Mostrar el registro sencillo del ítem
| dc.creator | Cataldo Vivar, Bryan Nicolás | ||
| dc.creator | Allende Cid, Héctor | ||
| dc.creator | Alfaro Arancibia, Rodrigo | ||
| Fecha Tésis | dc.date | 2020 | |
| Fecha Ingreso | dc.date.accessioned | 2021-10-21T13:54:55Z | |
| Fecha Disponible | dc.date.available | 2021-10-21T13:54:55Z | |
| Fecha en Repositorio | dc.date.issued | 2021-10-21 | |
| Resumen | dc.description | La asignación automática de códigos de enfermedad es un problema complejo que se lleva abordando desde hace décadas. En particular la categorización de los códigos de la ICD (International Classification of Diseases), que corresponde a un compendio que considera enfermedades, síntomas, procedimientos o lesiones. Esta actividad se realiza a partir del análisis manual de casos clínicos o resúmenes de altas; y actualmente se ha extendido su uso para la facturación, administración o reembolso. Lo que lleva a costos asociados que se acercan a los $417 billones de dólares. En base a estos antecedentes, es que en esta investigación se plantea un modelo de Deep Learning que operará como Sistema de Recomendación, que tiene por objetivo facilitar esta tarea siendo una herramienta de apoyo para los profesionales de la salud. Para ello se plantean 5 modelos, considerando arquitecturas de Deep Learning, Redes Neuronales Recurrentes y mixtas; enfocados en NLP (Natural Language Processing), extrayendo características a través de un procedimiento de Word Embeddings. Los resultados se obtuvieron a partir de las top 10, 20, 50 y 100 enfermedades; obteniendo resultados de Average Precision de 80,45% para el top 10. Mientras que, como sistema de recomendación se logra alcanzar un 59,88% de Average Precision at 5 para el top 50 | |
| Resumen | dc.description | Informe Final de Proyecto | |
| Resumen | dc.description | La asignación automática de códigos de enfermedad es un problema complejo que se lleva abordando desde hace décadas. En particular la categorización de los códigos de la ICD (International Classification of Diseases), que corresponde a un compendio que considera enfermedades, síntomas, procedimientos o lesiones. Esta actividad se realiza a partir del análisis manual de casos clínicos o resúmenes de altas; y actualmente se ha extendido su uso para la facturación, administración o reembolso. Lo que lleva a costos asociados que se acercan a los $417 billones de dólares. En base a estos antecedentes, es que en esta investigación se plantea un modelo de Deep Learning que operará como Sistema de Recomendación, que tiene por objetivo facilitar esta tarea siendo una herramienta de apoyo para los profesionales de la salud. Para ello se plantean 5 modelos, considerando arquitecturas de Deep Learning, Redes Neuronales Recurrentes y mixtas; enfocados en NLP (Natural Language Processing), extrayendo características a través de un procedimiento de Word Embeddings. Los resultados se obtuvieron a partir de las top 10, 20, 50 y 100 enfermedades; obteniendo resultados de Average Precision de 80,45% para el top 10. Mientras que, como sistema de recomendación se logra alcanzar un 59,88% de Average Precision at 5 para el top 50 | |
| Lenguaje | dc.language | eng | |
| Editor | dc.publisher | Valparaíso, Chile Pontificia Universidad Católica de Valparaíso | |
| dc.source | https://drive.google.com/file/d/1P5tXnEKVK8alo9s2EJ4UQ79xWysJA1vG/view?usp=sharing | ||
| Materia | dc.subject | Natural Language Processing | |
| Materia | dc.subject | Asignación de Códigos de Enfermedades | |
| Materia | dc.subject | Sistemas de Recomendación | |
| Title | dc.title | Clasificación automática de casos clínicos mediante técnicas de Deep Learning | |
| Tipo | dc.type | software, multimedia |
| Archivos | Tamaño | Formato | Ver |
|---|---|---|---|
|
No hay archivos asociados a este ítem. |
|||