). Educative. From What is early stopping? Educative: Interactive Courses for Software Developers: https://www.educative.io/edpresso/what-is-early-stoppingspa
dc.relation.referencesObservatorio Nacional de Salud & Instituto Nacional de Salud . (2013). Enfermedad cardiovascular: principal causa de muerte en Colombia. Boletin No.1, Diciembre 9 de 2013. Retrieved agosto 2020, 31 from Observatorio Nacional de Salud: https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/IA/INS/Boletintecnico-1-ONS.pdfspa
dc.relation.referencesOrganización Mundial de la Salud. (2011). Factores de riesgo. Retrieved Agosto 2020, 20 from Temas de Salud: https://www.who.int/topics/risk_factors/es/spa
dc.relation.referencesOrganización Mundial de la Salud. (2014). Colombia: perfil de enfermedades cardiovasculares. Retrieved agosto 2020, 18 from OMS: https://www.paho.org/hq/dmdocuments/2014/COLOMBIA-PERFIL-ECV-2014.pdfspa
dc.relation.referencesOrganización Mundial de la Salud. (2016). Hipertensión. Temas de Salud. Retrieved Agosto 20, 2020 from https://www.who.int/topics/hypertension/es/spa
dc.relation.referencesOrganización Mundial de la Salud. (2017, mayo 17). Enfermedades cardiovasculares. From Organización mundial de la Salud: https://www.who.int/es/news-room/factsheets/detail/cardiovascular-diseases-(cvds)spa
dc.relation.referencesOrganización Mundial de la Salud. (2018). ENT Perfiles de países: Colombia. Retrieved Agosto 18, 2020 from https://www.who.int/nmh/countries/col_es.pdf?ua=1spa
dc.relation.referencesOrganización Mundial de la Salud. (2020). Obesidad. Retrieved from Temas de salud: https://www.who.int/topics/obesity/esspa
dc.relation.referencesP. Carvalho, T., Soares, F. A., Vita, R., Francisco, R. d., Basto, J. P., & Alcalá, S. G. (2019). A systematic literature review of machine learning methods applied to predictive maintenance. Computers and Industrial Engineering, 137. Retrieved from https://doi.org/10.1016/j.cie.2019.106024spa
dc.relation.referencesRamírez-López, L., Calero-Saa, P., Arias-Holguín, G., Quincos-Echeverry, D., TipazocaNontién, L., & Monroy-Díaz, Á. (2019). Síndrome metabólico en conductores de transporte intermunicipal de Tunja, Boyacá. Revista Ciencias de la Salud, 17(2), 188200. doi:https://doi.org/10.12804/revistas.urosario.edu.co/revsalud/a.7923spa
dc.relation.referencesRamírez-Vélez, R., Correa-Bautista, J. E., Sanders-Tordecilla, A., Ojeda-Pardo, M. L., CoboMejía, E. A., Castellanos-Vega, R., . . . González-Ruíz, K. (2017). Percentage of Body Fat and Fat Mass Index as a Screening Tool for Metabolic Syndrome Prediction in Colombian University Students. Nutrients, 9(9), 1009. Retrieved from https://doi.org/10.3390/nu9091009spa
dc.relation.referencesRamírez-Vélez, R., Correa-Bautista, J., Carrillo, H., González-Jiménez, E., Schmidt-RioValle, J., Correa-Rodríguez, M., & García-Hermoso, A. (2018a). Fat-to-Muscle Ratio: A New Anthropometric Indicator as a Screening Tool for Metabolic Syndrome in Young Colombian People. Nutrients, 1027. doi:10.3390/nu10081027spa
dc.relation.referencesRamírez-Vélez, R., Correa-Bautista, J., Carrillo, H., González-Jiménez, E., Schmidt-RioValle, J., Correa-Rodríguez, M., & García-Hermoso, A. (2018b). Tri-Ponderal Mass Index vs. Fat Mass/Height3 as a Screening Tool for Metabolic Syndrome Prediction in Colombian Children and Young People. Nutrients, 10(4), 412. Retrieved from http://dx.doi.org/10.3390/nu10040412spa
dc.relation.referencesShin, J. A., Lee, J. H., Lim, S. Y., Ha, H. S., Kwon, H. S., Park, Y. M., . . . Son, H. Y. (2013). Metabolic syndrome as a predictor of type 2 diabetes, and its clinical interpretations and usefulness. Journal of diabetes investigation, 4(4), 334-343. doi:10.1111/jdi.12075spa
dc.relation.referencesSilva-Cruz, E. A., & Esparza-Franco, C. H. (2015). Fusión de clasificadores débiles euclidianos, FDA y SVM por a posteriori confidence classification (APCC). Iteckne, 12(2), 119-130. From ://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S169217982015000200003&lng=en&tlng=esspa
dc.relation.referencesSosa Vedia, M. (2012). Frecuencia de síndrome metabólico en consultantes de centros de salud de atención primaria de la zona noreste de la ciudad de córdoba capital. [Tesis de maestria en salud pública]. Universidad Nacional de Cordoba, Cordoba. From http://lildbi.fcm.unc.edu.ar/lildbi/tesis/Sosa_vedia_mara.pdfspa
dc.relation.referencesSuarez-Ortegón, M. F., & Aguilar-de Plata, C. (2016). Prevalence of metabolic syndrome in children aged 5-9 years from southwest colombia: a cross-sectional study. . World journal of pediatrics, 12(4), 477-483. From https://doi.org/10.1007/s12519-016-0008-zspa
