Publicación:
Análisis exploratorio de las pqrd del sector salud mediante aprendizaje no supervisado para identificar las principales barreras y oportunidades de mejora en la prestación del servicio en la salud pública del municipio de Montería

Vista sencilla de ítem
dc.contributor.advisorSalas Álvarez, Daniel Joséspa
dc.contributor.advisorBaena Navarro, Rubén Enriquespa
dc.contributor.authorQuinchia Lobo, Sebastián
dc.contributor.authorSalazar González, Daniela
dc.date.accessioned2023-07-11T17:51:36Z
dc.date.available2023-07-11T17:51:36Z
dc.date.issued2023-07-07
dc.description.abstractIn this study, the Petitions, Complaints, Claims and Reports of the health sector in the contributory and subsidized regimes of the year 2021 in the municipality of Montería were analyzed, with the objective of identifying barriers and opportunities for improvement in the provision of the public health service. The K-means algorithm was used for the exploratory analysis of Petitions, Complaints, Claims, and Complaints, which made it possible to identify barriers in access to health services, especially for pathologies that require prolonged treatment or specialized medicine. Likewise, an alternative method was developed for the analysis of barriers and opportunities for improvement in the health sector.eng
dc.description.degreelevelPregradospa
dc.description.degreenameIngeniero(a) de Sistemasspa
dc.description.modalityTrabajos de Investigación y/o Extensiónspa
dc.description.resumenEn este estudio se analizaron las Peticiones, Quejas, Reclamos y Denuncias del sector salud en los regímenes contributivo y subsidiado del año 2021 en el municipio de Montería, con el objetivo de identificar barreras y oportunidades de mejora en la prestación del servicio de salud pública. Se utilizó el algoritmo K-means para el análisis exploratorio de las Peticiones, Quejas, Reclamos y Denuncias, lo que permitió identificar barreras en el acceso a los servicios de salud, especialmente para las patologías que requieren tratamientos prolongados o medicina especializada. Asimismo, se desarrolló un método alternativo para el análisis de las barreras y oportunidades de mejora en el sector salud.spa
dc.description.tableofcontents1. INTRODUCCIÓN ...... 10spa
dc.description.tableofcontents1.1 PLANTEAMIENTO DEL PROBLEMA ...... 10spa
dc.description.tableofcontents1.1.1 ÁRBOL DE PROBLEMAS ...... 16spa
dc.description.tableofcontents1.1.2 PREGUNTA PROBLEMA ...... 16spa
dc.description.tableofcontents1.2 JUSTIFICACION ...... 17spa
dc.description.tableofcontents2. OBJETIVOS ...... 18spa
dc.description.tableofcontents2.1 OBJETIVO GENERAL ...... 18spa
dc.description.tableofcontents2.2 OBJETIVOS ESPECÍFICOS ...... 18spa
dc.description.tableofcontents3. REVISIÓN BIBLIOGRÁFICA ...... 19spa
dc.description.tableofcontents3.1 SECTOR SALUD ...... 19spa
dc.description.tableofcontents3.1.1 ENTIDAD PROMOTORA DE SALUD (EPS) ...... 19spa
dc.description.tableofcontents3.1.2 ADMINISTRADORA DE PLANES DE BENEFICIOS (EAPB) ...... 19spa
dc.description.tableofcontents3.1.3 SISTEMA DE IDENTIFICACIÓN DE POTENCIALES BENEFICIARIOS DE PROGRAMAS SOCIALES EN COLOMBIA (SISBÉN) ...... 19spa
dc.description.tableofcontents3.1.4 REGÍMENES DE ASEGURAMIENTO ...... 20spa
dc.description.tableofcontents3.1.4.1 SUBSIDIADO ...... 20spa
dc.description.tableofcontents3.1.4.2 CONTRIBUTIVO ...... 20spa
