Resumen.
El objetivo principal fue la implementación de modelos supervisados de machine learning para poder clasificar y predecir los tipos de fallas que pueden tener un rodamiento (falla pista interna, pista externa, elemento rodante), también evaluación del mejor tratamiento de datos para optimizar resultados para muestreos de vibración en el tiempo, para ello se monitoreó vibraciones en 04 rodamientos iguales (Rexnord ZA-2115) sujetos a 6000lbs de fuerza a 2000 RPM de giro los cuales presenta un inicio normal y en el tiempo llega a la falla de cada tipo, con un equipo acelerómetros ICP de cuarzo de alta sensibilidad
PCB 353B33, con 20Khz de muestreo.
Integrantes:
Johan Callomamani
Cesar Vicuña
Adolfo Ramon
Paul Cusi
Jairo Pinedo
GRUPO 06 SECCIÓN A
Se encontraron 3 coincidencias
- 15 Ago 2024, 11:45
- Foros: Proyectos en Inteligencia Artificial
- Tema: Diagnóstico de falla de rodamientos con Machine Learning
- Respuestas: 0
- Vistas: 15509
- 26 Jul 2024, 19:19
- Foros: Proyectos en Inteligencia Artificial
- Tema: Modelo clasificación supervisado para predecir si un paciente hospitalizado por covid19 requiere UCI
- Respuestas: 0
- Vistas: 509
Modelo clasificación supervisado para predecir si un paciente hospitalizado por covid19 requiere UCI
Titulo: Modelo clasificación supervisado para predecir si un paciente hospitalizado por covid19 requiere UCI
Alumnos:
Cesar Vicuña H.
Johan Callomamani B.
Adolfo Ramon P.
Paul Cusi H.
Jairo Pinedo T.
Sección: A
Resumen.
Un modelo de clasificación para determinar si un paciente requiere ingreso en la Unidad de Cuidados Intensivos (UCI) se basa en datos clínicos recopilados durante la hospitalización. Utiliza variables como edad, sexo, resultados de pruebas de laboratorio, datos demográficos. El modelo clasifica a los pacientes en categorías como "paciente va a ingresar a UCI" o " paciente no va a ingresar a UCI", proporcionando una herramienta para que los médicos tomen decisiones rápidas y basadas en evidencia. La precisión del modelo puede mejorar con datos actualizados y ajustes continuos, optimizando la asignación de recursos y la atención del paciente.
Abstract
Modelos de clasificación han emergido como herramientas fundamentales en la lucha contra COVID-19, facilitando la toma de decisiones clínicas y la gestión de recursos. Estos modelos, que utilizan algoritmos de aprendizaje automático y estadísticas avanzadas, procesan datos de pacientes como síntomas, resultados de pruebas y factores demográficos para predecir el riesgo de infección, gravedad de la enfermedad y necesidad de hospitalización. La capacidad de estos modelos para clasificar a los pacientes en categorías como "alto riesgo" o "bajo riesgo" permite a los profesionales de la salud priorizar tratamientos y recursos de manera más eficiente. Además, estos modelos han demostrado ser valiosos en la predicción de brotes y en la evaluación de la efectividad de intervenciones. Sin embargo, su rendimiento depende de la calidad de los datos y la constante actualización de los algoritmos, lo que resalta la necesidad de una vigilancia continua y de investigaciones adicionales para mejorar su precisión y aplicabilidad en la gestión de la pandemia.
Dataset: https://www.datosabiertos.gob.pe/datase ... r-covid-19
Alumnos:
Cesar Vicuña H.
Johan Callomamani B.
Adolfo Ramon P.
Paul Cusi H.
Jairo Pinedo T.
Sección: A
Resumen.
Un modelo de clasificación para determinar si un paciente requiere ingreso en la Unidad de Cuidados Intensivos (UCI) se basa en datos clínicos recopilados durante la hospitalización. Utiliza variables como edad, sexo, resultados de pruebas de laboratorio, datos demográficos. El modelo clasifica a los pacientes en categorías como "paciente va a ingresar a UCI" o " paciente no va a ingresar a UCI", proporcionando una herramienta para que los médicos tomen decisiones rápidas y basadas en evidencia. La precisión del modelo puede mejorar con datos actualizados y ajustes continuos, optimizando la asignación de recursos y la atención del paciente.
