Diseño y desarrollo de un sistema automático para la predicción del nivel de funcionalidad que pueden alcanzar pacientes con traumatismo craneoencefálico a partir de valoraciones funcionales y técnicas de machine learning

[ES] Los traumatismos craneoencefálicos (TBI, por sus siglas en inglés) es la principal causa de fallecimiento y pérdida de funcionalidad del espectro de enfermedades traumáticas, con 69 millones de casos anuales a nivel mundial. Uno de los principales tratamientos es la neurorrehabilitación para me...

ver descrição completa

Detalhes bibliográficos
Autor: Moreno Quintana, Vicente
Formato: tesis de maestría
Fecha de publicación:2020
País:España
Recursos:Universitat Politècnica de València (UPV)
Repositorio:RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia
Idioma:español
OAI Identifier:oai:riunet.upv.es:10251/152428
Acesso em linha:https://riunet.upv.es/handle/10251/152428
Access Level:acceso abierto
Palavra-chave:Predicción
Traumatismo cranoencefálico
Machine learning
TEORIA DE LA SEÑAL Y COMUNICACIONES
Máster Universitario en Ingeniería de Telecomunicación-Màster Universitari en Enginyeria de Telecomunicació
id ES_b3bc2f05a18a42fbccc145b3335da5d1
oai_identifier_str oai:riunet.upv.es:10251/152428
network_acronym_str ES
network_name_str España
repository_id_str
spelling Diseño y desarrollo de un sistema automático para la predicción del nivel de funcionalidad que pueden alcanzar pacientes con traumatismo craneoencefálico a partir de valoraciones funcionales y técnicas de machine learningMoreno Quintana, VicentePredicciónTraumatismo cranoencefálicoMachine learningTEORIA DE LA SEÑAL Y COMUNICACIONESMáster Universitario en Ingeniería de Telecomunicación-Màster Universitari en Enginyeria de Telecomunicació[ES] Los traumatismos craneoencefálicos (TBI, por sus siglas en inglés) es la principal causa de fallecimiento y pérdida de funcionalidad del espectro de enfermedades traumáticas, con 69 millones de casos anuales a nivel mundial. Uno de los principales tratamientos es la neurorrehabilitación para mejorar las capacidades funcionales perdidas en diversos dominios (motores, cognitivos, logopedia, independencia, etc.). Se realiza un seguimiento de los pacientes a lo largo del proceso por medio de valoraciones funcionales y escalas clínicas. Esta evolución presenta cierta heterogeneidad, con ciertos grupos de pacientes en los cuales no se observa una mejoría, lo cual supone un alto coste en cuanto a recursos y puede evidenciar la necesidad de variar el proceso de rehabilitación según el paciente. Por este motivo, el objetivo del presente TFM versa sobre el desarrollo de algoritmos de machine learning capaces de predecir el nivel de funcionalidad final que alcanzarán los pacientes con TBI en proceso de rehabilitación, tomando como entrada las variables obtenidas con las valoraciones funcionales a lo largo del tiempo. Para ello, se parte de una base de datos de alrededor de 500 pacientes del servicio de neurorehabilitación de Hospitales Nisa. Como primer paso, se realizará adecuación y filtrado la base de datos, y selección de aquellos parámetros más relevantes en la práctica clínica. A continuación, se tratará de entrenar un perceptrón multicapa para la predicción del FIM, Escala de Dependencia Funcional. Además, se quiere incorporar el uso de técnicas Long-Short-Time-Memory para realizar la predicción teniendo en cuenta la evolución del paciente. Finalmente, se tratará de optimizar el modelo para minimizar el número de valoraciones funcionales distintas necesarias para realizar una predicción precisa.Universitat Politècnica de ValènciaNaranjo Ornedo, ValerianaSilva Rodríguez, Julio JoséEscuela Técnica Superior de Ingeniería de TelecomunicaciónDepartamento de ComunicacionesInstituto Universitario de Investigación en Tecnología Centrada en el Ser HumanoRepositorio Institucional de la Universitat Politècnica de València Riunet20202020-10-1920202020-09-30master thesishttp://purl.org/coar/resource_type/c_bdccinfo:eu-repo/semantics/masterThesisapplication/pdfhttps://riunet.upv.es/handle/10251/152428reponame:RiuNet. Repositorio Institucional de la Universitat Politécnica de Valénciainstname:Universitat Politècnica de València (UPV)Españolspaopen accesshttp://purl.org/coar/access_right/c_abf2Reserva de todos los derechoshttp://rightsstatements.org/vocab/InC/1.0/info:eu-repo/semantics/openAccessoai:riunet.upv.es:10251/1524282026-06-13T07:49:27Z
dc.title.none.fl_str_mv Diseño y desarrollo de un sistema automático para la predicción del nivel de funcionalidad que pueden alcanzar pacientes con traumatismo craneoencefálico a partir de valoraciones funcionales y técnicas de machine learning
title Diseño y desarrollo de un sistema automático para la predicción del nivel de funcionalidad que pueden alcanzar pacientes con traumatismo craneoencefálico a partir de valoraciones funcionales y técnicas de machine learning
spellingShingle Diseño y desarrollo de un sistema automático para la predicción del nivel de funcionalidad que pueden alcanzar pacientes con traumatismo craneoencefálico a partir de valoraciones funcionales y técnicas de machine learning
Moreno Quintana, Vicente
Predicción
Traumatismo cranoencefálico
Machine learning
TEORIA DE LA SEÑAL Y COMUNICACIONES
