Examinando por Autor "Zurita Palma, Christopher"

Mostrando 1 - 1 de 1
  • Miniatura
    Ítem
    Modelo de predicción de riesgo de no rehabilitación cardiovascular con datos limitados usando transfer learning
    (Universidad Andrés Bello, 2022) Zurita Palma, Christopher; Torres, Romina; Nicolis, Orietta; Facultad de Ingeniería
    La rehabilitación cardiovascular, es una etapa que conlleva un conjunto de esfuerzos multidisciplinarios clínicos. A causa de esto, la Fundacion Kaplan en conjunto con la Universidad de Valparaíso y la Universidad Andres Bello, han trabajado y colaborado en ´ el desarrollo de SITECard, una aplicación enfocada a la telerrehabilitación de pacientes en el programa de rehabilitación cardiovascular. Esta plataforma tiene el fin de monitorear los pacientes a distancia, reservar horas, enviar indicaciones remotas a los pacientes, entre otros. En este trabajo nos enfocamos en el componente inteligente de SITECard, el cual consiste en un modelo de aprendizaje automatico de predicción de riesgo de no rehabilitación cardiovascular. Este modelo, fue entrenado con registros retrospectivos de 207 pacientes que participaron en el tratamiento de rehabilitación cardiovascular de la fundación Kaplan, lo que es una cantidad de datos bastante limitada para la obtención de buenos resultados. El desafío que se plantea en este documento, es el de mejorar la precisión de la predicción de este modelo de aprendizaje automatico preexistente (R2 0.716 en el mejor modelo), mediante la incorporación de nuevas características, provenientes de un conjunto de datos biométricos que a su vez fue recolectado de una serie de fichas, exámenes y dispositivos clínicos. Para lograr la mejora del modelo preexistente, se ha utilizado la técnica “JDA” la cual permite realizar una adaptación de características entre conjuntos de datos con distribuciones diferentes. Con su utilización se logró una transferencia de aprendizaje basada en características, entre el conjunto de datos utilizado en el modelo preexistente y el nuevo conjunto de datos biométricos. También se han utilizado técnicas como “RFECV” para la selección de características y “Aprendizaje jerárquico”, para ayudar a lidiar con la limitada data disponible. Mediante la utilización en conjunto de todas estas técnicas se ha logrado mejorar la predicción del modelo de riesgo de no rehabilitación hasta un R2 de un 0.923, en el mejor modelo reportado.