Identificación de patrones de infecciones respiratorias mediante técnicas de Inteligencia Artificial

Gómez Tello, Carlos Danilo; Veintimilla Altamirano, Guillermo Alejandro

DSpace Principal
→
Unidades Académicas
→
Facultad de Ingeniería en Electricidad y Computación
→
Tesis de Computación
→
Ver ítem

dc.contributor.advisor	Peláez Jarrin, Colon Enrique , Director
dc.contributor.author	Gómez Tello, Carlos Danilo
dc.contributor.author	Veintimilla Altamirano, Guillermo Alejandro
dc.creator	ESPOL.FIEC
dc.date.accessioned	2024-10-19T20:20:31Z
dc.date.available	2024-10-19T20:20:31Z
dc.date.issued	2024
dc.identifier.citation	Gómez Tello, C. D. y Veintimilla Altamirano, G. A. (2024). Identificación de patrones de infecciones respiratorias mediante técnicas de Inteligencia Artificial. [Proyecto Integrador]. ESPOL.FIEC .
dc.identifier.uri	http://www.dspace.espol.edu.ec/handle/123456789/62311
dc.description	El proyecto aborda la identificación y agrupación de patrones en datos clínicos de pacientes menores de edad afectados por infecciones respiratorias, causadas por virus como SARS-COV-2, Influenza A o B y VSR. El objetivo principal es mejorar la eficacia de diagnósticos y tratamientos mediante la aplicación de técnicas de Inteligencia Artificial (IA) y Aprendizaje Automático (AA). Para eso, se realizaron procesos como la extracción de datos, limpieza, selección de características y normalización de estos. Luego, se estableció un modelo basado en IA que permitió la creación de agrupaciones con los datos proporcionados, utilizando el algoritmo K-Medoids. Además, se empleó el modelo ARIMA para predecir tendencias relacionadas con síntomas, palabras clave y diagnósticos a lo largo del tiempo. Adicionalmente, se implementó un prototipo de aplicación web que facilita la visualización de las tendencias y patrones dentro de los datos agrupados, obteniendo así un software útil para los médicos. Los resultados indicaron que se logró generar predicciones e identificar patrones en las agrupaciones alcanzando un grado de confianza de 86.96%. En conclusión, el proyecto proporciona una herramienta que facilita el análisis e identificación de patrones en la sintomatología de infecciones respiratorias de pacientes gracias a la ayuda de algoritmos basados en IA. Palabras Claves: Datos clínicos, Aprendizaje Automático, Predicciones, Agrupaciones
dc.format	application/pdf
dc.format.extent	106 página
dc.language.iso	spa
dc.publisher	ESPOL.FIEC
dc.rights	openAccess
dc.subject	Datos clínicos
dc.subject	Aprendizaje Automático
dc.subject	Predicciones
dc.subject	Agrupaciones
dc.title	Identificación de patrones de infecciones respiratorias mediante técnicas de Inteligencia Artificial
dc.type	Ingeniero en Ciencias de la Computación
dc.identifier.codigoespol	T-76964
dc.description.city	Guayaquil
dc.description.degree	Escuela Superior Politécnica del Litoral
dc.identifier.codigoproyectointegrador	TECH-379
dc.description.abstractenglish	This paper aims for the identification and clustering of patterns in clinic data from minor patients affected by respiratory infections, caused by viruses such as SARS-COV-2, Influenza A or B and VSR. The principal objective isto enhance the efficacy of diagnostics and treatments through the application of Artificial Intelligence techniques and Machine Learning. For that, processes such as data extraction, cleaning, feature selection and normalization were carried out. Then, it was established an AI model which allowed the creation of clusters with the data provided, using the K-Medoids algorithm. Furthermore, the ARIMA model was used to predict tendencies related to symptoms, key words and diagnostics through time. Additionally, there was implemented a web application prototype that facilitates the visualization of tendencies and patterns inside the clustered data, thus obtaining useful software for doctors. The results showed that it was possible to generate predictions and identify patterns in the clusters reaching a confidence level of 86.96%. In conclusion, this paper provides a useful tool which facilitates the analysis and identification of patterns in the respiratory infections? symptomatology from patients with the help of AI algorithms. Keywords: Clinic data, Machine Learning, Predictions, Clusters