Máster Universitario en Ingeniería de Telecomunicación-Màster Universitari en Enginyeria de Telecomunicació
title_short Diseño y desarrollo de un sistema automático para la predicción del nivel de funcionalidad que pueden alcanzar pacientes con traumatismo craneoencefálico a partir de valoraciones funcionales y técnicas de machine learning
title_full Diseño y desarrollo de un sistema automático para la predicción del nivel de funcionalidad que pueden alcanzar pacientes con traumatismo craneoencefálico a partir de valoraciones funcionales y técnicas de machine learning
title_fullStr Diseño y desarrollo de un sistema automático para la predicción del nivel de funcionalidad que pueden alcanzar pacientes con traumatismo craneoencefálico a partir de valoraciones funcionales y técnicas de machine learning
title_full_unstemmed Diseño y desarrollo de un sistema automático para la predicción del nivel de funcionalidad que pueden alcanzar pacientes con traumatismo craneoencefálico a partir de valoraciones funcionales y técnicas de machine learning
title_sort Diseño y desarrollo de un sistema automático para la predicción del nivel de funcionalidad que pueden alcanzar pacientes con traumatismo craneoencefálico a partir de valoraciones funcionales y técnicas de machine learning
dc.creator.none.fl_str_mv Moreno Quintana, Vicente
author Moreno Quintana, Vicente
author_facet Moreno Quintana, Vicente
author_role author
dc.contributor.none.fl_str_mv Naranjo Ornedo, Valeriana
Silva Rodríguez, Julio José
Escuela Técnica Superior de Ingeniería de Telecomunicación
Departamento de Comunicaciones
Instituto Universitario de Investigación en Tecnología Centrada en el Ser Humano
Repositorio Institucional de la Universitat Politècnica de València Riunet
dc.subject.none.fl_str_mv Predicción
Traumatismo cranoencefálico
Machine learning
TEORIA DE LA SEÑAL Y COMUNICACIONES
Máster Universitario en Ingeniería de Telecomunicación-Màster Universitari en Enginyeria de Telecomunicació
topic Predicción
Traumatismo cranoencefálico
Machine learning
TEORIA DE LA SEÑAL Y COMUNICACIONES
Máster Universitario en Ingeniería de Telecomunicación-Màster Universitari en Enginyeria de Telecomunicació
description [ES] Los traumatismos craneoencefálicos (TBI, por sus siglas en inglés) es la principal causa de fallecimiento y pérdida de funcionalidad del espectro de enfermedades traumáticas, con 69 millones de casos anuales a nivel mundial. Uno de los principales tratamientos es la neurorrehabilitación para mejorar las capacidades funcionales perdidas en diversos dominios (motores, cognitivos, logopedia, independencia, etc.). Se realiza un seguimiento de los pacientes a lo largo del proceso por medio de valoraciones funcionales y escalas clínicas. Esta evolución presenta cierta heterogeneidad, con ciertos grupos de pacientes en los cuales no se observa una mejoría, lo cual supone un alto coste en cuanto a recursos y puede evidenciar la necesidad de variar el proceso de rehabilitación según el paciente. Por este motivo, el objetivo del presente TFM versa sobre el desarrollo de algoritmos de machine learning capaces de predecir el nivel de funcionalidad final que alcanzarán los pacientes con TBI en proceso de rehabilitación, tomando como entrada las variables obtenidas con las valoraciones funcionales a lo largo del tiempo. Para ello, se parte de una base de datos de alrededor de 500 pacientes del servicio de neurorehabilitación de Hospitales Nisa. Como primer paso, se realizará adecuación y filtrado la base de datos, y selección de aquellos parámetros más relevantes en la práctica clínica. A continuación, se tratará de entrenar un perceptrón multicapa para la predicción del FIM, Escala de Dependencia Funcional. Además, se quiere incorporar el uso de técnicas Long-Short-Time-Memory para realizar la predicción teniendo en cuenta la evolución del paciente. Finalmente, se tratará de optimizar el modelo para minimizar el número de valoraciones funcionales distintas necesarias para realizar una predicción precisa.
publishDate 2020
dc.date.none.fl_str_mv 2020
2020-10-19
2020
2020-09-30
dc.type.none.fl_str_mv master thesis
http://purl.org/coar/resource_type/c_bdcc
dc.type.openaire.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv https://riunet.upv.es/handle/10251/152428
url https://riunet.upv.es/handle/10251/152428
dc.language.none.fl_str_mv Español
spa
language_invalid_str_mv Español
language spa
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
Reserva de todos los derechos
http://rightsstatements.org/vocab/InC/1.0/
dc.rights.openaire.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
Reserva de todos los derechos
http://rightsstatements.org/vocab/InC/1.0/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universitat Politècnica de València
publisher.none.fl_str_mv Universitat Politècnica de València
dc.source.none.fl_str_mv reponame:RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia
instname:Universitat Politècnica de València (UPV)
instname_str Universitat Politècnica de València (UPV)
reponame_str RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia
collection RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869417201528733696
score 15.228081

Registos relacionados