Predictive and prescriptive modeling for the clinical management of dengue: a case study in Colombia

Vista sencilla de ítem
dc.contributor.advisorAguilar Castro, José Lisandrospa
dc.contributor.advisorToro Bermúdez, Mauriciospa
dc.contributor.authorHoyos Morales, William Segundo
dc.coverage.spatialMedellín de: Lat: 06 15 00 N degrees minutes Lat: 6.2500 decimal degrees Long: 075 36 00 W degrees minutes Long: -75.6000 decimal degreeseng
dc.creator.degreeDoctor in Engineeringspa
dc.creator.emailwshoyosm@eafit.edu.cospa
dc.creator.grantorMinisterio de Ciencia , Tecnología e Innovación, Bogotá, Colombia Universidad EAFIT, Medellín, Colombiaspa
dc.date.accessioned2023-06-02T20:52:02Z
dc.date.available2023-06-02T20:52:02Z
dc.date.issued2023
dc.descriptionEn esta investigación, abordamos el problema del manejo clínico del dengue, que se compone del diagnóstico y el tratamiento de la enfermedad. El dengue es una enfermedad tropical transmitida por vectores que está ampliamente distribuida en todo el mundo. El desarrollo de enfoques que ayuden a la toma de decisiones en enfermedades de interés para la salud pública –como el dengue– es necesario para reducir las tasas de morbilidad y mortalidad. A pesar de la existencia de guías para el manejo clínico, el diagnóstico y el tratamiento del dengue siguen siendo un reto. Para abordar este problema, nuestro objetivo fue desarrollar metodologías, modelos y enfoques para apoyar la toma de decisiones en relación con el manejo clínico de esta infección. Nosotros desarrollamos varios artículos de investigación para cumplir los objetivos propuestos de esta tesis. El primer articulo revisó las últimas tendencias del modelamiento de dengue usando técnicas de aprendizaje automático. El segundo artículo propuso un sistema de apoyo a la decisión para el diagnóstico del dengue utilizando mapas cognitivos difusos. El tercer artículo propuso un ciclo autónomo de tareas de análisis de datos para apoyar tanto el diagnóstico como el tratamiento de la enfermedad. El cuarto artículo presentó una metodología basada en mapas cognitivos difusos y algoritmos de optimización para generar modelos prescriptivos en entornos clínicos. El quinto artículo puso a prueba la metodología anteriormente mencionada en otros dominios de la ciencia como, por ejemplo, los negocios y la educación. Finalmente, el último artículo propuso tres enfoques de aprendizaje federado para garantizar la seguridad y privacidad de los datos relacionados con el manejo clínico del dengue. En cada artículo evaluamos dichas estrategias utilizando diversos conjuntos de datos con signos, síntomas, pruebas de laboratorio e información relacionada con el tratamiento de la enfermedad. Los resultados mostraron la capacidad de las metodologías y modelos desarrollados para predecir la enfermedad, clasificar a los pacientes según su severidad, evaluar el comportamiento de las variables relacionadas con la severidad y recomendar tratamientos basados en las directrices de la Organización Mundial de la Salud.spa
dc.description.abstractIn this research, we address the problem of clinical management of dengue, which is composed of diagnosis and treatment of the disease. Dengue is a vector-borne tropical disease that is widely distributed worldwide. The development of approaches to aid in decision-making for diseases of public health concern –such as dengue– are necessary to reduce morbidity and mortality rates. Despite the existence of clinical management guidelines, the diagnosis and treatment of dengue remains a challenge. To address this problem, our objective was to develop methodologies, models, and approaches to support decision-making regarding the clinical management of this infection. We developed several research articles to meet the proposed objectives of this thesis. The first article reviewed the latest trends in dengue modeling using machine learning (ML) techniques. The second article proposed a decision support system for the diagnosis of dengue using fuzzy cognitive maps (FCMs). The third article proposed an autonomous cycle of data analysis tasks to support both diagnosis and treatment of the disease. The fourth article presented a methodology based on FCMs and optimization algorithms to generate prescriptive models in clinical settings. The fifth article tested the previously mentioned methodology in other science domains such as, business and education. Finally, the last article proposed three federated learning approaches to guarantee the security and privacy of data related to the clinical management of dengue. In each article, we evaluated such strategies using diverse datasets with signs, symptoms, laboratory tests, and information related to the treatment of the disease. The results showed the ability of the developed methodologies and models to predict disease, classify patients according to severity, evaluate the behavior of severity-related variables, and recommend treatments based on World Health Organization (WHO) guidelines.spa
dc.formatapplication/pdfeng
dc.identifier.ddc006.31 H868
dc.identifier.urihttp://hdl.handle.net/10784/32540
dc.language.isospaspa
dc.publisherUniversidad EAFITspa
dc.publisher.departmentEscuela de Ciencias Aplicadas e Ingenieríaspa
dc.publisher.placeMedellínspa
dc.publisher.programDoctorado en Ingenieríaspa
dc.rightsTodos los derechos reservadosspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.localAcceso abiertospa
dc.subjectDenguespa
dc.subjectModelamiento predictivospa
dc.subjectModelamiento prescriptivospa
dc.subjectInteligencia artificialspa
dc.subjectAprendizaje automáticospa
dc.subjectSistema de apoyo a la decisión clínicaspa
dc.subjectMapas cognitivos difusosspa
dc.subjectAprendizaje federadospa
dc.subject.keywordPredictive modelingspa
dc.subject.keywordPrescriptive modelingspa
dc.subject.keywordArtificial intelligencespa
dc.subject.keywordMachine learningspa
dc.subject.keywordClinical decision-support systemspa
dc.subject.keywordFuzzy cognitive mapsspa
dc.subject.keywordFederated learningspa
dc.subject.lembAPRENDIZAJE AUTOMÁTICO (INTELIGENCIA ARTIFICIAL)spa
dc.subject.lembCIENCIA DE LA INFORMACIÓNspa
dc.subject.lembPROCESAMIENTO ELECTRÓNICO DE DATOSspa
dc.titlePredictive and prescriptive modeling for the clinical management of dengue: a case study in Colombiaspa
dc.typedoctoralThesiseng
dc.typeinfo:eu-repo/semantics/doctoralThesiseng
dc.type.hasVersionacceptedVersioneng
dc.type.localTesis Doctoralspa
dc.type.spaOtrospa

Archivos

Bloque original
Mostrando 1 - 3 de 3
No hay miniatura disponible
Nombre:
Final Thesis William Hoyos.pdf
Tamaño:
10.81 MB
Formato:
Adobe Portable Document Format
Descripción:
Trabajo de grado
Descargar
No hay miniatura disponible
Nombre:
Carta de aprobación de Tesis Doctoral - William Hoyos.pdf
Tamaño:
107.89 KB
Formato:
Adobe Portable Document Format
Descripción:
Carta de aprobación de tesis de grado
Descargar
No hay miniatura disponible
Nombre:
Formulario_autorizacion_publicacion_obras William Hoyos.pdf
Tamaño:
705.36 KB
Formato:
Adobe Portable Document Format
Descripción:
Formulario de autorización de publicación de obras
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
2.5 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Doctorado en Ingeniería (tesis)