dc.description.tableofcontents3.1.4.3 EXCEPTUADO O ESPECIAL ...... 20spa
dc.description.tableofcontents3.1.5 REGÍMENES NO INDEXADOS ...... 20spa
dc.description.tableofcontents3.1.5.1 REGÍMENES DE SALUD PRIVADOS (PARTICULAR) ...... 20spa
dc.description.tableofcontents3.1.5.2 POBLACIÓN POBRE NO ASEGURADA (PPNA) ...... 21spa
dc.description.tableofcontents3.2 GENERALIDADES DE LAS PETICIONES, QUEJAS, RECLAMOS Y DENUNCIAS (PQRD) ...... 21spa
dc.description.tableofcontents3.2.1 DEFINICIONES ...... 21spa
dc.description.tableofcontents3.2.2 PQRD EN EL SECTOR SALUD ...... 22spa
dc.description.tableofcontents3.3 BASES DE DATOS ...... 22spa
dc.description.tableofcontents3.3.1 TIPOS DE BASES DE DATOS ...... 22spa
dc.description.tableofcontents3.3.1.1 RELACIONALES ...... 22spa
dc.description.tableofcontents3.3.1.2 NO RELACIONALES ...... 22spa
dc.description.tableofcontents3.4 INTELIGENCIA ARTIFICIAL ...... 22spa
dc.description.tableofcontents3.4.1 MACHINE LEARNING ...... 23spa
dc.description.tableofcontents3.5 MINERÍA DE DATOS ...... 23spa
dc.description.tableofcontents3.5.1 CRISP-DM ...... 23spa
dc.description.tableofcontents3.5.1.1 COMPRENSIÓN DEL NEGOCIO ...... 23spa
dc.description.tableofcontents3.5.1.2 COMPRENSIÓN DE LOS DATOS ...... 24spa
dc.description.tableofcontents3.5.1.3 PREPARACIÓN DE LOS DATOS ...... 24spa
dc.description.tableofcontents3.5.1.4 MODELADO ...... 24spa
dc.description.tableofcontents3.5.1.5 EVALUACIÓN ...... 24spa
dc.description.tableofcontents3.5.1.6 IMPLANTACIÓN O DESARROLLO ...... 24spa
dc.description.tableofcontents3.6 ANÁLISIS DE DATOS ...... 24spa
dc.description.tableofcontents3.6.1 PYTHON ...... 25spa
dc.description.tableofcontents3.6.1.1 SCIKIT-LEARN (SKLEARN) ...... 25spa
dc.description.tableofcontents3.6.2 TÉCNICAS DE TRANSFORMACIÓN DE LOS DATOS ...... 25spa
dc.description.tableofcontents3.6.2.1 ONE HOT ENCODING (ONE-HOT) ...... 25spa
dc.description.tableofcontents3.6.2.2 ANÁLISIS DE COMPONENTES PRINCIPALES (PCA) ...... 27spa
dc.description.tableofcontents3.6.3 ALGORITMOS DE AGRUPAMIENTO ...... 27spa
dc.description.tableofcontents3.6.3.1 K-MEANS ...... 27spa
dc.description.tableofcontents3.6.3.2 MEAN SHIFT ...... 27spa
dc.description.tableofcontents3.6.3.3 DBSCAN ...... 28spa
dc.description.tableofcontents3.6.4 ÍNDICES DE VALIDEZ DE CONGLOMERADOS ...... 30spa
dc.description.tableofcontents3.6.4.1 ÍNDICE CALINSKI-HARABASZ ...... 30spa
dc.description.tableofcontents3.6.4.2 ÍNDICE DAVIES-BOULDIN ...... 31spa
dc.description.tableofcontents3.6.4.3 COEFICIENTE DE SILUETA ...... 31spa
dc.description.tableofcontents3.6.5 INCIDENCIA ACUMULADA ...... 32spa
dc.description.tableofcontents4. ESTADO DEL ARTE ...... 33spa
dc.description.tableofcontents5. MATERIALES Y MÉTODOS ...... 37spa
dc.description.tableofcontents5.1 PARTICIPANTES DE ESTUDIO ...... 37spa
dc.description.tableofcontents5.2 TIPO DE INVESTIGACIÓN ...... 37spa
dc.description.tableofcontents5.3 LÍNEA DE INVESTIGACIÓN ...... 37spa
dc.description.tableofcontents5.4 FUENTES PRIMARIAS Y SECUNDARIAS DE INVESTIGACIÓN ...... 37spa
dc.description.tableofcontents5.4.1 FUENTES PRIMARIAS ...... 38spa
dc.description.tableofcontents5.4.2 FUENTES SECUNDARIAS ...... 38spa
dc.description.tableofcontents5.5 FASES Y ETAPAS DE LA INVESTIGACIÓN ...... 38spa
dc.description.tableofcontents5.5.1 FASE DE INFORMACIÓN ...... 38spa
dc.description.tableofcontents5.5.2 FASE DE DESARROLLO Y EVALUACIÓN ...... 38spa
