Vitela :: Browsing by Author "Ortega Lenis, Delia"

Browsing by Author "Ortega Lenis, Delia"

Now showing 1 - 7 of 7

“Aplicación de Modelos Machine Learning para predecir el riesgo de pérdida de seguimiento en tuberculosis”
(Pontificia Universidad Javariana Cali, 2025) Rodríguez Camargo, Rubén Darío ; Guerrero Barreto, Diana Azucena; Ortega Lenis, Delia
La tuberculosis (TB) es una enfermedad que afecta a un gran número de personas en todo el mundo, es curable y prevenible; razones que han llevado a la Organización Mundial de la Salud (OMS) a priorizar la enfermedad a nivel de salud pública. No obstante, las pérdidas en el seguimiento amenazan el éxito de los programas de control, dado por aumentos en las tasas de mortalidad y se constituyen como un factor desencadenante en la aparición de formas farmacorresistentes. Se han descrito diferentes determinantes en salud (DSS) que influyen en la pérdida de seguimiento, siendo los principales: sexo hombre, tener un bajo nivel educativo, bajos ingresos económicos, pertenecer a un grupo poblacional vulnerable, presentar alguna comorbilidad, tener barreras de acceso al sistema de salud, antecedente de tratamiento previo, baja tolerancia a efectos secundarios al tratamiento y afectaciones en salud mental. El distrito capital no es ajeno a esta situación y se ha visto que el éxito programático no alcanza la meta del 90 % en los últimos años. Dentro de los factores que afectan el cumplimiento se encuentran los pacientes fallecidos y con pérdida de seguimiento cuya prevalencia para el distrito en los últimos 7 años corresponde al 7.3 %. Los avances en inteligencia artificial (IA) han permitido comprender mejor el fenómeno de pérdida de seguimiento en otros países con alta carga de la enfermedad, los cuales han servido como base para la reformulación de políticas públicas por parte de las autoridades sanitarias, que han permitido mejorar la adherencia terapéutica de los pacientes. En este sentido, el objetivo del presente proyecto consistió en desarrollar un modelo de Machine Learning que permita predecir el riesgo de pérdida de seguimiento en pacientes pertenecientes al programa de TB en el distrito capital, a partir de los determinantes sociales en salud contenidos en el sistema de información. Para ello se desarrollaron cuatro tipos de algoritmos de aprendizaje automático supervisado con diferentes técnicas de remuestreo para balancear las clases y se aplicaron diferentes técnicas para seleccionar variables predictoras incidentes en la pérdida de seguimiento. Como resultado se obtuvo un modelo de XGBoost con buen desempeño en las métricas sensibilidad, exactitud y AUC; con el cual se puede brindar un apoyo al personal de salud que hace parte de los programas locales de tuberculosis y del distrito para identificar de forma temprana a este tipo de pacientes.
Modelo de aprendizaje automático para la predicción de la mortalidad asociada al bajo peso al nacer a término, en menores de un año en el valle del cauca
(Pontificia Universidad Javeriana Cali, 2023) Torres Ricaurte, Carlos Andrés; Gutiérrez Rendón, Liz Mary; Ortega Lenis, Delia
La detección del peso al nacer es un indicador importante del estado de salud del recién nacido; según la Organización Mundial de la Salud (OMS), el bajo peso al nacer, que se ha establecido como menor a 2.500 gramos, es un problema de salud pública a nivel mundial que debe atenderse para evitar consecuencias fatales como la muerte. Colombia no es ajena a esta problemática, la prevalencia del bajo peso al nacer en 2018 fue de 7.22 y en el 2020 aumentó a 9.20. Es por esto, que este proyecto desarrolló un modelo de aprendizaje automático para la predicción del riesgo de mortalidad asociada al bajo peso al nacer a término, en menores de un año en el Valle del Cauca, que, mediante el uso de las técnicas de predicción y clasificación, permitió analizar las dinámicas del comportamiento del bajo peso al nacer a término y el riesgo de la mortalidad infantil de esta manera generar acciones de carácter preventivo que procuren su reducción en el territorio.
Modelo predictivo para la identificación de zonas de riesgo de dengue grave: un enfoque integral de condiciones sociodemográficas y calidad de servicios de salud
(Pontificia Universidad Javeriana Cali, 2024) Rueda González, Sergio Andrés; Ortega Lenis, Delia
El presente proyecto aplicado desarrolla un modelo predictivo para identificar zonas de riesgo de dengue grave en el municipio de Girón (Santander, Colombia), integrando variables epidemiológicas, climáticas, sociodemográficas y relacionadas con la calidad de los servicios de salud. El dengue grave constituye una amenaza creciente para la salud pública, y su manejo inadecuado en contextos de alta vulnerabilidad social aumenta la letalidad. La investigación partió de la recolección y unificación de múltiples fuentes de datos: reportes del sistema SIVIGILA (2018–2024), registros de visitas entomológicas (ETV) a 9.885 viviendas, y series de precipitaciones diarias del IDEAM mediante CHIRPS. Tras un riguroso proceso de limpieza, normalización y estandarización de nombres de barrios, se consolidó