Browsing by Subject "Modelo predictivo"
Now showing 1 - 5 of 5
Results Per Page
Sort Options
Item Análisis descriptivo y predictivo para la vigilancia de los casos de dengue grave en la ciudad de Cali(Pontificia Universidad Javeriana de Cali, 2023) Mena Ríos, Andrés Mauricio; Hurtado Murillo, Faber Esteban; Sánchez Andrade, Jefferson; Arango Londoño, DavidEste proyecto de ciencia de datos desarrolla un modelo predictivo que permite estimar la cantidad de casos de dengue grave que ocurren en un determinado momento en la ciudad de Cali. Para eso, se realiza un análisis de la dinámica de la enfermedad, considerando aspectos como la temporalidad, la incidencia geográfica y algunas variables sociodemográficas; además, se construyen modelos predictivos basados en cuatro algoritmos de Machine Learning, el uso de fuentes de datos informales, y la incorporación de una variable novedosa como predictor. La primera parte del proyecto se enfoca en análisis descriptivos del dengue grave en Cali, a partir del procesamiento de los registros históricos oficiales, con el propósito de comprender patrones y tendencias de la enfermedad e identificar factores relacionados con su incidencia. La segunda sección del proyecto gira alrededor de la determinación del mejor modelo para predecir la cantidad de casos de dengue en Cali, haciendo uso de una variedad de recursos de la ciencia de datos para la construcción, evaluación y análisis de los candidatos.Item Desarrollo de un modelo predictivo para el precio de importación de pesticidas en Colombia(Pontificia Universidad Javeriana Cali, 2024) Ramírez Méndez, Edisson Miguel; Ramírez Amariz, Luis Felipe; González Gómez, Daniel EnriqueLa agricultura ha sido crucial para la supervivencia y el desarrollo humano, proporcionando los alimentos básicos para la dieta mundial. Sin embargo, en Colombia, la dependencia de insumos importados como insecticidas, fungicidas y herbicidas afecta significativamente los costos de producción agrícola debido a las fluctuaciones del mercado internacional. Este aumento en los precios, reflejado en el Índice de Precios al Consumidor (IPC), impacta en el costo de vida y la calidad de vida en el país. Para abordar este problema, se propone el desarrollo de un modelo predictivo para estimar los precios de estos insumos agrícolas importados. Utilizando datos de la Dirección de Impuestos y Aduanas Nacionales de Colombia (DIAN) desde 2001, el proyecto tiene como objetivo crear una herramienta que permita pronosticar los precios y ayudar a posicionar los productos agrícolas con precios más competitivos. El estudio incluye la introducción, formulación del problema, objetivos, marco de referencia, metodología, análisis de datos, evaluación del modelo, implementación y validación.Item Predicción de la supervivencia en pacientes con cáncer de estómago: integración de características clínicas, genéticas y análisis de imágenes para el apoyo en la toma de decisiones clínicas(Pontificia Universidad Javeriana Cali, 2025) López León, William Andrés; Parra Barrera, Eliana Liseth; Meneses Ramírez, Karem Dayana; Tobar Tosse, Henry FabiánEl cáncer gástrico continúa siendo uno de los principales desafíos en salud pública a nivel mundial, no solo por su elevada mortalidad, sino también por las limitaciones actuales para estratificar adecuadamente el riesgo y personalizar las decisiones terapéuticas. A pesar de los avances diagnósticos y moleculares, la predicción de supervivencia sigue siendo imprecisa debido a la heterogeneidad tumoral y a la fragmentación de la información clínica y genómica. En este escenario, los modelos integrativos basados en ciencia de datos representan una oportunidad para mejorar el pronóstico y apoyar de manera objetiva la toma de decisiones clínicas. Este proyecto tuvo como objetivo desarrollar y evaluar modelos de predicción de supervivencia en cáncer gástrico mediante la integración de variables clínicas (edad, sexo, estadio TNM, grado histológico), perfiles de expresión de miRNA y características cuantitativas derivadas de imágenes histopatológicas digitales H&E. Para ello, se emplearon datos del repositorio TCGA STAD del National Cancer Institute, incluyendo tablas clínicas, matrices de expresión miRNA-seq y Whole Slide Images en formato SVS. El pipeline metodológico incluyó: (1) preprocesamiento clínico con imputación y estandarización; (2) selección de miRNA mediante análisis de expresión diferencial y pruebas univariadas; (3) normalización de color y extracción de parches tisulares con OpenSlide; (4) extracción de características morfológicas, estructurales y texturales con un enfoque interpretable desde criterios histopatológicos; y (5) agregación estadística por paciente. Con este conjunto multimodal se entrenaron tres modelos de supervivencia ampliamente utilizados: Coxnet penalizado, Random Survival Forest (RSF) y DeepSurv, optimizados mediante búsqueda aleatoria y validación interna. Entre las estrategias evaluadas, el modelo Coxnet penalizado se consolidó como el más robusto e interpretable para la predicción de supervivencia en la cohorte TCGA-STAD. Este alcanzó un C index de 0.7315 y valores de AUC(t) de 0.784, 0.758 y 0.760 a 1, 3 y 5 años, respectivamente. El Brier Score obtenido (0.1441) evidenció una adecuada calibración, mientras que las curvas de Kaplan–Meier mostraron una separación significativa entre los grupos de riesgo (log-rank p = 1.36 × 10⁻⁴), confirmando su utilidad para estratificar pacientes según su pronóstico. En conjunto, estos resultados demuestran que los enfoques multimodales permiten capturar de manera más completa la heterogeneidad biológica del cáncer gástrico y proporcionan herramientas predictivas superiores al análisis clínico tradicional, favoreciendo una estratificación temprana del riesgo y decisiones terapéuticas más precisas.Item Propuesta de un modelo de predicción de inventario de una empresa dedicada a la venta de dispositivos de almacenamiento de energía, basado en modelos de Machine Learning(Pontificia Universidad Javeriana Cali, 2025) Norato Díaz, Luz Angélica; Monsalve Rodríguez, Andrés; Gil González, JuliánEn este trabajo se desarrolló un modelo predictivo para estimar las ventas semanales de productos en las bodegas de una empresa dedicada a la distribución de almacenamiento de energía con operaciones en México, Colombia y Costa Rica, mediante el uso de técnicas de Machine Learning. Se prepararon datos históricos semanales comprendidos entre enero de 2021 y mayo de 2025, a través de procesos de limpieza, transformación y generación de variables temporales. Se entrenaron y evaluaron diversos enfoques predictivos, incluyendo modelos de series de tiempo y algoritmos de Machine Learning como Random Forest y XGBoost. Tras la fase experimental, el modelo Random Forest obtuvo el mejor desempeño en la predicción de ventas agregadas, con un RMSE de 1048,25, un MAPE ajustado de 24,84 % y un SMAPE de 22,36 %.Item Sistema de análisis y predicción del crimen “precrimen”(Pontificia Universidad Javeriana Cali, 2024) Medina Salcedo, Daniel Lorenzo; Arango Londoño, DavidEl proyecto presenta una solución innovadora para abordar la criminalidad. Utilizando técnicas avanzadas de ciencia de datos, se procesan datos espaciales y hechos delictivos, buscando mejorar la seguridad ciudadana mediante la predicción de la cantidad de eventos delictivos y la implementación de estrategias preventivas. El objetivo principal del proyecto es construir una herramienta tecnológica que permita predecir la posible comisión de delitos. Los objetivos específicos incluyen la identificación, clasificación y visualización de datos conectando fuentes abiertas y oficiales que disponen de información sobre delitos, la construcción de un modelo predictivo y la apropiación de conocimientos prácticos en gestión de datos, clasificación, visualización y modelos de predicción