Razonador Basado en Casos para la inferencia de hipótesis diagnósticas, basado en la teoría de los conjuntos aproximados
| dc.contributor.advisor | Fuentes Herrera, Ivett Elena | |
| dc.contributor.advisor | García Lorenzo, María Matilde | |
| dc.contributor.author | Nodarse Morales, Katterine | |
| dc.coverage.spatial | 1016432 | en_US |
| dc.date.accessioned | 2018-01-18T23:40:10Z | |
| dc.date.available | 2018-01-18T23:40:10Z | |
| dc.date.issued | 2017-07-05 | |
| dc.description.abstract | La información generada en los centros hospitalarios, a partir del uso extendido de la Historia Clínica electrónica es arrolladora. A esto se le añade, el crecimiento continuo del número de estudiantes vinculados a la asistencia médica, como consecuencia del envejecimiento de la población y el incremento de las enfermedades. Surge así, la necesidad de disponer de herramientas que permitan asegurar el uso productivo de la información almacenada y contribuyan a la formación de profesionales con un mayor nivel de competencia en la práctica del método clínico. En este trabajo se implementó el sistema CDARS que soporta un modelo para el descubrimiento de conocimiento implícito en Historias Clínicas Electrónicas en formato semi-estructurado, basado en la hibridación de técnicas de agrupamiento y clasificación. El modelo concebido para la deducción de posibles hipótesis diagnósticas, en esta investigación ha sido implementado, considerando la propuesta Rough Text1 basada en la teoría de conjuntos aproximados para enfrentar diversas tareas de la minería de textos. El sistema propuesto que implementa el modelo permite la manipulación de Historias Clínicas a partir del estándar CDA, integrando agrupamiento y clasificación automática y facilita el entrenamiento asistencial de estudiantes en los centros hospitalarios. Los resultados obtenidos luego de aplicar los experimentos, muestran como RST contribuye satisfactoriamente al comportamiento del modelo en la inferencia realizada a partir del método de solución de problemas RBC. | en_US |
| dc.description.abstract | The information obtained from hospital centers by the extended use of the electronic medical histories is overwhelming. Besides, the constant growth of the number of students involved in the medical assistance due to the aging of the population, and the increase of diseases should be mentioned. Therefore, it is necessary to have at one’s disposal tools that allow to guarantee the efficient use of the stored information, and that contribute to the training of professionals with a higher competence level in the practice of the clinical method. In this project, the system CDARS was implemented. This system adopts a model for discovering implicit knowledge in electronic medical histories in a semi-structured format, based on the hybridization of clustering and classification techniques. The conceived model for deducting the possible diagnosis hypothesis has been implemented in this research taking into account the proposal Rough Text based on the Rough Set Theory, to face multiple tasks while text mining. The proposed system, which implements the model, allows the manipulation of medical histories from the CDA standard, integrating clustering and automatic classification, and facilitates the assistance training of students in hospital centers. The results obtained after applying the experiments, show that RST satisfactorily contributes to the model performance in the inference carried out from the problem solving method RBC. | en_US |
| dc.description.sponsorship | Facultad de Matemática, Física y Computación. Departamento de Ciencias de la Computación | en_US |
| dc.description.status | non-published | en_US |
| dc.identifier.uri | https://dspace.uclv.edu.cu/handle/123456789/8475 | |
| dc.language.iso | es | en_US |
| dc.publisher | Universidad Central “Marta Abreu” de Las Villas | en_US |
| dc.rights | Este documento es Propiedad Patrimonial de la Universidad Central “Marta Abreu” de Las Villas. Los usuarios podrán hacer uso de esta obra bajo la siguiente licencia: Creative Commons: Atribución-No Comercial-Compartir Igual 4.0 License | en_US |
| dc.subject | Razonador Basado en Casos | en_US |
| dc.subject | Historias Clínicas Electrónicas | en_US |
| dc.subject | Sistema CDARS | en_US |
| dc.subject | Hipótesis Diagnósticas | en_US |
| dc.subject | Estándar CDA | en_US |
| dc.subject | Teoría de los Conjuntos Aproximados | en_US |
| dc.subject.other | Historias Clínicas | en_US |
| dc.subject.other | Minería de Texto | en_US |
| dc.subject.other | Razonamiento Basado en Casos | en_US |
| dc.subject.other | Conjuntos Aproximados | en_US |
| dc.subject.other | Aprendizaje Automático | en_US |
| dc.title | Razonador Basado en Casos para la inferencia de hipótesis diagnósticas, basado en la teoría de los conjuntos aproximados | en_US |
| dc.type | Thesis | en_US |
| dc.type.thesis | bachelor | en_US |