Browsing by Author "Pencue-Fierro, Edgar Leonairo"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Aplicación de procesamiento de lenguaje natural (PLN) para identificar riesgos operacionales en el sector salud
    (Pontificia Universidad Javeriana Cali, 2026) Mejía Delgado, Alejandro; Pencue-Fierro, Edgar Leonairo
    El presente proyecto aplicado, denominado “Aplicación de procesamiento de lenguaje natural (PLN) para identificar riesgos operacionales en el sector salud”, aborda el análisis de las PQRD reportadas ante la Superintendencia Nacional de Salud como fuente de información para identificar señales asociadas a fallas operacionales en la prestación de servicios de salud. Su importancia radica en que el alto volumen de inconformidades reportadas por los usuarios puede reflejar problemas recurrentes en procesos como acceso a servicios, autorizaciones, entrega de medicamentos, atención asistencial, atención administrativa y continuidad del cuidado, los cuales requieren ser analizados de forma sistemática para apoyar la gestión preventiva del riesgo. El objetivo del proyecto fue aplicar técnicas de PLN y aprendizaje automático para clasificar las PQRD en categorías de riesgo operacional y asociarlas con procesos de la prestación de servicios de salud, siguiendo la metodología CRISP-DM. Para ello, se consolidaron las bases abiertas de PQRD del periodo 2017–2024, se realizó la evaluación de calidad, depuración y normalización de los datos, y se construyó una base final de 8.039.810 registros. Posteriormente, se preparó un corpus textual a partir de los campos normalizados de macromotivo, motivo general y motivo específico, y se elaboró una muestra etiquetada manualmente de 4.000 registros en siete categorías de riesgo operacional. A partir de esta muestra se entrenaron y evaluaron diferentes modelos de clasificación supervisada, seleccionando como modelo final Linear SVC con representación TF-IDF calibrado mediante el método sigmoid, por su equilibrio entre desempeño, interpretabilidad y viabilidad computacional. El modelo fue aplicado sobre la base depurada, permitiendo clasificar las PQRD y relacionarlas con procesos de atención en salud. Como aplicación, los resultados permiten identificar patrones recurrentes de riesgo, priorizar procesos críticos, diseñar visualizaciones analíticas y formular recomendaciones orientadas a mejorar la calidad del servicio y prevenir la recurrencia de fallas operacionales en el sector salud.
  • Thumbnail Image
    Item
    Modelado de emisiones de CO₂ per cápita a partir de factores socioeconómicos con técnicas de ciencia de datos: una aproximación a la desigualdad climática en América Latina
    (Pontificia Universidad Javeriana Cali, 2026) Collazos Valenzuela, Angie Catherine; Guzmán Diaz, Sandra Patricia; Merchán Burgos, Jhonatan Luis; Pencue-Fierro, Edgar Leonairo
    El presente proyecto aplicado desarrolla un modelo de ciencia de datos para analizar y predecir las emisiones de CO₂ per cápita en función de factores socioeconómicos en 17 países de América Latina, con el propósito de evidenciar patrones estructurales de desigualdad climática en la región. La investigación partió de la integración de múltiples fuentes públicas EDGAR, Banco Mundial y PNUD conformando un panel país-año de 527 observaciones para el período 1990–2020, con 15 variables socioeconómicas, energéticas y ambientales. Tras un proceso riguroso de depuración, estandarización e imputación por interpolación lineal validada, se realizó un análisis exploratorio que identificó al consumo energético, el PIB per cápita y el Índice de Desarrollo Humano como los principales correlatos de las emisiones per cápita. Se implementó una estrategia de modelado dual: modelos econométricos de datos panel con efectos fijos y aleatorios, y cinco algoritmos de aprendizaje automático, Random Forest, XGBoost, KNN, MLP y Support Vector Regression, optimizados mediante GridSearchCV con validación cruzada de cinco pliegues. Entre los algoritmos evaluados, el modelo K-Nearest Neighbors (KNN) alcanzó el mejor desempeño sobre el conjunto de prueba temporal (R² = 0,736; RMSE = 0,250; MAE = 0,174), seguido por XGBoost (R² = 0,728). El análisis SHAP confirmó al consumo de energía, el PIB per cápita y el área selvática como los determinantes de mayor impacto predictivo. Como extensión metodológica, modelos de clasificación multiclase alcanzaron un F1-score de 0,884. Los hallazgos se sintetizaron en un tablero interactivo que facilita la exploración regional y la simulación de escenarios de política energética. Los resultados confirman que la desigualdad climática en América Latina es producto de la interacción entre intensidad energética, desarrollo económico y condiciones sociales. El modelo constituye un insumo técnico para el diseño de políticas de transición energética justa y diferenciada en la región.