Evaluación a las estimaciones de los parámetros de desempeño en algoritmos clasificadores de pacientes con dengue, usando metaanálisis
| dc.contributor.advisor | Portilla Yela, Jennyfer | |
| dc.contributor.author | Cruz Giraldo, Santiago | |
| dc.date.accessioned | 2025-04-21T19:31:46Z | |
| dc.date.available | 2025-04-21T19:31:46Z | |
| dc.date.issued | 2024 | |
| dc.description.abstract | Hacer un diagnóstico correcto de la enfermedad del dengue es un desafío debido a la variedad de sus síntomas, que pueden confundirse con otras enfermedades. Para abordar esta dificultad, se han desarrollado algoritmos de clasificación que consideran diferentes tipos de información, como la inclusión de signos, síntomas y resultados de laboratorio. Estos algoritmos utilizan diferentes enfoques metodológicos, desde métodos estrictamente estadísticos hasta técnicas de aprendizaje automático, o una combinación de ambos, lo que permite analizar una amplia gama de características asociadas al dengue y mejorar la precisión diagnostica. Sin embargo, dado que existe una gran diversidad de algoritmos propuestos, es necesario evaluar de manera estricta su efectividad y compararlos bajo un marco común. Con este propósito, se ha propuesto un protocolo para llevar a cabo una revisión sistemática y un metaanálisis que evalué los parámetros de desempeño reportados en los estudios considerados, permitiendo as ́ı identificar los algoritmos más eficaces. Se emplearon bases de datos como PubMed, Embase, Scopus, BVS, Web of Science, Cochrane (Ovid), Health & Medical, SciencieDirect para obtener la mayor información posible, después extraer los títulos y resúmenes de las publicaciones derivadas de algoritmos clasificadores de dengue. Los estudios serán incluidos sin considerar filtro de idioma y publicados sin mucha antigüedad, posterior al año 2000. A los documentos que fueron encontrados, primero se les aplico el modelo de asignación latente de Dirichlet (LDA) para fragmentar o separar los artículos y luego, se realizó una lectura completa y de forma individual; posteriormente se analizaron algunos criterios para incluir o excluir los documentos seleccionados y posteriormente realizar el metaanálisis. Los datos de interés, como parámetros de desempeño, se extraerán y se analizarán teniendo en cuenta la especificidad, sensibilidad y tamaños de muestra en los algoritmos. | spa |
| dc.description.degreelevel | Pregrado | spa |
| dc.description.degreename | ESTADISTICO(A) | spa |
| dc.format.extent | 1 recurso en línea (vi, 74 páginas) | |
| dc.format.mimetype | application/pdf | |
| dc.identifier.uri | https://hdl.handle.net/10893/33309 | |
| dc.language.iso | spa | |
| dc.publisher | Universidad del Valle | spa |
| dc.publisher.branch | Sede Cali | |
| dc.publisher.faculty | FACULTAD DE INGENIERÍA | spa |
| dc.publisher.place | Colombia | spa |
| dc.publisher.program | ESTADISTICA | spa |
| dc.rights.accessrights | info:eu-repo/semantics/openAccess | spa |
| dc.rights.coar | http://purl.org/coar/access_right/c_abf2 | spa |
| dc.rights.license | Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) | spa |
| dc.subject.lemb | Estadística | |
| dc.subject.lemb | Metaanálisis | |
| dc.subject.lemb | Dengue | |
| dc.subject.lemb | Algoritmo clasificador | |
| dc.subject.lemb | Métodos | |
| dc.title | Evaluación a las estimaciones de los parámetros de desempeño en algoritmos clasificadores de pacientes con dengue, usando metaanálisis | spa |
| dc.type | Trabajo de grado - Pregrado | spa |
| dc.type.coar | http://purl.org/coar/resource_type/c_7a1f | |
| dc.type.coarversion | http://purl.org/coar/version/c_970fb48d4fbd8a85 | spa |
| dc.type.content | Text | |
| dc.type.driver | info:eu-repo/semantics/bachelorThesis | |
| dc.type.redcol | http://purl.org/redcol/resource_type/TP | |
| dc.type.version | info:eu-repo/semantics/publishedVersion | spa |
| dspace.entity.type | Publication | |
| person.identifier.orcid | 0000-0002-9134-9309 | |
| relation.isDirectorOfPublication | ed3049f1-3990-4d0f-8154-4e0240a7e95c | |
| relation.isDirectorOfPublication.latestForDiscovery | ed3049f1-3990-4d0f-8154-4e0240a7e95c |