Machine learning y el control de hipertensión arterial
Machine learning y el control de hipertensión arterial
Barra lateral del artículo
PDF
FLIP
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Contenido principal del artículo
Resumen
El uso de la tecnología ha promovido la expansión digital y el crecimiento de herramientas que hacen posible la cuantificación, medición y análisis de los datos. También ha permitido que tecnologías como la inteligencia artificial desarrollen algoritmos y modelos para que las computadoras aprendan y mejoren sus procesos por medio de la experiencia. En este contexto, el machine learning se ha convertido en un aliado en el control de enfermedades crónicas como la hipertensión arterial (hta), que causa el 63 % de las muertes de personas de tercera edad, debido a falencias en adherencia a tratamientos y a los estilos de vida de los pacientes. En este artículo se propone que implementar esta tecnología en el seguimiento del tratamiento de la hta podrá suministrar pronósticos de la condición futura del paciente y evidenciar el avance o la necesidad de un nuevo diagnóstico para mejorar su calidad de vida
Palabras clave
Descargas
Detalles del artículo
Referencias (VER)
Álvarez, A., González, J., Maceo, L. y Suárez, A. (2017). Modelo predictivo para el desarrollo de la cardiopatía hipertensiva: cohorte prospectiva. Medwave Revista Biomédica Revisada por Pares, 17(4).
Álvarez, G., Ruso, R., Pérez, M. y Fernández, M. (2006). Manual clínico del monitoreo ambulatorio de la presión arterial. Revista Cubana de Medicina, 45(4).
Ávila, J. (2015). Herramientas de los sistemas gestores de las bases de datos. Pasarelas y medios de conexión. Madrid: Editorial Elearning.
Cárdenas, C. (2018). Diseño de un modelo predictivo de pesquisa cardiovascular utilizando Árboles de Decisión: propensión de pacientes a presentar diabetes tipo 2, hipertensión arterial o dislipidemia: Estudio piloto, comuna de Quellón, Chiloé. Revista Chilena de Cardiología, 37(2), 126-133.
EnColombia. (s. f.). Hipertensión arterial primaria (hta): módulo de seguimiento [recurso en línea]. Recuperado de https://encolombia.com/medicina/guiasmed/guia-hta/hipertension-arterial-primaria-seguimiento/
García, Y. (2018). Red neuronal para diagnóstico de hipertensión arterial (tesis de grado) Universidad internacional de la Rioja, Madrid, España.
Developers Google. (s. f.). Framing: Key ML Terminology. Recuperado de https://developers.google.com/machine-learning/crash-course/framing/ml-terminology
Jupyter. (s. f.). Jupyter [main]. Recuperado de https://jupyter.org
Machado, J. (2013). ¿Inercia clínica, qué tanto nos afecta?, Revista Médica de Risaralda, 19(1), 94-96.
Martín, D., Hernández, E. y García, V. (2018). Detector predictivo de conexiones fraudulentas (tesis de maestría). Universidad Oberta de Catalunya, Barcelona, España.
Maté, C. (2014). Big data. Un nuevo paradigma de análisis de datos, Anales de Mecánica y Electricidad, 91(6), 10-16.
Mendoza, L. (2016). Procesamiento de la señal eléctrica del corazón. Revista Latinoamericana de Hipertensión, 11(2), 1-6. Recuperado de https://www.redalyc.org/pdf/1702/170250835001.pdf
Olalla, I. (2018). El machine learning, una necesidad para abordar los problemas a gran escala [entrada de blog]. MD. Marketing Directo. Recuperado de https://www.marketingdirecto.com/marketing-general/business-intelligence-powered-by-neural-one/el-machine-learning-una-necesidad-para-abordar-los-problemas-a-gran-escala
Organización Mundial de la Salud (oms). (27 de octubre del 2004). Responsables de salud de todo el mundo se unen a la Organización Mundial de la Salud en el anuncio de un redoblado esfuerzo para mejorar la seguridad del paciente. Recuperado de https://www.who.int/mediacentre/news/releases/2004/pr74/es/
Organización Mundial de la Salud (oms). (2013). A Global Brief on Hypertension. Génova: who. Recuperado de https://apps.who.int/iris/bitstream/handle/10665/79059/WHO_DCO_WHD_2013.2_eng.pdf?sequence=1
Ortiz, J. (22 de marzo del 2017). El machine learning y sus aplicaciones. 20 ejemplos [entrada de blog]. Joanybel Ortiz. Recuperado de http://www.joanybelortiz.com/aplicaciones-machine-learning-ejemplos/
Pérez, S. (2003). Introducción a la regresión logística. Recuperado de: http://halweb.uc3m.es/esp/Personal/personas/amalonso/esp/bstat-tema9.pdf
Pérez, G. y Grau, R. (2012). Predicción de la evolución hacia la hipertensión arterial en la adultez desde la adolescencia, Revista Cubana de Informática Médica, 4(1), 46-64.
Serrano, E., Molina, M., Manrique, D. y Baumela, L. (2017). Aprendizaje experiencial en ciencia de datos: satisfacción de los estudiantes para tres modelos de enseñanza y aprendizaje. Conferencia presentada en el Congreso Internacional Sobre Aprendizaje, Innovación y Competitividad. Zaragoza
Silva, M: (abril 2019). Aprendizaje por Refuerzo: Introducción al mundo del RL. Recuperado de https://medium.com/aprendizaje-por-refuerzo-introducci%C3%B3n-al-mundo-del/aprendizaje-por-refuerzo-introducci%C3%B3n-al-mundo-del-rl-1fcfbaa1c87
Spyder. (s. f.). Spyder: The Scientific Python Development Environment [main]. Recuperado de https://docs.spyder-ide.org/
Universidad de Alcalá. (s. f.). Diferencias entre big data y data science [entrada de blog]. Universidad de Alcalá. Recuperado de https://www.master-data-scientist.com/ diferencias-entre-master-big-data-y-data-science/
