Modelo basado en aprendizaje automático de estimación de riesgo de mortalidad en pacientes con trauma craneoencefálico, Hospital Ethel Kandler

Modelo basado en aprendizaje automático de estimación de riesgo de mortalidad en pacientes con trauma craneoencefálico, Hospital Ethel Kandler

La Inteligencia Artificial y la medicina han encontrado varios puntos en los que convergen, cambiando el concepto de salud. Entre los problemas de atención inmediata se encuentran los traumas craneoencefálicos (TCE), que constituyen un importante problema de salud pública en todos los países, cada d...

Descripción completa

Detalles Bibliográficos
Autores principales: Sambola, Dexon-Mckensy, Kelly Kandler, Kerry Kenton, Ordoñez Cuthbert, Deyvon Kestner, Kerr Taylor, Jacqueline Georgina
Formato: Online
Idioma:spa
Publicado: BICU 2024
Acceso en línea:https://camjol.info/index.php/WANI/article/view/18462
id WANI18462
record_format ojs
spelling WANI184622024-12-07T12:52:13Z Machine learning-based model for estimating mortality risk in patients with traumatic brain injury, Ethel Kandler Hospital Modelo basado en aprendizaje automático de estimación de riesgo de mortalidad en pacientes con trauma craneoencefálico, Hospital Ethel Kandler Sambola, Dexon-Mckensy Kelly Kandler, Kerry Kenton Ordoñez Cuthbert, Deyvon Kestner Kerr Taylor, Jacqueline Georgina Brain algorithms prediction Algoritmos cerebro predicción Artificial Intelligence and medicine have found various points where they converge, changing the concept of health. Among the problems of immediate attention is Traumatic Brain Injury (TBI), which constitutes an important public health problem in all countries; every day in the world, about 16,000 people die from trauma. This study aims to develop a Machine Learning-based model to estimate the probability of mortality risk in patients with TBI. The project was developed at the Ethel Kandler Hospital of the Corn Island municipality of the South Caribbean Coast Autonomous Region under the SCRUM methodology, which allowed continuous feedback on the proposed model. The Machine Learning algorithms selected for the construction of the model were the Random Forest and K-NN, the dataset for the initial model was the CRASH-2, and all analysis and processing were done in Python. The model has been shown to be able to predict with acceptable accuracy the probability of mortality in patients with TBI. However, Random Forest performed better; on average, it was 87.06% effective, while K-NN was 77.87%. The results were promising, and the study offers an encouraging prospect for the development of future Machine learning-based prediction models. Importantly, this model is complementary to clinical decision-making and should not replace clinical judgment. La Inteligencia Artificial y la medicina han encontrado varios puntos en los que convergen, cambiando el concepto de salud. Entre los problemas de atención inmediata se encuentran los traumas craneoencefálicos (TCE), que constituyen un importante problema de salud pública en todos los países, cada día en el mundo, alrededor de 16.000 personas mueren por traumatismos. Este estudio tiene como objetivo desarrollar un modelo basado en Aprendizaje Automático para estimar la probabilidad de riesgo de mortalidad en pacientes con TCE. El proyecto se desarrolló en el Hospital Ethel Kandler del municipio Corn Island del Región Autónoma Costa Caribe Sur, bajo la metodología SCRUM, la cual permitió la retroalimentación continua del modelo propuesto, los algoritmos de Aprendizaje Automático seleccionados para la construcción del modelo fueron el Random Forest y K-NN, el conjunto de datos para el modelo inicial fue el CRASH-2, todo el análisis y procesamiento se realizó en Python. Se ha demostrado que el modelo es capaz de predecir con una precisión aceptable la probabilidad de mortalidad en pacientes con TCE, sin embargo, Random Forest tuvo un mejor desempeño; en promedio tuvo una efectividad del 87,06%, mientras que la K-NN fue del 77,87%. Los resultados fueron prometedores, y el estudio ofrece una perspectiva alentadora para el desarrollo de futuros modelos de predicción basados en Aprendizaje Automático. Es importante destacar que este modelo es complementario a la toma de decisiones clínicas y no debe reemplazar el juicio clínico. BICU 2024-07-22 info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion application/pdf https://camjol.info/index.php/WANI/article/view/18462 10.5377/wani.v1i81.18462 Wani; No. 81 (2024): En publicación continua Wani; Núm. 81 (2024): En publicación continua 2308-7862 1813-369X spa https://camjol.info/index.php/WANI/article/view/18462/22232 Derechos de autor 2024 Bluefields Indian and Caribbean University http://creativecommons.org/licenses/by-nc-sa/4.0