una matriz multifuente de predictores a nivel territorial. Entre las variables clave se incluyeron número de criaderos por vivienda, precipitaciones acumuladas, proporción de síntomas (fiebre, vómito, dolor abdominal), indicadores de riesgo clínico por manejo inadecuado, estrato socioeconómico, edad promedio y proporción de mujeres. El modelo objetivo se definió como la clasificación binaria de barrios en zonas de riesgo alto cuando se reportó al menos un caso de dengue grave. Se entrenaron modelos de regresión logística, Random Forest y XGBoost, aplicando estrategias para enfrentar el desbalance de clases (79,7% barrios sin riesgo vs. 20,3% con riesgo), como imputación diferenciada, escalamiento estandarizado, técnica SMOTE y ajuste de umbral a 0.4. Los resultados de la validación cruzada estratificada (k=5) evidenciaron desempeños óptimos. El modelo Random Forest alcanzó la mayor sensibilidad (0,95) y un AUC-ROC de 0,95, destacándose por minimizar falsos negativos, mientras que XGBoost logró el mejor F1-score promedio (0,86), mostrando un balance superior entre precisión y recall. La regresión logística, aunque menos precisa, aportó interpretabilidad estadística y validez metodológica. El análisis de importancia de variables reveló que los principales predictores fueron: número de viviendas con criaderos, indicadores de riesgo por conducta médica inadecuada, tipos de criaderos (floreros, tanques, llantas), síntomas clínicos y precipitaciones promedio en los siete días previos. Adicionalmente, la inclusión de indicadores de calidad de atención en salud (demora en la notificación, severidad clínica promedio y fuga asistencial) mejoró la capacidad explicativa del modelo, visibilizando debilidades institucionales que aumentan la vulnerabilidad territorial. La representación geoespacial en mapas tipo choropleth permitió identificar barrios críticos como Rincón de Girón, Villas de San Juan y Nuevo Girón, donde confluyen alta carga entomológica, reconsultas frecuentes y deficiencias en la atención clínica. Estas visualizaciones constituyen herramientas estratégicas para planificación territorial, priorización de recursos y focalización de intervenciones preventivas en escenarios de restricción presupuestal. En conclusión, el estudio confirma que el riesgo de dengue grave es producto de una interacción compleja entre determinantes ambientales, sociales e institucionales. El modelo predictivo propuesto constituye una herramienta innovadora para fortalecer la vigilancia epidemiológica activa y la gestión local en salud pública. Se recomienda su validación en otros municipios endémicos y la incorporación de datos en tiempo real para consolidarlo como un sistema escalable de alerta temprana frente al dengue y otras enfermedades transmitidas por vectores.
Percepciones médicas sobre la atención del final de la vida en pacientes oncológicos
(2021) Arroyo Castillo, Lucía Inés; Ortega Lenis, Delia; De Vries, Esther
Objetivo: Describir las percepciones médicas sobre la atención durante el final de la vida en pacientes oncológicos en hospitales de mediana y alta complejidad en Popayán y Bogotá. Métodos: Estudio de corte transversal realizado en los años 2019 y 2020 en tres hospitales de Colombia que consistió en aplicar a médicos un cuestionario adaptado y auto administrado que mide la percepción de la atención de fin de vida a partir de la identificación y el seguimiento de pacientes que se encontraban en fin de vida o próximos a ella, en el contexto de enfermedades oncológicas. Resultados: Se identificó el fallecimiento de 341 pacientes y se obtuvieron 261 respuestas de sus médicos tratantes con una tasa de respuesta del 76,7%. El 70% de los médicos considera que la muerte no fue consecuencia de intervenciones médicas y el 85% clasificó las estrategias terapéuticas como paliación sintomática. La prevalencia de tranquilidad con la atención médica brindada durante el proceso de fin de vida fue del 87%. El 48% y el 73% manifestó que no hablaron con los 2 familiares y pacientes respectivamente sobre la posibilidad de acelerar el final de la vida como resultado de las intervenciones o no intervenciones. Conclusiones: Existe interés médico por el fin de vida de los pacientes oncológicos y tranquilidad con la atención médica brindada. La baja comunicación con el paciente o sus familiares durante este periodo puede ser un área de gran mejoramiento.
Predicción de diabetes mellitus en el contexto colombiano a partir de patrones de consumo y compuestos moleculares mediante el uso de técnicas supervisadas de machine learning
(Pontificia Universidad Javeriana Cali, 2025) Suescun Holguín, Jeison Ferney; Ortega Lenis, Delia; Chaura Cortés, Juliana
