Universidad Complutense de Madrid
E-Prints Complutense

Predicción de resultados de ataque cerebrovascular mediante el análisis de series temporales fisiológicas

Impacto

Downloads

Downloads per month over past year



García Terriza, Luis (2018) Predicción de resultados de ataque cerebrovascular mediante el análisis de series temporales fisiológicas. [Trabajo Fin de Máster]

[img]
Preview
PDF
1MB


Abstract

En la actualidad, los ataques cerebrovasculares, también conocidos como ictus, son una de las principales causas de muerte en hombres y mujeres. El ictus tiene dos causas principales: ictus isquémico por obstrucción de un vaso sanguíneo, e ictus hemorrágico por la rotura de éstos.
En este Trabajo de Fin de Máster se utilizan técnicas conocidas de inteligencia artificial actuales como es el aprendizaje automático (Machine Learning) para realizar predicciones sobre pacientes que han sufrido un ataque cerebrovascular y poder tomar decisiones precozmente gracias a los modelos predictivos.
Los datos de los pacientes se obtienen de la Unidad de Ictus del Hospital Universitario de La Princesa, donde se monitoriza a los pacientes desde que ingresan hasta que son dados de alta o fallecen.
Se plantea la posibilidad de poder predecir distintas complicaciones o características por medio del procesamiento de los datos monitorizados de los pacientes como series temporales. Algunas de las predicciones planteadas son: si se va a producir un resangrado, el tipo de ataque cerebrovascular sufrido o predecir si el paciente va a sobrevivir al ataque cerebrovascular.
Además, también se tiene como objetivo encontrar los algoritmos de clasificación que mejor encajan en los problemas de predicción a tratar dadas las características del problema, por lo que se estudiará prácticamente cada tipo de algoritmo de aprendizaje supervisado viendo cómo se comporta tanto en resultados como en capacidad de cómputo.

Resumen (otros idiomas)

Nowadays, strokes are one of the main death reasons among men and women. A Stroke has two main causes: ischaemic stroke by blockage of blood vessel and hemorrhagic stroke by break of blood vessels. In this Master’s thesis some recognized technics from current artificial intelligence areas like machine learning have been used to perform predictions over patients that have suffered a stroke and be able to take precocious decisions thanks to predictive models. Patients’ data has been obtained from Stroke Unit of Hospital Universitario ‘La Princesa’ where patients are monitored from entering the hospital until they are discharged or they have passed away. Predict different complications or characteristics are some of the goals of this work by processing monitored data from the patients as temporal series. Some of the proposed predictions to be carried out are predict if the patient is going to have a rebleeding, predict the sort of stroke suffered and predict if the patient is going to survive the stroke. Furthermore, finding the best classifiers from supervised learning for these kind of predictions is another relevant goal. Each prediction may be different and each algorithm will be analyzed and studied in means of computing power and precision in order to see how well fits to the prediction problem.

Item Type:Trabajo Fin de Máster
Additional Information:

Máster en Ingeniería Informática, Facultad de Informática, Departamento de Arquitectura de Computadores y Automática, curso 2017-2018

Directors:
DirectorsDirector email
Risco Martín, José Luis
Ayala Rodrigo, José Luis
Uncontrolled Keywords:Aprendizaje automático, Ataque cerebrovascular, Ictus, Aprendizaje Supervisado, Inteligencia Artificial, Series temporales, Biomedicina
Palabras clave (otros idiomas):Machine Learning, Stroke attack, Ictus, Supervised learning, Artificial Intelligence, Temporal series, Biomedicine
Subjects:Sciences > Computer science > Artificial intelligence
Medical sciences > Medicine
Título del Máster:Máster en Ingeniería Informática
ID Code:46738
Deposited On:07 Mar 2018 14:17
Last Modified:07 Mar 2018 14:17

Origin of downloads

Repository Staff Only: item control page