Estrategia computacional para estimar la posibilidad de una persona tener diabetes a partir de datos de historiales médicos, utilizando algoritmos de machine learning

Camargo Ríos, José Alejandro; Oviedo Pérez, Luis Alfonso; Trujillo Carrillo, Lizeth Valentina

Publication:
Estrategia computacional para estimar la posibilidad de una persona tener diabetes a partir de datos de historiales médicos, utilizando algoritmos de machine learning

dc.contributor.advisor	Briñez de León, Juan Carlos
dc.contributor.author	Camargo Ríos, José Alejandro
dc.contributor.author	Oviedo Pérez, Luis Alfonso
dc.contributor.author	Trujillo Carrillo, Lizeth Valentina
dc.date.accessioned	2025-07-09T16:20:55Z
dc.date.available	2025-07-09T16:20:55Z
dc.date.issued	2025
dc.description.abstract	El presente trabajo de grado tiene como propósito desarrollar una estrategia computacional apoyada en algoritmos de Machine Learning, con el fin de estimar la posibilidad de que una persona tenga un diagnostico de diabetes, a partir del análisis de variables clínicas y antecedentes médicos. Para ello, se utilizará un conjunto de datos reales compuesto por 100.000 registros de historiales médicos, que incluyen información como la edad, género, presencia de hipertensión, problemas cardíacos, historial de tabaquismo, índice de masa corporal, niveles de hemoglobina glicosilada (HbA1c) y glucosa en sangre, así como el diagnóstico correspondiente. La metodología del estudio inicia con un análisis exploratorio de los datos mediante herramientas estadísticas y visuales, como tablas de frecuencia, diagramas de caja y bigotes, gráficos circulares y mapas de correlación. Esta etapa permitirá identificar tendencias, relaciones entre variables y posibles valores atípicos, con el objetivo de preparar adecuadamente los datos para su uso en modelos predictivos. Posteriormente, se implementarán diferentes modelos de clasificación, con el fin de comparar su precisión, sensibilidad y especificidad. El modelo o los modelos con mejor desempeño será seleccionado como base para el desarrollo de una herramienta computacional que permita ingresar nuevos datos individuales y obtener una predicción binaria: “diabético” o “no diabético”.
dc.description.degreelevel	Pregrado	spa
dc.description.degreename	Ingeniero(a) Industrial	spa
dc.format.extent	43 p.
dc.format.mimetype	application/pdf	spa
dc.identifier.uri	https://repositorio.uniremington.edu.co/handle/123456789/7573
dc.language.iso	spa	spa
dc.publisher	Corporación Universitaria Remington	spa
dc.publisher.faculty	Facultad de Ingenierías	spa
dc.publisher.place	Montería (Córdoba, Colombia)	spa
dc.publisher.program	Ingeniería Industrial	spa
dc.rights	Derechos Reservados - Corporación Universitaria Remington, 2025	spa
dc.rights.accessrights	info:eu-repo/semantics/openAccess	spa
dc.rights.coar	http://purl.org/coar/access_right/c_abf2	spa
dc.rights.license	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)	spa
dc.rights.uri	https://creativecommons.org/licenses/by-nc-nd/4.0/	spa
dc.subject	Machine learning	spa
dc.subject	Predicción de diabetes	spa
dc.subject	Análisis de datos médicos	spa
dc.subject	Regresión	spa
dc.subject	Detección	spa
dc.subject.lemb	Aprendizaje automático (Inteligencia artificial)
dc.subject.lemb	Diabetes mellitus
dc.subject.lemb	Diagnóstico
dc.title	Estrategia computacional para estimar la posibilidad de una persona tener diabetes a partir de datos de historiales médicos, utilizando algoritmos de machine learning	spa
dc.type	Trabajo de grado - Pregrado	spa
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f	spa
dc.type.coarversion	http://purl.org/coar/version/c_970fb48d4fbd8a85	spa
dc.type.content	Text	spa
dc.type.driver	info:eu-repo/semantics/bachelorThesis	spa
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado
dc.type.redcol	http://purl.org/redcol/resource_type/TP	spa
dc.type.version	info:eu-repo/semantics/publishedVersion	spa
dspace.entity.type	Publication	spa