[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"detail-sidebar-cat-0-es-110":3,"doc-seo-127598-110":49,"doc-detail-127598-es":118},{"code":4,"msg":5,"data":6},0,"success",[7,13,17,21,25,29,33,37,41,45],{"id":8,"doc_module":4,"doc_module_name":9,"category_name":10,"show_sort_weight":11,"slug":12},39,"Document","Cómic",60,"comic",{"id":14,"doc_module":4,"doc_module_name":9,"category_name":15,"show_sort_weight":11,"slug":16},43,"Estilo de Vida","lifestyle",{"id":18,"doc_module":4,"doc_module_name":9,"category_name":19,"show_sort_weight":11,"slug":20},38,"Examen","exam",{"id":22,"doc_module":4,"doc_module_name":9,"category_name":23,"show_sort_weight":11,"slug":24},44,"General","general",{"id":26,"doc_module":4,"doc_module_name":9,"category_name":27,"show_sort_weight":11,"slug":28},41,"Investigación e Informes","research-report",{"id":30,"doc_module":4,"doc_module_name":9,"category_name":31,"show_sort_weight":11,"slug":32},37,"Literatura","literature",{"id":34,"doc_module":4,"doc_module_name":9,"category_name":35,"show_sort_weight":11,"slug":36},22,"Relatos y Novelas","story-novel",{"id":38,"doc_module":4,"doc_module_name":9,"category_name":39,"show_sort_weight":11,"slug":40},42,"Religión y Espiritualidad","religion-spirituality",{"id":42,"doc_module":4,"doc_module_name":9,"category_name":43,"show_sort_weight":11,"slug":44},40,"Salud y Atención Médica","healthcare",{"id":46,"doc_module":4,"doc_module_name":9,"category_name":47,"show_sort_weight":11,"slug":48},24,"Tecnología","technology",{"code":4,"msg":50,"data":51},"ok",{"site_id":52,"language":53,"slug":54,"title":55,"keywords":56,"description":57,"schema_data":58,"social_meta":111,"head_meta":113,"extra_data":115,"updated_unix":117},110,"es","improving-sepsis-prediction-models-for-icu-patients-using-machine-learning-techniques-final-degree-project","Mejora de modelos de predicción de sepsis en pacientes en Unidades de Cuidados Intensivos mediante técnicas de Machine Learning - Trabajo Fin de Grado","","Este Trabajo Fin de Grado aborda la sepsis, una enfermedad grave provocada por una respuesta inmunitaria excesiva ante una infección, con consecuencias irreversibles y alta mortalidad. Se propone un enfoque de detección precoz que reduzca el retraso diagnóstico, combinando datos clínicos con técnicas de Machine Learning para predecir la sepsis horas antes del inicio de los síntomas, apoyando la toma de decisiones en UCI. El método se evalúa con el conjunto del Physionet Challenge (2019), usando métricas como exactitud, sensibilidad, especificidad, F1 y Kappa, y valida la eficacia de los Modelos Ocultos de Markov y una estrategia de combinación lineal.",{"@graph":59,"@context":110},[60,77,93],{"@type":61,"itemListElement":62},"BreadcrumbList",[63,68,71,74],{"item":64,"name":65,"@type":66,"position":67},"https://docshare.wps.com","Home","ListItem",1,{"item":69,"name":9,"@type":66,"position":70},"https://docshare.wps.com/es/document/",2,{"item":72,"name":27,"@type":66,"position":73},"https://docshare.wps.com/es/document/investigación-e-informes/",3,{"item":75,"name":55,"@type":66,"position":76},"https://docshare.wps.com/es/document/improving-sepsis-prediction-models-for-icu-patients-using-machine-learning-techniques-final-degree-project/127598/",4,{"url":75,"name":55,"@type":78,"author":79,"headline":55,"publisher":82,"fileFormat":85,"inLanguage":53,"description":57,"dateModified":86,"datePublished":87,"encodingFormat":85,"isAccessibleForFree":88,"interactionStatistic":89},"DigitalDocument",{"name":80,"@type":81},"Anda","Person",{"url":64,"name":83,"@type":84},"DocShare","Organization","application/pdf","2026-08-25","2026-08-05",true,{"@type":90,"interactionType":91,"userInteractionCount":70},"InteractionCounter",{"@type":92},"ViewAction",{"@type":94,"mainEntity":95},"FAQPage",[96,102,106],{"name":97,"@type":98,"acceptedAnswer":99},"Cuál