Modelo de predicción de emergencias médicas utilizando métodos de aprendizaje máquina enfocados en el análisis de variables espaciales y temporales

Taboada Rivera, Frans Guillermo

Modelo de predicción de emergencias médicas utilizando métodos de aprendizaje máquina enfocados en el análisis de variables espaciales y temporales

dc.contributor.advisor	Romo Bucheli, David Edmundo
dc.contributor.author	Taboada Rivera, Frans Guillermo
dc.contributor.evaluator	González Gómez, Andrés Leonardo
dc.contributor.evaluator	Mantilla Duarte, Carlos Alfonso
dc.date.accessioned	2024-02-15T20:38:28Z
dc.date.available	2024-02-15T20:38:28Z
dc.date.created	2024-02-14
dc.date.issued	2024-02-14
dc.description.abstract	Este trabajo de investigación se enfoca en el desarrollo de un modelo de predicción de emergencias médicas en el área metropolitana de Bucaramanga, Colombia, haciendo uso de métodos de aprendizaje máquina y análisis de variables espaciales y temporales. La metodología implementada se basa en el concepto de ventana deslizante para el análisis y modelado de series temporales, y se realizaron experimentos exhaustivos para ajustar la configuración final del modelo. Los resultados obtenidos respaldan la viabilidad de establecer relaciones entre variables temporales y geográficas, especialmente en el contexto crítico de la atención a emergencias médicas. Los datos utilizados provienen principalmente del Centro Regulador de Urgencias y Emergencias del departamento de Santander y la Dirección de Tránsito de Bucaramanga. Se aplicaron procesos como la geocodificación y el relacionamiento espacial para generar vectores de características que incorporaran dependencia espacial y temporal. Además de los datos principales, se recopiló información demográfica, climatológica y de contexto social para evaluar su contribución al modelo. La investigación abarcó más de 40 experimentos, involucrando diversas configuraciones de ventanas deslizantes, pruebas con distintos métodos de normalización y un análisis detallado de las variables resultantes de la ingeniería de características. Este estudio no solo demuestra la capacidad del modelo para prever emergencias médicas, sino que también subraya la importancia de considerar factores temporales y espaciales en la toma de decisiones en el ámbito de la respuesta inmediata. La combinación de técnicas de aprendizaje máquina, análisis geoespacial y la inclusión de variables complementarias fortalece la aplicabilidad y relevancia de este enfoque en el contexto de la atención a emergencias en entornos urbanos.
dc.description.abstractenglish	This research work focuses on the development of a prediction model for medical emergencies in the metropolitan area of Bucaramanga, Colombia, using machine learning methods and analysis of spatial and temporal variables. The implemented methodology is based on the sliding window concept for time series analysis and modeling, and extensive experiments were performed to fine-tune the final model configuration. The results obtained support the viability of establishing relationships between temporal and geographical variables, especially in the critical context of medical emergency care. The data used comes mainly from the Emergency and Urgency Regulator Center of the Department of Santander and the Transit Authority of Bucaramanga. Processes such as geocoding and spatial relationships were applied to generate feature vectors that incorporated spatial and temporal dependence. In addition to the main data, demographic, climatological, and social context information was collected to evaluate their contribution to the model. The research spanned more than 40 experiments, involving various sliding window configurations, tests with different normalization methods, and a detailed analysis of the variables resulting from feature engineering. This study not only demonstrates the model's ability to predict medical emergencies but also highlights the importance of considering temporal and spatial factors in decision-making in the immediate response area. The combination of machine learning techniques, geospatial analysis, and the inclusion of complementary variables strengthens the applicability and relevance of this approach in the context of emergency response in urban environments.
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero de Sistemas
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/15686
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Ingeniería de Sistemas
dc.publisher.school	Escuela de Ingeniería de Sistemas e Informática
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Atribución-NoComercial 2.5 Colombia (CC BY-NC 2.5 CO)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Servicios prehospitalarios
dc.subject	Machine learning
dc.subject	Salud
dc.subject	Variables espaciales y temporales
dc.subject.keyword	Pre-Hospital Services
dc.subject.keyword	Machine Learning
dc.subject.keyword	Health
dc.subject.keyword	Spatial and Temporal Variables
dc.title	Modelo de predicción de emergencias médicas utilizando métodos de aprendizaje máquina enfocados en el análisis de variables espaciales y temporales
dc.title.english	Medical Emergency Prediction Model using Machine Learning Methods focused on the Analysis of Spatial and Temporal Variables
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado