Modelo de aprendizaje automático para la predicción del GRD usando datos de pacientes

Vista sencilla de ítem
dc.contributor.advisorSchwarzenberg Riveros, Pablo Hernán
dc.contributor.authorParedes Arenas, Maximiliano Daniel
dc.contributor.editorFacultad de Ingeniería
dc.date.accessioned2025-02-26T22:10:48Z
dc.date.available2025-02-26T22:10:48Z
dc.date.issued2023
dc.descriptionProyecto de título (Ingeniero Civil Informático)
dc.description.abstractEste estudio aborda el desarrollo de dos modelos de aprendizaje automático para prever el GRD. Se realizó un análisis exhaustivo de los conjuntos de datos de Fonasa y del Hospital El Pino, posibilitando comparativas significativas. Durante este proceso, se lleva a cabo la preparación del conjunto de entrada para ambos modelos. El primer modelo implementado es una red neuronal recurrente, que logra una precisión del 83.50\%. A continuación, se introduce un modelo de red neuronal basada en atención, destacándose por alcanzar una superior precisión del 85.43\%. Posteriormente, tras el entrenamiento inicial, se reevalúa y procesa el conjunto de datos para eliminar información incoherente relacionada con los GRD. El siguiente paso implica el reentrenamiento de ambos modelos, siendo la red neuronal basada en atención la que alcanza una precisión de validación mejorada del 89.96\%. Este proceso destaca una mayor eficiencia al momento de predecir el grupo relacionado de diagnóstico (GRD) de un paciente es el modelo basado en atención.
dc.description.abstractThis study addresses the development of two machine learning models for predicting DRG. A comprehensive analysis of Fonasa and Hospital El Pino datasets was conducted, enabling significant comparisons. During this process, the input data preparation was carried out for both models. The first implemented model is a recurrent neural network, achieving an accuracy of 83.50%. Subsequently, an attention-based neural network model is introduced, standing out for achieving a higher accuracy of 85.43%. Following the initial training, the dataset is reevaluated and processed to eliminate inconsistent information related to DRG. The next step involves the retraining of both models, with the attention-based neural network achieving an improved validation accuracy of 89.96%. This process highlights a greater efficiency in predicting the Diagnosis Related Group (DRG) of a patient using the attention-based model.
dc.identifier.urihttps://repositorio.unab.cl/handle/ria/63604
dc.language.isoes
dc.publisherUniversidad Andrés Bello
dc.subjectAprendizaje de Máquina
dc.subjectGrupos Relacionados por el Diagnóstico
dc.subjectInnovaciones Tecnológicas
dc.titleModelo de aprendizaje automático para la predicción del GRD usando datos de pacientes
dc.typeTesis
Archivos
Bloque original
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
a148080_Paredes_M_Modelo_de_aprendizaje_automático_para_2023_Tesis.pdf
Tamaño:
1.78 MB
Formato:
Adobe Portable Document Format
Descripción:
TEXTO COMPLETO EN ESPAÑOL
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
FIng - Trabajos de Titulación Pre-Grado