Ruiz-Canela Pérez, Sara2024-06-272024-06-272024-06-21https://hdl.handle.net/10115/35259Trabajo Fin de Grado leído en la Universidad Rey Juan Carlos en el curso académico 2023/2024. Directores/as: Adrián García Romero, Alejandra Abad GonzálezLa úlcera por presión (UPP) es una lesión producida en la piel y en el tejido cutáneo causada por la presión a la que están sometidos dos planos, siendo uno de ellos el hueso del paciente y el otro el soporte sobre el que se apoya, por ejemplo, una silla. Esta lesión se da especialmente en personas con movilidad reducida y tiene consecuencias físicas y psicológicas para el paciente. El alcance de este proyecto se centra en los pacientes ingresados en una cama de hospitalización por dos motivos principales. El primero de ellos es que, al tratarse de pacientes cuya movilidad se ve reducida a causa del ingreso en sí, son muchos más propensos a desarrollar una úlcera por presión. El segundo de ellos es que esta comorbilidad tiene como resultado el aumento de la estancia del paciente en el hospital, con perjuicios tanto para él mismo como para el sistema sanitario, estos últimos derivados del aumento de complejidad y costes del episodio clínico. Actualmente existen varias escalas que tratan de predecir el riesgo de sufrir úlceras por presión de un paciente. Algunos ejemplos son la escala de Norton o la de Barden. En todas ellas, la enfermera realiza un examen visual para tomar los diferentes parámetros que se consideran en cada escala en relación con la dependencia y la movilidad del paciente. Cada uno de estos parámetros incrementa una puntuación final que determina el riesgo final del paciente. Aunque estas escalas tienen su utilidad, se trata de sistemas de predicción relativamente sencillos y que se aplican de manera uniforme a todas las tipologías de pacientes. Por tanto, carecen de la flexibilidad necesaria para adaptarse a situaciones particulares de cada paciente. Además, no se trata de sistemas predictivos en el sentido literal de la palabra ya que no dejan de evaluar un riesgo en lugar de una verdadera probabilidad de que ocurra el evento adverso. Por esto, en este proyecto se aplican las diferentes técnicas de Machine Learning (ML) para predecir el periodo temporal en que el paciente va a desarrollar la úlcera a partir de diferentes variables tomadas del paciente. Sabiendo este periodo se aplicarán unas medidas preventivas con mayor certeza para evitar su desarrollo y evitando todos los problemas que conllevan su formación. Además, se concretan los factores de riesgo de esta lesión, para poder saber con menos datos si el paciente desarrollará la herida o no. La fuente principal de datos para este proyecto ha sido la historia clínica electrónica de los pacientes hospitalizados en el Hospital Universitario del Sureste entre los años 2017 y 2023. Dentro del alcance de este trabajo se encuentra la extracción y tratamiento de los datos, tarea que se ha realizado mediante la creación de procesos ETL (Extract, Transform and Load) específicos. Para poder aplicar las técnicas de ML se ha realizado técnicas preparación de datos entre las que destacan, la sustitución de valores nulos y valores perdidos, la transformación de variables categóricas y la normalización de los datos. Tras esto se ha aplicado un balanceo de la base de datos para evitar el sobreajuste. A partir de esto se aplican diferentes técnicas ML entre ellas están k-vecinos más próximos (KNN), bosque aleatorio, perceptrón multicapa y XGBoost para poder predecir este dato temporal. No solo se estudian estos modelos sobre todas las variables de la base de datos sino también sobre una selección de características realizada con diferentes técnicas. Estas son los métodos de filtrado, de embebido y de envoltura, de los que se obtiene el conjunto de variables elegidas con la intersección de los tres resultados. Después, se evalúan los modelos con algunas medidas de prestaciones como la sensibilidad o la precisión. Finalmente, se obtienen de las variables más relevantes, factores de riesgo nuevos, como datos clínicos sobre el paciente, y se consigue predecir el periodo temporal en que el paciente desarrollará UPP.spaÚlceras por presiónMachine LearningSelección de caracterísitcasETLPredicciónFactores de riesgoPrevencióninfo:eu-repo/semantics/studentThesisinfo:eu-repo/semantics/embargoedAccess