Despliegue de un modelo de deep learning para la predicción de bajo gasto cardiaco a partir de señales hemodinámicas en una unidad de cuidados intensivos (DMDL-PC-SH-UCI)

Pérez Diaz, David Arturo

Despliegue de un modelo de deep learning para la predicción de bajo gasto cardiaco a partir de señales hemodinámicas en una unidad de cuidados intensivos (DMDL-PC-SH-UCI)

dc.contributor.advisor	Fajardo Ariza, Carlos Augusto
dc.contributor.author	Pérez Diaz, David Arturo
dc.contributor.evaluator	Barrero Pérez, Jaime Guillermo
dc.contributor.evaluator	Santos Ortiz, Camilo Andrés
dc.date.accessioned	2025-06-09T21:34:30Z
dc.date.available	2025-06-09T21:34:30Z
dc.date.created	2025-06-06
dc.date.issued	2025-06-06
dc.description.abstract	El presente trabajo de grado aborda el problema de la integración de sistemas autónomos y de inteligencia artificial en el ambiente crítico hospitalario para el diagnóstico temprano de eventos cardíacos. La identificación oportuna de condiciones como el paro cardíaco, bajo gasto cardíaco y shock cardiogénico es fundamental para asegurar una intervención rápida y precisa, maximizando las probabilidades de supervivencia. En entornos hospitalarios, los sistemas de monitoreo actuales no siempre logran detectar estos eventos de manera oportuna o confiable, lo cual subraya la necesidad de una solución inteligente y automatizada. Para atender esta problemática, el grupo de investigación CPS ha desarrollado un modelo de deep learning diseñado para analizar datos hemodinámicos en tiempo real de pacientes en la UCI, detectando patrones asociados con eventos cardíacos críticos. El modelo fue entrenado con datos históricos de pacientes, permitiéndole identificar de forma temprana las condiciones críticas mencionadas. Este proyecto, en particular, se enfocó en el desarrollo de una API para desplegar este modelo en el entorno hospitalario, configurada en un orquestador de contenedores que permite la escalabilidad y capacidad de respuesta a alto volumen de solicitudes. La API también incluye mecanismos de seguridad, como la autenticación mediante JWT, para asegurar que el acceso al sistema sea controlado y confiable. En el marco dela implementación de modelos de deep learning, este proyecto es pionero al buscar la integración de modelos de aprendizaje en la operatividad real diaria de la red hospitalaria. Los resultados obtenidos sugieren que la API sería capaz de responder hasta 1,000 solicitudes en un lapso de 120 segundos en el servidor R-Studio del centro hospitalario, mostrando una capacidad de respuesta rápida y eficiente, esencial en entornos de cuidado intensivo. Esta herramienta tiene potencial en la automatización y monitoreo de pacientes críticos, reduciendo potencialmente la carga del personal médico y optimizando los recursos hospitalarios. En cuanto a sus posibles impactos, esta solución tiene el potencial de mejorar el monitoreo de pacientes en las UCI, a través de una detección más precisa y rápida de eventos cardíacos críticos, este sistema permitiría reducir las tasas de mortalidad, al mismo tiempo que contribuye a la eficiencia operativa de los hospitales. Además, su enfoque en la seguridad y escalabilidad lo convierte en un modelo replicable en el futuro de la medicina crítica, con aplicaciones potenciales en otros ámbitos de la salud.
dc.description.abstractenglish	This thesis addresses the problem of integration of autonomous and AI based software systems for the critical patients in ICU. The timely identification of conditions such as cardiac arrest, low cardiac output, and cardiogenic shock is essential to ensure rapid and precise intervention, maximizing survival probabilities. In hospital settings, current monitoring systems do not always detect these events with sufficient speed or reliability, highlighting the need for an intelligent and automated solution. To address this issue, a system based on a deep learning model is proposed to analyze real-time ICU patient data, identifying patterns associated with critical cardiac events. The model was trained on historical patient data, allowing it to accurately recognize these critical conditions. Additionally, an API was developed to deploy this model in a hospital setting, configured in a Docker Swarm environment that enables scalability and responsiveness to high request volumes. The API also includes security mechanisms, such as JWT authentication, to ensure that system access is controlled and reliable. The results obtained were promising: the model demonstrated high accuracy in detecting critical cardiac events and could respond to up to 2000 requests in 120 seconds on the hospital’s R-Studio server, showing a fast and efficient response capacity, essential in intensive care environments. This tool represents a significant advance in the automation and accuracy of critical patient monitoring, potentially reducing the workload of medical personnel and optimizing hospital resources. In terms of its possible impacts, this solution has the potential to transform ICU patient monitoring, improving survival rates and the quality of intensive care. Through more precise and rapid detection of critical cardiac events, this system can significantly reduce mortality rates while contributing to hospital operational efficiency. Furthermore, its focus on security and scalability makes it a replicable model for the future of critical care medicine, with potential applications in other areas of healthcare.
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/20.500.14071/45790
dc.language.iso	spa
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.title	Despliegue de un modelo de deep learning para la predicción de bajo gasto cardiaco a partir de señales hemodinámicas en una unidad de cuidados intensivos (DMDL-PC-SH-UCI)
dc.title.english	Deployment of a deep learning model for predicting low cardiac output from hemodynamic signals in an intensive care unit (DMDL-PC-SH-ICU)
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