institution Bluefields Indian & Caribbean University
collection Wani
language spa
format Online
author Sambola, Dexon-Mckensy
Kelly Kandler, Kerry Kenton
Ordoñez Cuthbert, Deyvon Kestner
Kerr Taylor, Jacqueline Georgina
spellingShingle Sambola, Dexon-Mckensy
Kelly Kandler, Kerry Kenton
Ordoñez Cuthbert, Deyvon Kestner
Kerr Taylor, Jacqueline Georgina
Modelo basado en aprendizaje automático de estimación de riesgo de mortalidad en pacientes con trauma craneoencefálico, Hospital Ethel Kandler
author_facet Sambola, Dexon-Mckensy
Kelly Kandler, Kerry Kenton
Ordoñez Cuthbert, Deyvon Kestner
Kerr Taylor, Jacqueline Georgina
author_sort Sambola, Dexon-Mckensy
description La Inteligencia Artificial y la medicina han encontrado varios puntos en los que convergen, cambiando el concepto de salud. Entre los problemas de atención inmediata se encuentran los traumas craneoencefálicos (TCE), que constituyen un importante problema de salud pública en todos los países, cada día en el mundo, alrededor de 16.000 personas mueren por traumatismos. Este estudio tiene como objetivo desarrollar un modelo basado en Aprendizaje Automático para estimar la probabilidad de riesgo de mortalidad en pacientes con TCE. El proyecto se desarrolló en el Hospital Ethel Kandler del municipio Corn Island del Región Autónoma Costa Caribe Sur, bajo la metodología SCRUM, la cual permitió la retroalimentación continua del modelo propuesto, los algoritmos de Aprendizaje Automático seleccionados para la construcción del modelo fueron el Random Forest y K-NN, el conjunto de datos para el modelo inicial fue el CRASH-2, todo el análisis y procesamiento se realizó en Python. Se ha demostrado que el modelo es capaz de predecir con una precisión aceptable la probabilidad de mortalidad en pacientes con TCE, sin embargo, Random Forest tuvo un mejor desempeño; en promedio tuvo una efectividad del 87,06%, mientras que la K-NN fue del 77,87%. Los resultados fueron prometedores, y el estudio ofrece una perspectiva alentadora para el desarrollo de futuros modelos de predicción basados en Aprendizaje Automático. Es importante destacar que este modelo es complementario a la toma de decisiones clínicas y no debe reemplazar el juicio clínico.
title Modelo basado en aprendizaje automático de estimación de riesgo de mortalidad en pacientes con trauma craneoencefálico, Hospital Ethel Kandler
title_short Modelo basado en aprendizaje automático de estimación de riesgo de mortalidad en pacientes con trauma craneoencefálico, Hospital Ethel Kandler
title_full Modelo basado en aprendizaje automático de estimación de riesgo de mortalidad en pacientes con trauma craneoencefálico, Hospital Ethel Kandler
title_fullStr Modelo basado en aprendizaje automático de estimación de riesgo de mortalidad en pacientes con trauma craneoencefálico, Hospital Ethel Kandler
title_full_unstemmed Modelo basado en aprendizaje automático de estimación de riesgo de mortalidad en pacientes con trauma craneoencefálico, Hospital Ethel Kandler
title_sort modelo basado en aprendizaje automático de estimación de riesgo de mortalidad en pacientes con trauma craneoencefálico, hospital ethel kandler
title_alt Machine learning-based model for estimating mortality risk in patients with traumatic brain injury, Ethel Kandler Hospital
publisher BICU
publishDate 2024
url https://camjol.info/index.php/WANI/article/view/18462
work_keys_str_mv AT samboladexonmckensy machinelearningbasedmodelforestimatingmortalityriskinpatientswithtraumaticbraininjuryethelkandlerhospital
AT kellykandlerkerrykenton machinelearningbasedmodelforestimatingmortalityriskinpatientswithtraumaticbraininjuryethelkandlerhospital
AT ordonezcuthbertdeyvonkestner machinelearningbasedmodelforestimatingmortalityriskinpatientswithtraumaticbraininjuryethelkandlerhospital
AT kerrtaylorjacquelinegeorgina machinelearningbasedmodelforestimatingmortalityriskinpatientswithtraumaticbraininjuryethelkandlerhospital
AT samboladexonmckensy modelobasadoenaprendizajeautomaticodeestimacionderiesgodemortalidadenpacientescontraumacraneoencefalicohospitalethelkandler
AT kellykandlerkerrykenton modelobasadoenaprendizajeautomaticodeestimacionderiesgodemortalidadenpacientescontraumacraneoencefalicohospitalethelkandler
AT ordonezcuthbertdeyvonkestner modelobasadoenaprendizajeautomaticodeestimacionderiesgodemortalidadenpacientescontraumacraneoencefalicohospitalethelkandler
AT kerrtaylorjacquelinegeorgina modelobasadoenaprendizajeautomaticodeestimacionderiesgodemortalidadenpacientescontraumacraneoencefalicohospitalethelkandler
_version_ 1822056308736524288

Ejemplares similares