MAD-VitalS: solución de inteligencia artificial para el monitoreo y detección de anomalías en signos vitales de pacientes en UCIP en tiempo real

dc.contributorVillamil Giraldo, María Del Pilar
dc.contributorIzquierdo Borrero, Ledys Maria
dc.contributorNúñez Castro, Haydemar María
dc.creatorVargas Jiménez, Guido Enrique
dc.date.accessioned2023-07-25T14:36:47Z
dc.date.accessioned2023-09-07T00:14:10Z
dc.date.available2023-07-25T14:36:47Z
dc.date.available2023-09-07T00:14:10Z
dc.date.created2023-07-25T14:36:47Z
dc.date.issued2023-06-28
dc.identifierhttp://hdl.handle.net/1992/68734
dc.identifierinstname:Universidad de los Andes
dc.identifierreponame:Repositorio Institucional Séneca
dc.identifierrepourl:https://repositorio.uniandes.edu.co/
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/8727212
dc.description.abstractEste documento presenta una investigación realizada para la tesis de maestría en Ingeniería de la Información (MINE) en la Universidad de Los Andes, enfocada en diseñar una solución de inteligencia artificial, MAD-VitalS, para el monitoreo y detección de anomalías en unidades de cuidados intensivos pediátricos (UCIP) utilizando técnicas de aprendizaje automático no supervisado aplicadas a las señales vitales. El estudio pretende generar alarmas para el personal médico en base a las anomalías detectadas como herramienta auxiliar para mejorar su trabajo. La detección de anomalías se ha estudiado ampliamente en varios campos, y sus beneficios potenciales en el cuidado de la salud son significativos, incluida la ayuda en el diagnóstico médico, la prevención de condiciones críticas de los pacientes y la posibilidad de salvar vidas. El modelo alcanza una detección superior al 50% y detecta predominantemente anomalías contextuales, referidas a la evolución de los pacientes en la UCIP, que son evaluadas mediante la monitorización de signos vitales como frecuencia cardiaca, frecuencia respiratoria, presión arterial sistólica y diastólica, saturación de oxígeno, índice de perfusión y temperatura. Se utilizó una metodología ágil con enfoque de ciencia de datos para proponer una solución de inteligencia artificial que permita mejoras incrementales sobre la generación de alarmas confiables y médicamente relevantes para la evolución de los pacientes en una UCIP. En conclusión, esta investigación contribuye al campo de la detección de anomalías en el cuidado de la salud y tiene el potencial de mejorar la atención al paciente y los resultados en las UCIP. En colaboración con el Laboratorio de Investigación de Sistemas Inteligentes (LISI) y el Hospital Militar Central de Bogotá, Colombia, el estudio destaca la importancia de comprender las prácticas de manejo de pacientes, implementar técnicas de detección de anomalías en línea, adoptar metodologías ágiles y generar alarmas confiables para alertar al personal médico. El trabajo futuro en esta área es prometedor para avanzar en la detección y prevención de condiciones críticas en las UCIP.
dc.languagespa
dc.publisherUniversidad de los Andes
dc.publisherMaestría en Ingeniería de Información
dc.publisherFacultad de Ingeniería
dc.publisherDepartamento de Ingeniería Sistemas y Computación
dc.relationTayeh T, Aburakhia S, Myers R, Shami A. An Attention-Based ConvLSTM Autoencoder with Dynamic Thresholding for Unsupervised Anomaly Detection in Multivariate Time Series. Machine Learning and Knowledge Extraction. 2022; 4(2):350-370. https://doi.org/10.3390/make4020015
dc.relationP. Qi, D. Li and S. -K. Ng, "MAD-SGCN: Multivariate Anomaly Detection with Self-learning Graph Convolutional Networks," 2022 IEEE 38th International Conference on Data Engineering (ICDE), Kuala Lumpur, Malaysia, 2022, pp. 1232-1244, doi: 10.1109/ICDE53745.2022.00097
dc.relationM. Adkisson, J. C. Kimmell, M. Gupta and M. Abdelsalam, "Autoencoder-based Anomaly Detection in Smart Farming Ecosystem," 2021 IEEE International Conference on Big Data (Big Data), Orlando, FL, USA, 2021, pp. 3390-3399, doi: 10.1109/BigData52589.2021.9671613.
