| Summary: | Ingeniero Civil Industrial === Se ha demostrado que la supervisión remota, automática y no automática, puede influir
positivamente en la disminución de la taza de hospitalizaciones y en el caso de que el paciente
sea hospitalizado, disminuir la duración de esta.
Comúnmente se utiliza en finanzas, meteorología, oceanografía, entre otros el uso, de
técnicas de análisis de predicción de estado usando datos históricos, de esta forma se analizan
diferentes implementaciones de minería de datos sobre estados o situaciones reales para luego
comparar las predicciones con la realidad gestada.
Sin embargo, a pesar de la existencia de una vasta documentación sobre como diferentes
modelos y técnicas de minería de datos que son capaces de identificar problemas como arritmias, fibrilaciones auriculares, entre otros, esta tecnología no ha sido masificada, a pesar de
su existencia en salas de emergencia, cuidados intermedios e intensivos.
En el contexto descrito anteriormente que se gesta el proyecto de aplicar técnicas de
minería de datos sobre mediciones fisiológicas, para la detección remota de problemas en
pacientes. Y con esto la necesidad del desarrollo de un sistema de pruebas, que simule la
aplicación en tiempo real de minería de datos sobre signos vitales capturados en tiempo real.
Para esto se fue necesario crear un modelo de aprendizaje profundo, el que detectara el
punto R del latido y clasificara éste como normal o anormal. Los resultados obtenidos luego
del entrenamiento y prueba del modelo, muestran que es capaz de determinar certeramente
cuando un latido es normal, sin embargo el modelo no entrega la misma seguridad al momento
de clasificar un latido como anormal, ya que en ocasiones éste latido es normal. Por lo que no
se pudo demostrar la hipótesis de que se pueden aplicar técnicas redes neuronales diseñadas
para la detección de objetos en imágenes, sirvan para la clasificación de latidos cardíacos.
Finalmente, tras el estudio de requerimientos del framework, la creación de un prototipo y
su uso, se llegó a las siguientes conclusiones, el utilizar el framework posee notables falencias en el rendimiento en la etapa de entrenamiento y evaluación del modelo, el costo de elaboración
y mantención de los requerimientos no cubiertos por el prototipo no se pueden justificar,
haciendo el proyecto inviable, debido a la aparición de una alternativa gratuita de código
libre que cubre gran parte de los beneficios del framework.
|
|---|
