Browsing by Author "Silva Ayala, Ricardo"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Modelo predictor para el fracaso de la Ventilación Mecánica No Invasiva (VMNI) en niños de 0 a 5 años con Insuficiencia Respiratoria Aguda: estudio de cohorte prospectiva.
    (Universidad de los Andes, 2022) Silva Ayala, Ricardo
    Relevancia del tema: en la era actual, la generación de datos en salud ha ido incrementando en forma exponencial en el transcurso de los últimos años, junto con la transformación digital de los registros en salud. Por consiguiente, el desarrollo de estudios epidemiológicos observacionales poblacionales basados en grandes volúmenes de datos es una realidad, y se ha posicionado como una opción ante la alternativa de realizar estudios poblacionales a un costo accesible. Planteamiento del problema: el control de sesgos al momento de planificar y analizar grandes volúmenes de datos se ha transformado en un desafío para los investigadores. Matching (emparejamiento), es una alternativa que contribuye al control del sesgo de confusión, al crear grupos comparables de estudios, el cual ha sido ampliamente demostrado en diversos estudios observacionales. Por otro lado, las herramientas y métodos actuales para realizar matching exigen bases de datos perfectamente estructuradas y con un lenguaje de codificación unificado, escenario que no es una realidad en las bases de datos en salud. Este punto dificulta el control de los sesgos en estudios a gran escala. Estado del arte: el presente proyecto desarrollará un algoritmo inteligente capaz de realizar matching en grandes volúmenes de datos parametrizados codificados y no codificados, basado en Inteligencia Artificial (IA)/Machine Learning (ML), cuya finalidad es contribuir al control del sesgo de confusión. Dentro de las herramientas actuales para realizar matching, se encuentran los softwares R y STATA®. Estos contienen diversos métodos y paquetes para realizar matching. Pero, estas herramientas actuales no permiten realizar emparejamiento en bases de datos parametrizadas codificadas y no codificadas, además de necesitar un número limitado de observaciones y datos. Supuesto: un algoritmo inteligente basado en Machine Learning es capaz de leer datos parametrizados codificados y no codificado para realizar matching automático en estudios epidemiológicos de gran escala; de manera de lograr grupos de estudios comparables en las variables emparejadas. Objetivo general: Desarrollar un algoritmo de matching inteligente (Epimatch) por medio de Machine Learning, para emparejar unidades de observación en base de datos parametrizados codificados y no codificados, en estudios epidemiológicos analíticos de gran escala. Diseño metodológico del estudio: Inteligencia Artificial basado en Machine Learning con aprendizaje supervisado y no supervisado, utilizando métodos de similitud y semejanza. Aplicabilidad: en estudios observacionales epidemiológicos a gran escala, en bases de datos parametrizados codificados y no codificados. Permitirá crear grupos de estudios comparables y contribuir al control del sesgo de confusión, con el consiguiente aumento de la validez interna de los resultados.