2 resultados
Resultados de la búsqueda
Mostrando 1 - 2 de 2
Ítem INRAE - Inteligencia artificial explicativa soft sensor(Universidad Icesi, 2025-06-27) Cabrera Lozano, Alvaro José; Aragón, C.; Corrales Muñoz, David CamiloEste trabajo presenta el desarrollo de un sensor blando aplicado al proceso de fermentación industrial, combinando modelos de aprendizaje automático de caja negra con técnicas de inteligencia artificial explicable (XAI). El objetivo del proyecto es diseñar un sistema predictivo capaz de estimar la concentración de penicilina a partir de datos históricos del proceso, mediante el uso de redes neuronales recurrentes (LSTM). Estos modelos, si bien precisos, presentan dificultades de interpretación debido a su naturaleza opaca. Para abordar este desafío, se integran técnicas XAI para visualizar y comprender la influencia de las variables más relevantes, transformando los modelos en herramientas más transparentes y confiables. La metodología incluye el uso del conjunto de datos IndPenSim, que simula condiciones normales y de falla en un entorno de fermentación a escala industrial. Además, se construye un prototipo de visualización para facilitar la interpretación de las predicciones y fortalecer la toma de decisiones basada en datos. El proyecto responde a la necesidad de lograr un equilibrio entre precisión y explicabilidad, dos pilares esenciales en la industria 4.0.Ítem Modelos de aprendizaje automático para la optimización de la gestión farmacéutica(Universidad Icesi, 2023-06-22) Botero, Bertha G.; Botero, Susan L.; Sosa, Anibal; Aristizabal, Andres A.; Sosa Aguirre, Anibal; Aristizabal Pinzón, Andres AlbertoEste documento aborda la implementación de un modelo de aprendizaje automático para la optimización de la gestión farmacéutica. El objetivo de este modelo es fortalecer la prevención y la promoción de estilos de vida saludables, así como prevenir oportunamente las complicaciones asociadas a enfermedades existentes. Se busca mejorar la calidad de la atención médica, garantizar la seguridad y eficacia en la prescripción de medicamentos y optimizar el uso de los recursos sanitarios. El proyecto se centra en 19.362 pacientes diabéticos de la cohorte cardiovascular de una entidad promotora de salud. El objetivo es formular una alternativa para mejorar los resultados clínicos de estos pacientes mediante la optimización de la gestión farmacéutica. El objetivo es crear una solución analítica y funcional que permita mantener buenos resultados de salud en los pacientes, a la vez que se logra la eficiencia operativa en el servicio y el control presupuestario de los tratamientos médicos. El proyecto utilizó la metodología CRISP-DM (Proceso Estándar Intersectorial para Minería de Datos). Esta metodología ha sido estandarizada, especialmente en el sector industrial para proyectos de minería de datos (Wirth, 2000), y continúa siendo ampliamente utilizada en proyectos analíticos debido a su versatilidad. Además, se utilizó el algoritmo XGBoost (Extreme Gradient Boosting) para iterar diferentes arquitecturas y transformaciones de variables, además de la ingeniería de variables que incluyó, entre otros, el número de pacientes. Entre los principales resultados, se observó que variables como la edad, el sexo, el sobrepeso, la obesidad, el índice de masa corporal y la hemoglobina glucosilada (HbA1c) están estrechamente relacionadas con la diabetes y podrían incluirse en el modelo de pronóstico. Se realizaron pronósticos para la cantidad de dosis de 5 medicamentos que forman parte de la prescripción del tratamiento de la cohorte. Se concluye que el aprendizaje automático es una herramienta eficaz para optimizar la gestión farmacéutica, al predecir la cantidad de dosis de medicamentos en pacientes diabéticos de la cohorte cardiovascular. Los resultados indican que el algoritmo XGBoost tuvo el mejor rendimiento en comparación con otros algoritmos evaluados, como LSTM y LightgBM.