dc.relationShumba A-T, Montanaro T, Sergi I, Fachechi L, De Vittorio M, Patrono L. Leveraging IoT-Aware Technologies and AI Techniques for Real-Time Critical Healthcare Applications. Sensors. 2022; 22(19):7675. https://doi.org/10.3390/s22197675
dc.relationMichau, G., Frusque, G., and Fink, O., "Fully learnable deep wavelet transform for unsupervised monitoring of high-frequency time series", <i>Proceedings of the National Academy of Science</i>, vol. 119, no. 8, 2022. doi:10.1073/pnas.2106598119.
dc.relationLi, D., Chen, D., Shi, L., Jin, B., Goh, J., & Ng, S. (2019). MAD-GAN: Multivariate Anomaly Detection for Time Series Data with Generative Adversarial Networks. International Conference on Artificial Neural Networks.
dc.relationOprea S-V, Bâra A, Puican FC, Radu IC. Anomaly Detection with Machine Learning Algorithms and Big Data in Electricity Consumption. Sustainability. 2021; 13(19):10963. https://doi.org/10.3390/su131910963
dc.relationW. Wu et al., "Developing an Unsupervised Real-Time Anomaly Detection Scheme for Time Series With Multi-Seasonality," in IEEE Transactions on Knowledge and Data Engineering, vol. 34, no. 9, pp. 4147-4160, 1 Sept. 2022, doi: 10.1109/TKDE.2020.3035685.
dc.relationRewicki F, Denzler J, Niebling J. Is It Worth It? Comparing Six Deep and Classical Methods for Unsupervised Anomaly Detection in Time Series. Applied Sciences. 2023; 13(3):1778. https://doi.org/10.3390/app13031778
dc.relationP. Zhao, X. Chang and M. Wang, "A Novel Multivariate Time-Series Anomaly Detection Approach Using an Unsupervised Deep Neural Network," in IEEE Access, vol. 9, pp. 109025-109041, 2021, doi: 10.1109/ACCESS.2021.3101844.
dc.relationMunir M, Siddiqui SA, Chattha MA, Dengel A, Ahmed S. FuseAD: Unsupervised Anomaly Detection in Streaming Sensors Data by Fusing Statistical and Deep Learning Models. Sensors. 2019; 19(11):2451. https://doi.org/10.3390/s19112451
dc.relationArsalan S., Gary W., Jaroslaw D. SLMAD: Statistical Learning-Based Metric Anomaly Detection. In Service-Oriented Computing ICSOC 2020 Workshops: AIOps, CFTIC, STRAPS, AI-PA, AI-IOTS, and Satellite Events, Dubai, United Arab Emirates, December 14-17, 2020, Springer-Verlag, Berlin, Heidelberg, 252-263. https://doi.org/10.1007/978-3-030-76352-7_26
dc.relationBäßler, D., Kortus, T. & Gühring, G. Unsupervised anomaly detection in multivariate time series with online evolving spiking neural networks. Mach Learn 111, 1377-1408 (2022). https://doi.org/10.1007/s10994-022-06129-4
dc.relationYueyue Y., Jianghong M., Yunming Y., KfreqGAN: Unsupervised detection of sequence anomaly with adversarial learning and frequency domain information, Knowledge-Based Systems, Volume 236, 2022, 107757, ISSN 0950-7051, https://doi.org/10.1016/j.knosys.2021.107757.
dc.relationPengcheng F., Jingqiu G., Yibing W., A hybrid deep learning approach for driver anomalous lane changing identification,Accident Analysis & Prevention, Volume 171, 2022, 106661, ISSN 0001-4575, https://doi.org/10.1016/j.aap.2022.106661.
dc.relationBäßler, D., Kortus, T. & Gühring, G. Unsupervised anomaly detection in multivariate time series with online evolving spiking neural networks. Mach Learn 111, 1377-1408 (2022). https://doi.org/10.1007/s10994-022-06129-4.
dc.relationBelay MA, Blakseth SS, Rasheed A, Salvo Rossi P. Unsupervised Anomaly Detection for IoT-Based Multivariate Time Series: Existing Solutions, Performance Analysis and Future Directions. Sensors. 2023; 23(5):2844. https://doi.org/10.3390/s23052844
dc.relationM. Weldezgina Asres et al., "Unsupervised Deep Variational Model for Multivariate Sensor Anomaly Detection," 2021 IEEE International Conference on Progress in Informatics and Computing (PIC), Shanghai, China, 2021, pp. 364-371, doi: 10.1109/PIC53636.2021.9687034.
