Calidad de Vida en Pacientes Terminales: Generación de Conocimiento con Minería de Datos
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".