I Taller Internacional de Transformación Digital en la Salud
-
Modelación predictiva del tránsito entre estados clínicos en pacientes con alzheimer mediante regresión logística ordinal
Roxana Cenaide DíazHecho
-
Generación de predicciones utilizando el modelado computacional mediante el estudio de la inmunoglobulina M
Edel Tirado GarcíaHecho
-
Método para el análisis longitudinal de biomarcadores en macroadenoma hipofisiario
David Alejandro Cabeza CabreraHecho
-
Transformación digital del proceso de atención de Enfermería desde el sistema XAVIA HIS basada en estándares internacionales
Karenia Ortega SantiestebanHecho
-
Herramienta Inteligente para la predicción explicable de mortalidad oculta al egreso de Unidades de Cuidados Intensivos
Alejandro Cespón FerriolHecho
-
Atrapados en el feed: Efectos psicológicos de los algoritmos en jóvenes cubanos
Jardiel Alejandro Vega DomínguezHecho
-
Desarrollo del registro público cubano de ensayos clínicos versión 2.0
Yilian Hernández NatesHecho
-
Método para el diagnóstico automatizado del melanoma humano
Aynara Machado TejedaHecho
-
Panel virtual Transformación Digital de la Salud
Arturo Orellana GarcíaHecho
-
Modelo de Interoperabilidad en Salud: Plataforma Unificada de Telemedicina para el Sistema Sanitario Cubano
Ing. Isledy Gainza MartínezHecho
Graduada de Ingeniera en Ciencias Informáticas de la Universidad de las Ciencias Informáticas en diciembre del año 2024. Especialista y profesor adjunto en dicha universidad. Interesada en la línea de investigación sobre Inteligencia Artificial de la UCI y trabajando temas afines para su posterior superación profesional en posgrado.
Esta investigación se centra en la implementación un modelo de Redes Neuronales Artificiales (RNA) GraphSAGE para contribuir a la clasificación de personas según sus hábitos y estilos de vida. Se utiliza la metodología CRISP-DM (Cross-Industry Standard Process for Data Mining) para guiar el proceso de desarrollo; en la etapa de entendimiento del negocio se identificó la necesidad de contar con un modelo que permita clasificar a las personas de acuerdo a sus hábitos y estilos de vida, con el fin de ofrecer a futuro servicios y productos más personalizados que contribuyan a mejorar la calidad de vida de las personas, posteriormente se recopiló y preparó un conjunto de datos relevantes. Durante la Fase de Modelado se diseñó y entrenó un modelo de GraphSAGE utilizando técnicas de aprendizaje supervisado, el cual fue validado mediante métricas de desempeño que arrojaron resultados satisfactorios. Los principales resultados indican que el modelo desarrollado es capaz de clasificar con exactitud a las personas en función de sus hábitos y estilos de vida, lo que permite contar con una herramienta valiosa para la toma de decisiones estratégicas en diversos sectores.