es el problema clínico que aborda este trabajo?","Question",{"text":100,"@type":101},"El trabajo se centra en la sepsis, una condición grave derivada de una respuesta inmunitaria excesiva ante una infección, que puede causar daños irreversibles e incluso la muerte.","Answer",{"name":103,"@type":98,"acceptedAnswer":104},"Cómo predice el algoritmo la sepsis?",{"text":105,"@type":101},"Combina datos clínicos con técnicas de Machine Learning para predecir la sepsis horas antes de la aparición de los síntomas, usando como clasificador base los Modelos Ocultos de Markov y estrategias de combinación.",{"name":107,"@type":98,"acceptedAnswer":108},"Qué datos y métricas se usan para evaluar el método?",{"text":109,"@type":101},"La evaluación se realiza con la base del Physionet Challenge (2019), que incluye 40.300 pacientes sépticos y no sépticos de dos hospitales. Se emplean métricas como exactitud, sensibilidad, especificidad, F1 y coeficiente Kappa.","https://schema.org",{"og:url":75,"og:type":112,"og:title":55,"og:site_name":83,"og:description":57},"article",{"robots":114,"canonical":75},"index,follow",{"doc_id":116,"site_id":52},127598,1785940194,{"code":4,"msg":5,"data":119},{"doc_id":116,"user_id":120,"nickname":80,"user_avatar":121,"doc_module":4,"category_id":26,"category_name":27,"doc_title":55,"doc_description":57,"doc_content":122,"file_id":123,"file_url":124,"file_type":125,"file_size":126,"view_count":70,"is_deleted":4,"is_public":67,"is_downloadable":67,"audit_status":67,"page_count":127,"language":128,"language_code":53,"site_id":52,"html_lang":53,"table_of_contents":129,"faqs":130,"seo_title":131,"seo_description":57,"update_tm":117,"read_time":132},549768064622,"https://ap-avatar.wpscdn.com/davatar_6f874abed73319feea01a86fa6f0fab8","Mejora de modelos depredicción de sepsis en pacientes en Unidades de Cuidados Intensivos mediante técnicas de Machine Learning  \nGrado en Ingeniería en Sonido e Imagen en Telecomunicación  \nTrabajo Fin de Grado  \nAutora:  \nNúria Camps Miralles Tutores:  \nEncarnación Gimeno Nieves Juan Luis Navarro Mesa  \n14 de Julio de 2023  \nResumen  \nEste Trabajo Fin de Grado aborda la problemática de la sepsis, una enfermedad grave causada por una respuesta inmunitaria excesiva del cuerpo frente a una infección, que puede provocar daños irreversibles e incluso la muerte. La detección temprana y el tratamientooportuno son cruciales para reducir la mortalidad y los costes hospitalarios asociados. Sin embargo, los métodos de evaluación convencionales no permiten un diagnóstico precozpreciso.  \nEn este contexto, se ha desarrollado un algoritmo innovador que combina datos clínicos y técnicas de Machine Learning para predecir la sepsis horas antes de la aparición de lossíntomas. El objetivo fundamental es implementar un método de detección precoz de sepsis que apoye a los profesionales sanitarios en las Unidades de Cuidados Intensivos. Para lograrlo, se han estudiado los sistemas más recientes utilizados en la detección de sepsis, así como las soluciones exitosas basadas en Machine Learning presentes en la literatura científica. Se han explorado diversas opciones en la metodología aplicada, incluyendo la dependencia de los modelos según el conjunto de datos utilizado, la importancia de utilizaruna técnica de Machine Learning basada en Modelos Ocultos de Markov para capturarexplícitamente la dinámica temporal de los pacientes, la determinación del número óptimode estados, la importancia de los clasificadores individuales y su combinación y el manejo de datos perdidos.  \nComo resultado, se ha propuesto un nuevo algoritmo que combina clasificadores basederivados de las variables clínicas y estrategias de combinación de clasificadores. El clasificador base utilizado son los Modelos Ocultos de Markov, y se han exploradoestrategias de combinación lineal, combinación producto y majority voting.  \nEste trabajo incluye el diseño de un módulo específico para la detección temprana deepisodios de sepsis, con atención particular en las 6 horas previas a la manifestación de lossíntomas.  \nPara evaluar la efectividad del diseño propuesto, se ha realizado un análisis exhaustivo utilizando la base de datos proporcionada por el reto internacional “Physionet Challenge: Early Prediction of Sepsis from Clinical Data. The PhysioNet Computing in Cardiology Challenge, 2019”. Además, se ha tomado como referencia la investigación previa realizada en dos TFM anteriores, que también hicieron uso de dicha base de datos. Esta base de datos contiene información clínica de 40.300 pacientes sépticos y no sépticos de dos hospitales distintos, divididos en los conjuntosAy B. Se han introducido diferentes métricas de calidad como la exactitud, sensibilidad, especificidad, puntuación F1 y coeficiente Kappa para evaluar el rendimiento de los modelos.  \nLos resultados obtenidos demuestran que los Modelos Ocultos de Markov son los clasificadores base más efectivos para la detección de sepsis entre todos los analizados. Además, la estrategia de combinación lineal ha demostrado ser la más exitosa.  \nEn resumen, este TFG presenta un enfoque innovador para la detección temprana de la sepsis utilizando técnicas de Machine Learning y datos clínicos. Los resultados obtenidos respaldan la eficacia del algoritmo propuesto y su potencial para mejorar la atención médicaen las UCI, ayudando a reducir la mortalidad y los costes asociados a la sepsis.  \nAbstract  \nThis thesis addresses the problem of sepsis, a serious illness caused by an excessive immune response of the body to infection, which can lead to irreversible damage and even death. Early detection and timely treatment are crucial to reduce mortality and associated hospital costs. However, conventional assessment methods do not allow for a","cbCainX3ZUMwXVqQ","https://ap.wps.com/l/cbCainX3ZUMwXVqQ","pdf",5066056,141,"Spanish","# Resumen\n## Objetivo y enfoque\n## Metodología: modelos y combinación\n## Diseño del módulo de detección\n## Evaluación y métricas\n## Resultados y conclusiones","[{\"question\":\"Cuál es el problema clínico que aborda este trabajo?\",\"answer\":\"El trabajo se centra en la sepsis, una condición grave derivada de una respuesta inmunitaria excesiva ante una infección, que puede causar daños irreversibles e incluso la muerte.\"},{\"question\":\"Cómo predice el algoritmo la sepsis?\",\"answer\":\"Combina datos clínicos con técnicas de Machine Learning para predecir la sepsis horas antes de la aparición de los síntomas, usando como clasificador base los Modelos Ocultos de Markov y estrategias de combinación.\"},{\"question\":\"Qué datos y métricas se usan para evaluar el método?\",\"answer\":\"La evaluación se realiza con la base del Physionet Challenge (2019), que incluye 40.300 pacientes sépticos y no sépticos de dos hospitales. Se emplean métricas como exactitud, sensibilidad, especificidad, F1 y coeficiente Kappa.\"}]","Mejora de modelos de predicción de sepsis en pacientes en Unidades de Cuidados Intensivos mediante técnicas de Machine Learning - Trabajo Fin de Grado | PDF",217]