Minería de datos de la salud: Sistema de votación de técnicas analíticas para identificar los factores que influyen en la realización de cirugías estéticas
DOI:
https://doi.org/10.33571/rpolitec.v13n25a3Palabras clave:
Minería de datos de la Salud, Analítica de Datos, Ciencia de DatosResumen
A nivel mundial, las cirugías estéticas se han convertido en procedimientos de constante realización que requieren, como paso indispensable, la asistencia a una cita de valoración, pero muchas de estas citas no culminan con un procedimiento quirúrgico. Para identificar los factores que influyen en la realización de cirugías estéticas, en este artículo se propone un modelo analítico basado en un sistema de votación de varias técnicas como análisis de correlaciones, análisis de componentes principales, árboles de decisión, regresión logística y reglas de asociación. El modelo analítico es validado con los datos provenientes de un consultorio quirúrgico de la ciudad de Medellín. Los resultados indican que los pacientes que se realizan una cirugía estética son aquellos que: 1) manifiestan desear una segunda cirugía; 2) la primera cirugía deseada es facial, aumento mamario, bichectomía, abdominoplastia, aumento de implantes y glúteos; 3) el índice de masa corporal es normal; 4) no tienen hábitos de cigarrillo; y 5) no tiene antecedentes familiares de diabetes.
Métricas de artículo
Resumen: 1209 HTML: 148 PDF: 735 XML: 30Métricas PlumX
Citas
Elliott A., Making the Cut: How Cosmetic Surgery is Transforming Our Lives, London, 2008
ASPS. Plastic Surgery Statistic. Disponible en:https://d2wirczt3b6wjm.cloudfront.net/News/Statistics/2016/2016-plastic-surgery-statistics-report.pdf [consultado el 25 de junio de 2017].
ISAPS. International Survey Aesthetic /Cosmetic Procedures Performed, 1-18, 2014
Satisfacción y Calidad Percibida en la Atención de Salud Hospitalaria: Ranking de Prestadoras – Informe Global. Chile, Superintendencia de Salud, 2013.
Kumari M, Sunila G. Comparative Study of Data Mining Classification Methods in Cardiovascular Disease Prediction, 2, 2011.
Reparaz, D., Merlino, H., Rancan, C., Rodriguez, D., Britos, P., & García Martínez, R., Determinanción de la Eficacia de la braquiterapia en tratamiento de cáncer basada en minería de datos. Universidad de Buenos Aires ,Facultad de Ingeniería, Buenos Aires, 2008.
Timarán, R., & Yépez, M. C., La minería de datos aplicada al descubrimiento de patrones de supervivencia en mujeres con cáncer invasivo de cuello uterino, Universidad y Salud 14(2); 117-129, 2012.
Jiménez, M. I., & Mateos, R., Perfiles de pacientes diabéticos que sufren reacciones adversas a medicamentos. Identificación y caracterización a través de minería de datos; An. Real Acad, Farm, 80(2), 274-321, 2013.
Franco, Á., M., Modelo para Análisis de Riesgo de la Diabetes Mellitus 2 usando Inteligencia de Negocios y Minería de Datos [Tesis de Maestría], Bogotá: Universidad Nacional de Colombia, 2014.
Rodríguez, F., & Vallejo, N. Aplicación de técnicas de Minería de Datos para el diagnóstico prematuro de Cáncer. Universidad. Madrid: Universidad Calos III, 2012.
Acosta, R., Rosete, A., & Rodríguez, A., Predicción de pacientes diabéticos. Preprocesado para Minería de Datos. Ciudad Universitaria José Antonio, La Habana: Ciudad Universitaria José Antonio Echeverría (CUJAE), Facultad de Ingeniería Informática, 2012.
Toscano de la Torre, B.A ,Ponce Gallegos, J.C, Margain Fuentes, M.L, López Espinosa, R, Meza de Luna, M.A, en Aplicación de Minería de Datos para la Identificación de Factores de Riesgo Asociados a la Muerte Fetal, CiComp, 215-224, 2016.
Moine J. Metodologías para el descubrimiento de conocimiento en bases de datos: un estudio comparativo [Tesis de Maestría]. Argentina: Universidad Nacional de la Plata, 2013.
Torres D. Diseño y aplicación de una metodología para análisis de noticias policiales utilizando minería de textos [Tesis de Pregado]. Chile: Universidad de Chike, 2013.
Corrales D, Ledesma A, Peña A, Hoyos J, Figueroa A, Corrales J. A new dataset for coffee rust detection in Colombian crops base on classifiers. Revista S&T, 9-23, 2014.
IBM, Manual CRISP- DEM de IBM SPSS Modeler, EEUU, 2012.
Hall M, Frank E, Holmes G, Pfahringer B, Reutemann, Witten IH. The WEKA Data Mining Software: An Update. SIGKDD Explorations, 10-18, 2009.