dc.contributor | Nicolis, Orietta | |
dc.contributor | Facultad de Ingeniería | |
dc.creator | Rodríguez Segura, Mauricio | |
dc.date.accessioned | 2023-01-16T20:48:53Z | |
dc.date.accessioned | 2024-05-02T14:49:42Z | |
dc.date.available | 2023-01-16T20:48:53Z | |
dc.date.available | 2024-05-02T14:49:42Z | |
dc.date.created | 2023-01-16T20:48:53Z | |
dc.date.issued | 2020 | |
dc.identifier | https://repositorio.unab.cl/xmlui/handle/ria/36151 | |
dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/9258945 | |
dc.description.abstract | Las enfermedades cardiovasculares (ECV) son la principal causa de muerte en el mundo.
La detección temprana de ECV en relación con condiciones del sueño como la apnea y ˜
la actividad física han sido prometedoras y aun es un desafío encontrar nuevas formas de
prevenir su aparición. Este trabajo propone metodologías de reducción del número de variables ´
para determinar el riesgo de ECV, mediante métodos de extracción de variables óptimas, ´
con técnicas de pre-procesamiento de datos y evaluando su rendimiento para la clasificación´
predictiva con algoritmos de machine learning (ML) sobre el dataset del Sleep Heart Health
Study (SHHS). El pre-procesamiento incluyo el balanceo de datos mediante muestreo SMOTE ´
y la selección de variables óptimas para la predicción de ECV se obtuvo mediante la regresión´
logística con valor p mas bajo y el análisis de componentes principales, utilizando índices
médicos y datos de la prueba de polisomnografía. Los algoritmos de ML utilizados para
la experimentación fueron: Natıve Bayes (NB), Redes Neuronales Prealimentadas (NN),
Maquinas de Soporte Vectorial (SVM) y Bosque Aleatorio (RF). Los resultados obtenidos en ´
el modelo de NN mejoraron la precisión de estudios anteriores (0,81) y presentaron un AUC ´
competitivo (0,76). | |
dc.language | es | |
dc.publisher | Universidad Andrés Bello | |
dc.subject | Aprendizaje de Máquina | |
dc.subject | Algoritmos Computacionales | |
dc.subject | Enfermedades Cardiovasculares | |
dc.subject | Diagnóstico | |
dc.title | Métodos de selección de variables óptimas para la predicción de enfermedades cardiovasculares utilizando machine learning | |
dc.type | Tesis | |