Descubrimiento de conocimiento para la gestión en salud: aplicación a datos COVID-19

Actualmente las organizaciones disponen de conjuntos de datos cada vez más grandes y complejos. Para encontrar la información requerida, descubrir patrones novedosos y realizar una categorización se utilizan técnicas de descubrimiento de conocimiento en bases de datos (KDD) y data mining. En particu...

Descripción completa

Detalles Bibliográficos
Autores principales: Ferraris, Ignacio, Gabbanelli, Lucia, Mileta, Srecko Estanislao, Seijas, Leticia María
Formato: Objeto de conferencia
Lenguaje:Español
Publicado: 2023
Materias:
Ciencias Informáticas
KDD
Data Mining
K-Prototypes
SOM
COVID-19
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/165803
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-165803
record_format dspace
spelling I19-R120-10915-1658032024-05-08T20:04:29Z http://sedici.unlp.edu.ar/handle/10915/165803 Descubrimiento de conocimiento para la gestión en salud: aplicación a datos COVID-19 Knowledge discovery for health management: application to COVID-19 data. Ferraris, Ignacio Gabbanelli, Lucia Mileta, Srecko Estanislao Seijas, Leticia María 2023-09 2023 2024-05-08T18:53:04Z es Ciencias Informáticas KDD Data Mining K-Prototypes SOM COVID-19 Actualmente las organizaciones disponen de conjuntos de datos cada vez más grandes y complejos. Para encontrar la información requerida, descubrir patrones novedosos y realizar una categorización se utilizan técnicas de descubrimiento de conocimiento en bases de datos (KDD) y data mining. En particular, las bases de datos hospitalarias tienen un gran potencial para explorar patrones ocultos en conjuntos de datos de dominio médico debido a su naturaleza voluminosa, heterogénea y distribuida. Estos patrones se pueden utilizar para el diagnóstico clínico y gestión de recursos, entre otros. Dada la situación de pandemia que se ha vivido recientemente, el descubrimiento de conocimiento para la eficiencia en la toma de decisiones se vuelve imprescindible. Este trabajo presenta la utilización de técnicas combinadas de clustering k-means, k-prototypes y mapas auto-organizados SOM del paradigma competitivo no supervisado, sobre la base de datos pública con casos COVID-19 a nivel nacional, del Ministerio de Salud de Argentina. Los resultados de k-prototypes permitieron obtener un panorama general de la distribución de las muestras, mientras que los SOM, con medidas de evaluación del modelo de gran calidad, posibilitaron un análisis más completo, profundo y visual. Adicionalmente, se presenta un software para facilitar a los expertos el estudio de resultados. Organizations today have increasingly large and complex data sets. Knowledge discovery in databases (KDD) and data mining techniques are used to find the required information, discover novel patterns and perform categorization. In particular, hospital databases have a great potential to explore hidden patterns in medical domain datasets due to their voluminous, heterogeneous and distributed nature. These patterns can be used for clinical diagnosis and resource management, among others. Given the recent pandemic situation, knowledge discovery for efficient decision making becomes imperative. This paper presents the use of combined k-means clustering techniques, k-prototypes and SOM self-organizing maps of the unsupervised competitive paradigm, on the public database with COVID-19 cases at the national level, from the Ministry of Health of Argentina. The results of k-prototypes allowed obtaining an overview of the distribution of samples, while the SOM, with high quality model evaluation measures, enabled a more complete, in-depth and visual analysis. In addition, software is presented to facilitate the study of results by experts. Sociedad Argentina de Informática e Investigación Operativa Objeto de conferencia Objeto de conferencia http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) application/pdf 149-162
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Español
topic Ciencias Informáticas
KDD
Data Mining
K-Prototypes
SOM
COVID-19
spellingShingle Ciencias Informáticas
KDD
Data Mining
K-Prototypes
SOM
COVID-19
Ferraris, Ignacio
Gabbanelli, Lucia
Mileta, Srecko Estanislao
Seijas, Leticia María
Descubrimiento de conocimiento para la gestión en salud: aplicación a datos COVID-19
topic_facet Ciencias Informáticas
KDD
Data Mining
K-Prototypes
SOM
COVID-19
description Actualmente las organizaciones disponen de conjuntos de datos cada vez más grandes y complejos. Para encontrar la información requerida, descubrir patrones novedosos y realizar una categorización se utilizan técnicas de descubrimiento de conocimiento en bases de datos (KDD) y data mining. En particular, las bases de datos hospitalarias tienen un gran potencial para explorar patrones ocultos en conjuntos de datos de dominio médico debido a su naturaleza voluminosa, heterogénea y distribuida. Estos patrones se pueden utilizar para el diagnóstico clínico y gestión de recursos, entre otros. Dada la situación de pandemia que se ha vivido recientemente, el descubrimiento de conocimiento para la eficiencia en la toma de decisiones se vuelve imprescindible. Este trabajo presenta la utilización de técnicas combinadas de clustering k-means, k-prototypes y mapas auto-organizados SOM del paradigma competitivo no supervisado, sobre la base de datos pública con casos COVID-19 a nivel nacional, del Ministerio de Salud de Argentina. Los resultados de k-prototypes permitieron obtener un panorama general de la distribución de las muestras, mientras que los SOM, con medidas de evaluación del modelo de gran calidad, posibilitaron un análisis más completo, profundo y visual. Adicionalmente, se presenta un software para facilitar a los expertos el estudio de resultados.
format Objeto de conferencia
Objeto de conferencia
author Ferraris, Ignacio
Gabbanelli, Lucia
Mileta, Srecko Estanislao
Seijas, Leticia María
author_facet Ferraris, Ignacio
Gabbanelli, Lucia
Mileta, Srecko Estanislao
Seijas, Leticia María
author_sort Ferraris, Ignacio
title Descubrimiento de conocimiento para la gestión en salud: aplicación a datos COVID-19
title_short Descubrimiento de conocimiento para la gestión en salud: aplicación a datos COVID-19
title_full Descubrimiento de conocimiento para la gestión en salud: aplicación a datos COVID-19
title_fullStr Descubrimiento de conocimiento para la gestión en salud: aplicación a datos COVID-19
title_full_unstemmed Descubrimiento de conocimiento para la gestión en salud: aplicación a datos COVID-19
title_sort descubrimiento de conocimiento para la gestión en salud: aplicación a datos covid-19
publishDate 2023
url http://sedici.unlp.edu.ar/handle/10915/165803
work_keys_str_mv AT ferrarisignacio descubrimientodeconocimientoparalagestionensaludaplicacionadatoscovid19
AT gabbanellilucia descubrimientodeconocimientoparalagestionensaludaplicacionadatoscovid19
AT miletasreckoestanislao descubrimientodeconocimientoparalagestionensaludaplicacionadatoscovid19
AT seijasleticiamaria descubrimientodeconocimientoparalagestionensaludaplicacionadatoscovid19
AT ferrarisignacio knowledgediscoveryforhealthmanagementapplicationtocovid19data
AT gabbanellilucia knowledgediscoveryforhealthmanagementapplicationtocovid19data
AT miletasreckoestanislao knowledgediscoveryforhealthmanagementapplicationtocovid19data
AT seijasleticiamaria knowledgediscoveryforhealthmanagementapplicationtocovid19data
_version_ 1807223099644444672

Ejemplares similares