Abstract
Modelos de clasificación han emergido como herramientas fundamentales en la lucha contra COVID-19, facilitando la toma de decisiones clínicas y la gestión de recursos. Estos modelos, que utilizan algoritmos de aprendizaje automático y estadísticas avanzadas, procesan datos de pacientes como síntomas, resultados de pruebas y factores demográficos para predecir el riesgo de infección, gravedad de la enfermedad y necesidad de hospitalización. La capacidad de estos modelos para clasificar a los pacientes en categorías como "alto riesgo" o "bajo riesgo" permite a los profesionales de la salud priorizar tratamientos y recursos de manera más eficiente. Además, estos modelos han demostrado ser valiosos en la predicción de brotes y en la evaluación de la efectividad de intervenciones. Sin embargo, su rendimiento depende de la calidad de los datos y la constante actualización de los algoritmos, lo que resalta la necesidad de una vigilancia continua y de investigaciones adicionales para mejorar su precisión y aplicabilidad en la gestión de la pandemia.
Dataset: https://www.datosabiertos.gob.pe/datase ... r-covid-19
- 26 Jul 2024, 00:44
- Foros: Inteligencia Artificial
- Tema: Nombre del articulo: Modelo clasificación supervisado para predecir si un paciente hospitalizado por covid-19 necesita U
- Respuestas: 0
- Vistas: 5860
Nombre del articulo: Modelo clasificación supervisado para predecir si un paciente hospitalizado por covid-19 necesita U
Nombre del articulo: Modelo clasificación supervisado para predecir si un paciente hospitalizado por covid-19 necesita UCI
Miembros del equipo:
Cesar Vicuña H.,
Johan Callomamani B.
Adolfo Ramon P.
Paul Cusi H.
Jairo Pinedo T.
Sección: A Grupo 06
Resumen:
El trabajo presenta un modelo de clasificación supervisado para predecir si un paciente hospitalizado por COVID-19 requiere ingreso en la Unidad de Cuidados Intensivos (UCI). Utilizando datos clínicos como edad, sexo, resultados de pruebas de laboratorio y otros factores demográficos, el modelo clasifica a los pacientes en "paciente va a ingresar a UCI" o "paciente no va a ingresar a UCI". Esta herramienta proporciona a los médicos información basada en evidencia para tomar decisiones rápidas y mejorar la asignación de recursos y la atención del paciente.
Desde el inicio de la pandemia de COVID-19, Perú ha enfrentado desafíos significativos, reflejados en altos números de fallecidos, hospitalizados y vacunados. La falta de camas en las UCI ha sido crítica, exacerbada por la limitada infraestructura hospitalaria, la escasez de equipos médicos especializados y la falta de personal capacitado. Esta situación ha llevado a dilemas éticos y dificultades en la atención adecuada y oportuna de los pacientes, aumentando la mortalidad y prolongando la recuperación.
Para abordar esta problemática, el trabajo propone un modelo de clasificación utilizando diferentes algoritmos de aprendizaje automático: árboles de decisión, regresión logística, random forest y XGBoost. Los datos utilizados provienen del portal de Datos Abiertos del Gobierno de Perú, incluyendo información detallada sobre personas fallecidas, hospitalizadas y vacunadas por COVID-19 en 2021. Las variables categóricas incluyen género, estado de fallecimiento, resultados de pruebas, estado de hospitalización y vacunación, mientras que las variables numéricas comprenden edad y fechas de hospitalización y UCI.
El tratamiento de datos incluyó la transformación de fechas en variables numéricas y la separación en dataframes numéricos y categóricos. Se analizaron y limpiaron los datos, eliminando valores atípicos y generando una matriz de correlación para las variables numéricas. Para las variables categóricas, se crearon variables dummies para su procesamiento.
