APRENDIZAJE AUTOMÁTICO Y DATOS CLÍNICOS: UN ENFOQUE EN LA PREDICCIÓN DE LA MORTALIDAD DE PACIENTES CON SEPSIS EN UCI.

Castillo Caballero, Johan Alfonso

APRENDIZAJE AUTOMÁTICO Y DATOS CLÍNICOS: UN ENFOQUE EN LA PREDICCIÓN DE LA MORTALIDAD DE PACIENTES CON SEPSIS EN UCI.

dc.contributor.advisor	Santos Ortiz, Camilo Andres
dc.contributor.advisor	Fajardo Ariza, Carlos Augusto
dc.contributor.author	Castillo Caballero, Johan Alfonso
dc.contributor.evaluator	Tijaro Rojas, Omar Javier
dc.contributor.evaluator	Castillo Bohorquez, Jeison Arley
dc.date.accessioned	2025-05-21T20:57:31Z
dc.date.available	2025-05-21T20:57:31Z
dc.date.created	2025-05-20
dc.date.issued	2025-05-20
dc.description.abstract	La sepsis es una condición crítica y potencialmente mortal que se presenta comúnmente en las Unidades de Cuidados Intensivos (UCI). Los profesionales de la salud enfrentan desafíos significativos no solo debido al gran volumen de datos clínicos, sino también por la complejidad inherente de la enfermedad y su naturaleza sistémica. Estos factores crean un entorno desafiante que complica los procesos de toma de decisiones, especialmente cuando se trata de predecir la mortalidad de los pacientes. Dada la importancia crítica de la predicción temprana de la mortalidad para mejorar los resultados de los pacientes, esta investigación tiene como objetivo predecir la mortalidad en pacientes con sepsis en UCI con 12, 24 y 48 horas de anticipación mediante modelos de aprendizaje automático basados en datos clínicos. El estudio se llevó a cabo utilizando la base de datos Medical Information Mart for Intensive Care, que incluye datos de 7,511 pacientes con sepsis en UCI de un solo hospital, y la base de datos Electronic Intensive Care Unit Collaborative Research, que contiene datos de 3,786 pacientes con sepsis en UCI de múltiples hospitales. Se evaluaron ocho modelos de aprendizaje automático supervisado basados en el área bajo la curva, donde Light Gradient Boosted Machine demostró el mejor rendimiento en todos los puntos críticos de tiempo. Además, superó al Sequential Organ Failure Assessment en la predicción de la mortalidad. Esta investigación resalta el potencial del aprendizaje automático para mejorar la predicción de la mortalidad en pacientes con sepsis en UCI, permitiendo una toma de decisiones oportuna y, en última instancia, mejorando los resultados de los pacientes.
dc.description.abstractenglish	Sepsis is a critical, life-threatening condition commonly encountered in Intensive Care Units (ICUs). Healthcare professionals face significant challenges not only from the vast volume of clinical data but also due to the condition's inherent complexity and systemic nature. These factors create a challenging environment that complicates decision-making processes, especially when predicting patient mortality. Given the critical importance of early mortality prediction in improving patient outcomes, this research aims to predict mortality for ICU sepsis patients at 12, 24, and 48 hours in advance through machine learning models based on clinical data. The study was conducted with the Medical Information Mart for Intensive Care database, which includes data from 7,511 ICU sepsis patients from a single hospital, and the Electronic Intensive Care Unit Collaborative Research database, which contains data from 3,786 ICU sepsis patients across multiple hospitals. Eight supervised machine learning models were evaluated based on the area under the curve, where Light Gradient Boosted Machine demonstrated the best performance across all critical timestamps. It also outperformed the Sequential Organ Failure Assessment score in predicting mortality. This research underscores the potential of machine learning to advance mortality prediction for ICU sepsis patients, enabling timely decision-making and ultimately improving patient outcomes.
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero Electrónico
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/20.500.14071/45576
dc.language.iso	eng
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Ingeniería Electrónica
dc.publisher.school	Escuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
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-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Sepsis
dc.subject	UCI
dc.subject	Aprendizaje automático
dc.subject	Mortalidad
dc.subject	Marcas de tiempo
dc.subject.keyword	Sepsis
dc.subject.keyword	ICU
dc.subject.keyword	Machine learning
dc.subject.keyword	Mortality
dc.subject.keyword	Timestamps
dc.title	APRENDIZAJE AUTOMÁTICO Y DATOS CLÍNICOS: UN ENFOQUE EN LA PREDICCIÓN DE LA MORTALIDAD DE PACIENTES CON SEPSIS EN UCI.
dc.title.english	MACHINE LEARNING AND CLINICAL DATA: AN APPROACH TO MORTALITY PREDICTION IN ICU SEPSIS PATIENTS
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