Este proyecto se centra en el desarrollo de un modelo predictivo orientado a la identificación de individuos con diagnóstico de diabetes mellitus en Colombia, a partir de patrones de consumo alimentario y características relacionadas con la composición nutricional y molecular de los alimentos. Para ello, se utilizaron datos provenientes de la Encuesta Nacional de la Situación Nutricional (ENSIN), los cuales fueron sometidos a un riguroso proceso de limpieza, estandarización y transformación. Este incluyó la homogeneización de nombres de alimentos y la integración de nutrientes clave para el análisis. Con el fin de abordar el desbalance entre clases, una característica común en estudios epidemiológicos, se incorporaron técnicas avanzadas de sobremuestreo, como SMOTE y ADASYN, lo que permitió mejorar significativamente la capacidad del modelo para detectar casos positivos de diabetes. La tarea de clasificación fue abordada mediante un enfoque supervisado, en el que se implementaron y compararon algoritmos de aprendizaje automático como XGBoost, CatBoost, Random Forest y LightGBM. Estos modelos fueron combinados en un esquema de votación tipo ensemble, optimizado mediante validación cruzada y búsqueda de hiperparámetros. El modelo final alcanzó una capacidad predictiva destacada, logrando identificar correctamente hasta el 89.2 % de los casos con diagnóstico de diabetes, lo que respalda la utilidad del enfoque combinado de modelado y preprocesamiento aplicado. A nivel interpretativo, se emplearon técnicas de explicación de modelos para identificar variables dietarias con mayor influencia en la predicción. Entre los factores más relevantes se destacaron la vitamina B6, la proteína de origen animal, la fibra cruda y la vitamina A. Además, se evidenció una asociación inversa entre el consumo de frutas y el riesgo de diabetes, mientras que una mayor ingesta de dulces mostró una asociación positiva con dicho riesgo. Estos hallazgos coinciden con la literatura científica actual sobre los vínculos entre nutrición y enfermedades metabólicas. En conjunto, los resultados obtenidos proporcionan una base metodológica robusta para el desarrollo de sistemas predictivos aplicables a la vigilancia nutricional y al diseño de estrategias preventivas. No obstante, se reconoce que los modelos predictivos, por sí solos, no ofrecen conclusiones definitivas sobre causalidad. Por tanto, se plantea como línea futura la validación de estas asociaciones mediante estudios clínicos y aproximaciones longitudinales que permitan comprender con mayor precisión las dinámicas subyacentes entre dieta y diabetes en la población colombiana.
Predicción de la tasa de dengue a través de métodos de machine learning en el Valle del Cauca
(Pontificia Universidad Javariana Cali, 2024) Cifuentes Rodríguez, Víctor Hugo; Ibarra Calvache, María Alejandra; Díaz Barrios, Gregory David; Ortega Lenis, Delia
El dengue es una enfermedad viral transmitida por la picadura de un mosquito de la especie Aedes infectado, lo que tiene implicaciones directas en la salud pública en distintas poblaciones a nivel mundial. Esta enfermedad, ha tenido impacto negativo en el Valle del Cauca, reportando 8.074 casos y 23 muertes probables por dengue en el año 2021, según la Gobernación Departamental. No obstante, el proceso actual para el monitoreo de esta enfermedad tiene un alto nivel de manualidad, lo que prolonga los tiempos de respuesta y prevención efectiva. Estudios previos demostraron que la enfermedad está influenciada por condiciones climáticas y sociales, lo que ha permitido acercarse a modelos basados en estadística clásica para relacionar el riesgo de propagación del virus con estas variables, pero con limitaciones teórico-prácticas. El objetivo del proyecto aplicado es predecir la tasa de dengue de dengue en los 42 municipios del Valle del Cauca, utilizando Machine Learning. Los resultados muestran que el comportamiento de la enfermedad es diferencial en cuatro municipios del Departamento, incluyendo su capital, Cali.
Predicción del gasto de bolsillo en salud de los hogares en Colombia usando modelos de aprendizaje automático
(Pontificia Universidad Javariana Cali, 2024) Parada Portilla, Juan Sebastián; Ortega Lenis, Delia
Este trabajo desarrolla modelos de aprendizaje automático para predecir el gasto de bolsillo en salud de los hogares colombianos. Utilizando datos de la Encuesta de Calidad de Vida (ECV), se identificaron variables clave como la presencia de enfermedades crónicas en el hogar, el ingreso del hogar, el tamaño del hogar, el estado de salud y la afiliación al sistema de seguridad social. Inicialmente, se exploraron modelos de regresión, pero debido a la alta proporción de valores nulos (85\% de los hogares no reportan gasto en salud), su desempeño fue limitado. Para abordar este problema, se transformó la variable dependiente en una binaria y se aplicaron modelos de clasificación, incluyendo Random Forest, Gradient Boosting y regresión logística, optimizados con la técnica SMOTE para balancear las clases. Los resultados muestran que los modelos de clasificación superan a los de regresión, con Random Forest y Gradient Boosting logrando los mejores desempeños en términos de ROC AUC. Este estudio proporciona herramientas útiles para el diseño de políticas públicas basadas en evidencia, permitiendo identificar hogares con mayor riesgo de incurrir en altos gastos en salud y facilitando intervenciones para reducir el impacto financiero en las familias colombianas.

Browsing by Author "Ortega Lenis, Delia"

Results Per Page

Sort Options