dc.relation.referencesSuescún-Carrero, S. H.-C.-P.-S., Fagua-Pacavita, L. H., Bernal-Orduz, F., & CorredorGamba, S. P. (2017). Estilos de vida en estudiantes de una universidad de Boyacá, Colombia. Revista de la Facultad de Medicina, 65(2), 227-231. doi:https://doi.org/10.15446/revfacmed.v65n2.58640spa
dc.relation.referencesUrina-Jassir, D., Urina-Triana, M., Balaguera-Mendoza, J., Montenegro-Rolong, L., UrinaJassir, M., & Urina-Triana, M. (2016). Prevalencia del síndrome metabólico en hipertensos estadio I. Revista Colombiana de Cardiología, 23(5), 365-374. doi:10.1016/j.rccar.2016.02.004spa
dc.relation.referencesVillalobos Sánchez, C. J., Mosquera Chacón, J. P., & Tovar Cortés, H. (2011). Prevalencia del síndrome metabólico en consulta de medicina interna Hospital de San José de Bogotá DC. septiembre 2009 - marzo 2010. Revista Repertorio De Medicina Y Cirugía, 20(2), 93-102. From https://doi.org/10.31260/RepertMedCir.v20.n2.2011.682spa
dc.relation.referencesVillarreal Mendoza, M. (2020). Asociación de los componentes del síndrome metabólico con la fuerza prensil y masa muscular en trabajadores de la Universidad Nacional de Colombia, sede Bogotá. [Tesis de pregrado]. Universidad Nacional de Colombia, Bogotáspa
dc.relation.referencesY, G. P., J, B. A., & JA., C.-A. (2016). Prevalencia de dislipidemias en una institución prestadora de servicios de Medellín (Colombia). Revista CES Medicina, 2013, 30(1). From http://www.scielo.org.co/pdf/cesm/v30n1/v30n1a01.pdfspa
dc.relation.referencesYu, C. S., Lin, Y. J., Lin, C. H., Lin, S. Y., Wu, J. L., & Chang, S. S. (2020). Development of an Online Health Care Assessment for Preventive Medicine: A Machine Learning Approach. Journal of medical Internet research, 22(6), e18585. Retrieved from https://doi.org/10.2196/18585spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2spa
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia*
dc.rights.localAbierto (Texto Completo)spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.subject.keywordsBiomedical engineeringspa
dc.subject.keywordsEngineeringspa
dc.subject.keywordsMedical electronicsspa
dc.subject.keywordsBiological physicsspa
dc.subject.keywordsBioengineeringspa
dc.subject.keywordsMedical instruments and apparatusspa
dc.subject.keywordsMedicinespa
dc.subject.keywordsArtificial intelligencespa
dc.subject.keywordsMetabolic syndromespa
dc.subject.keywordsClinical engineeringspa
dc.subject.keywordsDimensionality reductionspa
dc.subject.keywordsNeural networksspa
dc.subject.keywordsChronic diseasesspa
dc.subject.keywordsMachine theoryspa
dc.subject.keywordsElectronic data processingspa
dc.subject.keywordsSimulation methodsspa
dc.subject.keywordsSupport vector machinesspa
dc.subject.keywordsEuclidean recognizerspa
dc.subject.lembIngeniería biomédicaspa
dc.subject.lembIngenieríaspa
dc.subject.lembBiofísicaspa
dc.subject.lembBioingenieríaspa
dc.subject.lembMedicinaspa
dc.subject.lembEnfermedades crónicasspa
dc.subject.lembTeoría de las máquinasspa
dc.subject.lembProcesamiento electrónico de datosspa
dc.subject.lembMétodos de simulaciónspa
dc.subject.proposalIngeniería clínicaspa
dc.subject.proposalElectrónica médicaspa
dc.subject.proposalInstrumentos y aparatos médicosspa
dc.subject.proposalInteligencia artificialspa
dc.subject.proposalSíndrome Metabólicospa
dc.subject.proposalReducción de dimensionalidadspa
dc.subject.proposalRedes neuronalesspa
dc.subject.proposalReconocedor euclideospa
dc.subject.proposalMáquinas de vectores de soportespa
dc.titleDesarrollo de un sistema para la predicción de ocurrencia del síndrome metabólico empleando técnicas de inteligencia artificialspa
dc.title.translatedDevelopment of a system for predicting the occurrence of metabolic syndrome using artificial intelligence techniquesspa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersion
dc.type.localTrabajo de Gradospa
dc.type.redcolhttp://purl.org/redcol/resource_type/TP

Archivos

Bloque original

Mostrando 1 - 2 de 2
Miniatura
Nombre:
2021_Tesis_Angelica_Pinilla_Galvis.pdf
Tamaño:
2.59 MB
Formato:
Adobe Portable Document Format
Descripción:
Tesis
Descargar
Miniatura
Nombre:
2021_Licencia_Angelica_Pinilla_Galvis.pdf
Tamaño:
1.62 MB
Formato:
Adobe Portable Document Format
Descripción:
Licencia
Descargar

Bloque de licencias

Mostrando 1 - 1 de 1
Miniatura
Nombre:
license.txt
Tamaño:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Pregrado Ingeniería Biomédica