El desempeño de los modelos se evaluó utilizando matrices de confusión, Cada modelo tiene sus ventajas y desventajas:
Árboles de decisión: Intuitivo y fácil de interpretar, pero puede ser limitado para manejar interacciones complejas entre variables.Regresión logística: Eficaz para clasificación binaria y proporciona probabilidades claras, aunque puede no capturar relaciones no lineales adecuadamente.Random forest: Combina múltiples árboles de decisión, mejorando precisión y robustez, pero puede ser más difícil de interpretar.XGBoost: Algoritmo potente de boosting, altamente eficiente y capaz de manejar grandes volúmenes de datos, aunque su complejidad puede dificultar la interpretación.Conclusiones destacan que la implementación de estos modelos puede optimizar la gestión de recursos hospitalarios, y su éxito depende de un flujo continuo de datos actualizados y la colaboración entre expertos en salud y en ciencia de datos. Se recomiendan futuras investigaciones para aumentar la cantidad de datos y variables, y considerar otros modelos para comparar resultados.
dataset: https://www.datosabiertos.gob.pe/datase ... r-covid-19
Miembros del equipo:
Cesar Vicuña H.,
Johan Callomamani B.
Adolfo Ramon P.
Paul Cusi H.
Jairo Pinedo T.
Sección: A Grupo 06
Resumen:
El trabajo presenta un modelo de clasificación supervisado para predecir si un paciente hospitalizado por COVID-19 requiere ingreso en la Unidad de Cuidados Intensivos (UCI). Utilizando datos clínicos como edad, sexo, resultados de pruebas de laboratorio y otros factores demográficos, el modelo clasifica a los pacientes en "paciente va a ingresar a UCI" o "paciente no va a ingresar a UCI". Esta herramienta proporciona a los médicos información basada en evidencia para tomar decisiones rápidas y mejorar la asignación de recursos y la atención del paciente.
Desde el inicio de la pandemia de COVID-19, Perú ha enfrentado desafíos significativos, reflejados en altos números de fallecidos, hospitalizados y vacunados. La falta de camas en las UCI ha sido crítica, exacerbada por la limitada infraestructura hospitalaria, la escasez de equipos médicos especializados y la falta de personal capacitado. Esta situación ha llevado a dilemas éticos y dificultades en la atención adecuada y oportuna de los pacientes, aumentando la mortalidad y prolongando la recuperación.
Para abordar esta problemática, el trabajo propone un modelo de clasificación utilizando diferentes algoritmos de aprendizaje automático: árboles de decisión, regresión logística, random forest y XGBoost. Los datos utilizados provienen del portal de Datos Abiertos del Gobierno de Perú, incluyendo información detallada sobre personas fallecidas, hospitalizadas y vacunadas por COVID-19 en 2021. Las variables categóricas incluyen género, estado de fallecimiento, resultados de pruebas, estado de hospitalización y vacunación, mientras que las variables numéricas comprenden edad y fechas de hospitalización y UCI.
El tratamiento de datos incluyó la transformación de fechas en variables numéricas y la separación en dataframes numéricos y categóricos. Se analizaron y limpiaron los datos, eliminando valores atípicos y generando una matriz de correlación para las variables numéricas. Para las variables categóricas, se crearon variables dummies para su procesamiento.
El desempeño de los modelos se evaluó utilizando matrices de confusión, Cada modelo tiene sus ventajas y desventajas:
Árboles de decisión: Intuitivo y fácil de interpretar, pero puede ser limitado para manejar interacciones complejas entre variables.Regresión logística: Eficaz para clasificación binaria y proporciona probabilidades claras, aunque puede no capturar relaciones no lineales adecuadamente.Random forest: Combina múltiples árboles de decisión, mejorando precisión y robustez, pero puede ser más difícil de interpretar.XGBoost: Algoritmo potente de boosting, altamente eficiente y capaz de manejar grandes volúmenes de datos, aunque su complejidad puede dificultar la interpretación.Conclusiones destacan que la implementación de estos modelos puede optimizar la gestión de recursos hospitalarios, y su éxito depende de un flujo continuo de datos actualizados y la colaboración entre expertos en salud y en ciencia de datos. Se recomiendan futuras investigaciones para aumentar la cantidad de datos y variables, y considerar otros modelos para comparar resultados.
dataset: https://www.datosabiertos.gob.pe/datase ... r-covid-19