2 resultados
Resultados de la búsqueda
Mostrando 1 - 2 de 2
Ítem Posicionamiento de la investigación contable: Evidencia basada en las universidades colombianas.(Universidad Icesi, 2022-09-01) Flórez-Parra, Jesús Mauricio; Arévalo-Galindo, Nancy EdithLa investigación se ha convertido en uno de los indicadores clave para posicionar a las universidades en los rankings y a su vez está sirviendo como aspecto determinante para establecer una mayor responsabilidad, transparencia y legitimidad de las universidades. En este contexto, este estudio tiene como objetivo analizar la investigación contable en el ámbito de las universidades colombianas. Con base en los 116 programas académicos de Contaduría Pública registrados en el Sistema Nacional de Información de la Educación Superior -SNIES-, se analizan y evalúan a través de un clúster, el volumen de documentos publicados y el posicionamiento de los grupos de investigación contable pertenecientes a las 59 universidades colombianas. Los resultados muestran que existen tres grupos de universidades que promueven la investigación contable en Colombia -pioneras, seguidoras y básicas.Ítem Detección temprana del diagnostico de diabetes tipo II a partir de variables no clínicas utilizando técnicas de Machine Learning(Universidad Icesi, 2023-07-12) Ome Narváez, Leidy Tatiana; Ordóñez Quintero, Danny Guillermo; Diaz Cely, JavierLa diabetes tipo II es una enfermedad crónica y grave que se caracteriza por niveles elevados de glucosa en la sangre debido a la incapacidad del cuerpo para producir o utilizar eficazmente la insulina. Si no se controla a largo plazo, esta deficiencia de insulina puede causar daño a varios órganos del cuerpo, lo que lleva a complicaciones discapacitantes y potencialmente fatales como enfermedades cardiovasculares, neuropatía, nefropatía y problemas oculares. Por lo tanto, el diagnóstico y tratamiento tempranos de la diabetes tipo II son de vital importancia para prevenir el desarrollo y las complicaciones de las enfermedades cardiovasculares y renales. Por esta razón, este proyecto de tesis formuló el desarrollo de un modelo predictivo para el diagnóstico temprano de esta enfermedad. Para el desarrollo de este modelo, se tomó en cuenta información no clínica del paciente, como: datos demográficos, datos sociodemográficos, actividad física y antecedentes familiares. Se utilizaron datos de 204,572 usuarios afiliados a una IPS a nivel nacional, donde el 20.4% están diagnosticados con diabetes tipo II. Se entrenaron modelos de clasificación supervisada como Support Vector Machine (SVM), Extreme Gradient Boosting (XGBoost) y Multilayer Perceptron (MLP), y se descubrió que XGBoost era el mejor modelo para predecir la diabetes tipo II con una métrica de rendimiento ROC-AUC del 77 %.