dc.relationT. Sakuma and H. Matsutani, "An Area-Efficient Implementation of Recurrent Neural Network Core for Unsupervised Anomaly Detection," 2020 IEEE Symposium in Low-Power and High-Speed Chips (COOL CHIPS), Kokubunji, Japan, 2020, pp. 1-3, doi: 10.1109/COOLCHIPS49199.2020.9097631.
dc.relationBonte, Pieter & Hautte, Sander & Lejon, Annelies & Ledoux, Veerle & De Turck, Filip & Hoecke, Sofie & Ongenae, Femke. (2020). Unsupervised Anomaly Detection for Communication Networks: An Autoencoder Approach. 10.1007/978-3-030-66770-2_12
dc.relationS. Nedelkoski, J. Cardoso and O. Kao, "Anomaly Detection and Classification using Distributed Tracing and Deep Learning," 2019 19th IEEE/ACM International Symposium on Cluster, Cloud and Grid Computing (CCGRID), Larnaca, Cyprus, 2019, pp. 241-250, doi: 10.1109/CCGRID.2019.00038.
dc.relationM. Munir, S. A. Siddiqui, A. Dengel and S. Ahmed, "DeepAnT: A Deep Learning Approach for Unsupervised Anomaly Detection in Time Series," in IEEE Access, vol. 7, pp. 1991-2005, 2019, doi: 10.1109/ACCESS.2018.2886457.
dc.relationR. -J. Hsieh, J. Chou and C. -H. Ho, "Unsupervised Online Anomaly Detection on Multivariate Sensing Time Series Data for Smart Manufacturing," 2019 IEEE 12th Conference on Service-Oriented Computing and Applications (SOCA), Kaohsiung, Taiwan, 2019, pp. 90-97, doi: 10.1109/SOCA.2019.00021.
dc.relationSubutai A., Alexander L., Scott P., Zuha A., Unsupervised real-time anomaly detection for streaming data, Neurocomputing, Volume 262, 2018, Pages 134-147, ISSN 0925-2312, https://doi.org/10.1016/j.neucom.2017.04.070.
dc.relationTakano, M., Iwashita, Y., Nagumo, K. et al. Optimization of facial skin temperature-based anomaly detection model considering diurnal variation. Artif Life Robotics 28, 394-402 (2023). https://doi.org/10.1007/s10015-023-00853-3.
dc.relationArpaia P, Crauso F, De Benedetto E, Duraccio L, Improta G, Serino F. Soft Transducer for Patient's Vitals Telemonitoring with Deep Learning-Based Personalized Anomaly Detection. Sensors. 2022; 22(2):536. https://doi.org/10.3390/s22020536.
dc.relationIzquierdo Borrero, L. 2021. Modelamiento del espacio de signos vitales para detectar el deterioro de los pacientes en una unidad de cuidados intensivos. Universidad Nacional de Colombia.
dc.relationMéndez Orjuela, L. 2022. ADVISE-BD:Modelo de detección de anomalías clínicas usando datos de los signos vitales de pacientes de UCIP de una cohorte del Hospital Militar Central de Colombia, mediante el uso de técnicas de aprendizaje automático. Universidad de los Andes, Bogotá, Colombia.
dc.relationNiu D, Yang L, Cai T, Li L, Wu X, Wang Z. A New Hierarchical Temporal Memory Algorithm Based on Activation Intensity. Comput Intell Neurosci. 2022 Jan 24;2022:6072316. doi: 10.1155/2022/6072316. PMID: 35111211; PMCID: PMC8803450.
dc.relationRicardo A, Samsom MD, Stephen M et al. Pediatric Advanced Life Support Study Guide, American Heart Association. Texas 75149. Jones & Bartlett Learning, 2018. ISBN:978-1-669-623-8.
dc.rightsAtribución-NoComercial-CompartirIgual 4.0 Internacional
dc.rightsAtribución-NoComercial-CompartirIgual 4.0 Internacional
dc.rightshttp://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightshttp://purl.org/coar/access_right/c_abf2
dc.titleMAD-VitalS: solución de inteligencia artificial para el monitoreo y detección de anomalías en signos vitales de pacientes en UCIP en tiempo real
dc.typeTrabajo de grado - Maestría


Este ítem pertenece a la siguiente institución