Calidad de Vida en Pacientes Terminales: Generación de Conocimiento con Minería de Datos
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
La Mineria de Datos (MD) cumple con el objetivo dedescubrir patrones en grandes volumenes de informacionextrayendo con exactitud asociaciones, cambios y anomaliasen estructuras de datos almacenados en repositorios y basesde datos, utilizando dos tipos de analisis: predictivo ydescriptivo; con ello permite desarrollar diferentes tareascomo la clasificacion. En el presente trabajo fueron analizados1560 datos de 65 pacientes en fase terminal por cancer en launidad de cuidados paliativos del Hospital Regional 1° deOctubre de la Ciudad de Mexico, a los cuales se les aplico unaencuesta sobre calidad de vida elaborada por el propiodepartamento del hospital, considerando las principalesvariables como edad, sexo, diagnostico, sintomasrelacionados a la escala de Edmonton y calidad de vida, paraeste estudio se aplicaron algoritmos de clasificacionutilizando arboles de decision y los algoritmos: J48perteneciente al algoritmo C4.5, Apriori y EM (algoritmo deagrupamiento de maximizacion) utilizando el softwareWEKA version 3.9.3. por lo que fue posible identificar que laincidencia en tipos de cancer y sus principales decesos fueron:mama, prostata, pulmon y colon; tambien existe una altaafectacion en el entorno familiar y social en la fase terminaldel paciente, mientras incrementa el dolor al cabo de unasemana antes del deceso de los pacientes la familia no sabecomo sobrellevar la situacion.Por lo anterior resulta necesario un adecuado entrenamientopor parte de los medicos apoyando el proceso de la muerte delpaciente y no solo para el sino para la familia quien atraviesala asistencia del final de la vida.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle