Look-up in Google Scholar
Full metadata record
Huamán Fernández, Jackeline Roxana (es_PE)
Gamarra Moreno, Arturo Huber (es_PE)
2020-10-01T03:52:30Z
2020-10-01T03:52:30Z
2020-10-01T03:52:30Z
2020-10-01T03:52:30Z
2020
https://hdl.handle.net/20.500.13084/4355
La Dirección Ejecutiva de Epidemiología de la DIRESA Junín requiere de la implementación de modelos de predicción que contribuyan con la toma de decisiones clínicas, es así que habiéndose identificado que entre los años 2010 y julio del 2019 el 91.75% de las muertes perinatales estuvieron asociadas a “ciertas afecciones originadas en el periodo perinatal”, el objetivo de esta investigación fue en primer lugar desarrollar modelos de predicción de mortalidad perinatal y luego determinar la diferencia entre el rendimiento de los modelos de aprendizaje automático basados en técnicas supervisadas, ello con la finalidad de poder tomar decisiones preventivas para evitar estos eventos no deseados. El tipo de investigación fue de enfoque cuantitativo y el diseño correspondió al no experimental retrospectivo porque se trabajó con datos históricos de casos de muerte perinatal en la Región Junín. Para el desarrollo de los modelos predictivos se consideró tres técnicas supervisadas basadas en árboles de decisiones, red de Bayes y redes neuronales respectivamente; luego de considerar las fases de recolección de los datos de muerte perinatal, el preproceso de dichos datos, el entrenamiento y prueba de cada modelo predictivo y la evaluación se determinó para un nivel de significancia del 5% que el rendimiento de los modelos de aprendizaje automático es distinto según las técnicas supervisadas para predecir la mortalidad perinatal en la región Junín, es decir las técnicas basadas en árboles de clasificación, red de bayes y redes neuronales tienen diferente rendimiento; así mismo, el algoritmo W-J48 permitió el desarrollo del mejor modelo de predicción de muerte perinatal en la Región Junín, obteniéndose las siguientes métricas de rendimiento: una precisión de 88.09%, una sensibilidad de 78.53% y una precisión de clase de 97.11%. (es_PE)
application/pdf (es_PE)
spa (es_PE)
Universidad Nacional Federico Villarreal (es_PE)
Attribution-NonCommercial-ShareAlike 3.0 United States (*)
info:eu-repo/semantics/openAccess (es_PE)
https://creativecommons.org/licenses/by-nc-nd/4.0/ (es_PE)
http://creativecommons.org/licenses/by-nc-sa/3.0/us/ (*)
Universidad Nacional Federico Villarreal (es_PE)
Repositorio Institucional - UNFV (es_PE)
Muerte perinatal (es_PE)
Aprendizaje automático (es_PE)
Técnicas supervisadas (es_PE)
Modelos de aprendizaje automático basado en técnicas supervisadas para la predicción de la mortalidad perinatal en la Región Junín (es_PE)
info:eu-repo/semantics/doctoralThesis (es_PE)
Universidad Nacional Federico Villarreal. Escuela Universitaria de Posgrado (es_PE)
Ingeniería de Sistemas (es_PE)
Doctor en Ingeniería de Sistemas (es_PE)
PE (es_PE)
http://purl.org/pe-repo/ocde/ford#2.02.04 (es_PE)
https://purl.org/pe-repo/renati/level#doctor (es_PE)
10713496 (es_PE)
https://orcid.org/0000-0001-9391-8205 (es_PE)
21240749 (es_PE)
612018 (es_PE)
Tafur Anzualdo, Vicenta Irene (es_PE)
Bolívar Jiménez, José Luis (es_PE)
Romero Echevarría, Luis Miguel (es_PE)
https://purl.org/pe-repo/renati/type#tesis (es_PE)
Pública
info:eu-repo/semantics/publishedVersion (es_PE)



This item is licensed under a Creative Commons License Creative Commons