Tema: Chat Bot Asistente de Análisis Clínicos

Integrantes:
- Cochachin Melgarejo, Manuel
- Huaman Sanchez, Fernando
- Rivera Bermuy, John Andy
- Vilcahuaman Canchanya, Gabriel Milmer

Resumen:

El acceso a información sobre el tiempo de entrega de resultados, el tipo de muestra requerida y la preparación preanalítica para exámenes médicos en un laboratorio clínico es de gran importancia para médicos, personal de atención en ventas y pacientes. En este estudio se tiene como objetivo desarrollar un chatbot asistente de análisis clínicos, entrenado con información proveniente de la página web pública del laboratorio.
Para ello, se emplean técnicas avanzadas de aprendizaje profundo, específicamente modelos Rag, Seq2Seq, Transformers y fine-tuning basado en Alpaca y Mistral. Se construyó un corpus de preguntas y respuestas correspondiente a 900 pruebas, que incluye 2,700 variables relacionadas con el tiempo de entrega de resultados, el tipo de muestra y la preparación del paciente (condición preanalítica), así como un corpus total aproximado de 160,000 registros.
Los resultados indican que el modelo basado en Transformers presenta el mejor desempeño según la métrica BLEU, alcanzando un valor de 0.4012, lo que evidencia su capacidad para generar respuestas con un alto grado de similitud respecto a las referencias esperadas. Este estudio proporciona herramientas valiosas para optimizar el acceso oportuno a la información sobre tiempos de respuesta, muestras requeridas y preparación del paciente en el contexto de laboratorios clínicos.

GITHUB: https://github.com/Gabriel-MIAUNI/Chat- ... Ciclo3-PLN

TEMA:
PREDICCIÓN DEL CUMPLIMIENTO DE SLA EN UN LABORATORIO CLÍNICO

ABSTRACT:
El control del cumplimiento del Tiempo de Servicio en un laboratorio Clínico es una actividad de gran importancia siendo de especial interés el tipo de atención de emergencia. La eficiencia en el cumplimiento del SLA está influenciada por variables internas del laboratorio clínico, así como del paciente. Este estudio tiene como objetivo desarrollar un modelo predictivo para evaluar el cumplimiento del SLA basándonos en variables internas de laboratorio clínico, así como del paciente. Utilizando técnicas avanzadas de aprendizaje supervisado, específicamente modelos de Random Forest, Gradient Boosting, Entropy Decision Tree, Redes Bayesianas, Redes de Soporte Vectorial y Neuronal Network, se analizan datos históricos recolectados entre octubre de 2024 y noviembre de 2024 en un ambiente controlado de laboratorio clínico. Los resultados indican que el modelo de Random Forest ofrece la mejor precisión predictiva, con un accuracy de 0.84, sugiriendo que captura eficazmente las relaciones complejas y no lineales en los datos. Este estudio proporciona herramientas valiosas para optimizar la gestión de cumplimiento del SLA del laboratorio clínico en el tipo de atención de Emergencia, mejorando la eficiencia y asegurando el tiempo de servicio establecido y así como evitar un diagnostico inoportuno de estado de salud del paciente.

INTEGRANTES:

• Barrera Ninamango, Marco Antonio

• Campos Cardenas, Jesus

• Huaman Sanchez, Fernando

• Vilcahuaman Canchanya, Gabriel Milmer