dc.description.tableofcontents5.5.2.1 SUBFASE DE CIENCIAS DE DATOS ...... 38spa
dc.description.tableofcontents5.5.2.2 SUBFASE DE INGENIERÍA DE SOFTWARE ...... 39spa
dc.description.tableofcontents5.5.3 FASE DE DOCUMENTACIÓN Y DIVULGACIÓN ...... 39spa
dc.description.tableofcontents5.6 MATERIALES ...... 39spa
dc.description.tableofcontents5.6.1 HARDWARE Y RECURSOS FISICOS ...... 39spa
dc.description.tableofcontents5.6.2 BASES DE DATOS ...... 39spa
dc.description.tableofcontents5.6.3 SOFTWARE, LIBRERÍAS E IDES ...... 39spa
dc.description.tableofcontents5.6.4 SERVICIOS WEB ...... 40spa
dc.description.tableofcontents6. APLICACIÓN DE LA METODOLOGÍA CRISP-DM PARA LA IDENTIFICACIÓN DE BARRERAS Y OPORTUNIDADES DE MEJORA EN LA PRESTACIÓN DEL SERVICIO EN LA SALUD PÚBLICA DEL MUNICIPIO DE MONTERÍA ...... 41spa
dc.description.tableofcontents6.1 COMPRENSIÓN DE LOS DATOS ...... 41spa
dc.description.tableofcontents6.1.1 RECOLECCIÓN INICIAL DE DATOS ...... 41spa
dc.description.tableofcontents6.1.2 DESCRIPCIÓN DE LOS DATOS ...... 41spa
dc.description.tableofcontents6.1.3 EXPLORACIÓN Y VALIDACIÓN DE DATOS ...... 42spa
dc.description.tableofcontents6.1.3.1 REPORTE DE CALIDAD DE ATRIBUTOS ...... 43spa
dc.description.tableofcontents6.2 PREPARACIÓN DE LOS DATOS ...... 44spa
dc.description.tableofcontents6.2.1 CARDINALIDAD IRREGULAR ...... 44spa
dc.description.tableofcontents6.2.2 TRATAMIENTO ...... 44spa
dc.description.tableofcontents6.2.3 TRANSFORMACIÓN DE LOS DATOS ...... 45spa
dc.description.tableofcontents6.3 MODELADO ...... 45spa
dc.description.tableofcontents6.4 EVALUACIÓN ...... 45spa
dc.description.tableofcontents6.4.1 CRITERIOS DE EVALUACIÓN ...... 45spa
dc.description.tableofcontents6.4.2 METODOLOGÍA DE EVALUACIÓN ...... 46spa
dc.description.tableofcontents6.4.3 INFORME DE EVALUACIÓN ...... 46spa
dc.description.tableofcontents6.4.3.1 COMBINACIONES DE COLUMNAS ...... 46spa
dc.description.tableofcontents6.4.3.2 RENDIMIENTO DE ALGORITMOS ...... 48spa
dc.description.tableofcontents6.5 DESPLIEGUE ...... 51spa
dc.description.tableofcontents6.5.1 ANÁLISIS DE CONGLOMERADOS EN LAS PQRD DEL SECTOR SALUD EN EL MUNICIPIO DE MONTERÍA PROVENIENTES DE LOS REGÍMENES CONTRIBUTIVO Y SUBSIDIADO ...... 51spa
dc.description.tableofcontents6.5.1.1 PRIMER CONGLOMERADO ...... 51spa
dc.description.tableofcontents6.5.1.2 SEGUNDO CONGLOMERADO ...... 51spa
dc.description.tableofcontents6.5.1.3 TERCER CONGLOMERADO ...... 52spa
dc.description.tableofcontents6.5.1.4 CUARTO CONGLOMERADO ...... 52spa
dc.description.tableofcontents6.5.1.5 QUINTO CONGLOMERADO ...... 53spa
dc.description.tableofcontents6.5.1.6 SEXTO CONGLOMERADO ...... 53spa
dc.description.tableofcontents6.5.2. IMPLEMENTACIÓN ...... 53spa
dc.description.tableofcontents6.5.2.1 PLANIFICACIÓN Y CONTROL DEL DESPLIEGUE DE LOS HALLAZGOS ...... 54spa
dc.description.tableofcontents6.5.2.2 FINALIZACIÓN ...... 54spa
dc.description.tableofcontents7. DESARROLLO DE UN SISTEMA DE ANÁLISIS DE LAS PQRD DEL SECTOR SALUD A NIVEL NACIONAL MEDIANTE EL USO DEL ALGORITMO DE AGRUPAMIENTO NO SUPERVISADO K-MEANS ...... 55spa
dc.description.tableofcontents7.1 REQUERIMIENTOS FUNCIONALES Y NO FUNCIONALES ...... 55spa
dc.description.tableofcontents7.2 ARQUITECTURA DEL SISTEMA ...... 58spa
dc.description.tableofcontents7.3 MODELO DE PROCESO PARA EL ANÁLISIS DE PQRD EN EL SECTOR SALUD DE COLOMBIA ...... 59spa
dc.description.tableofcontents7.4 CASOS DE USO ...... 60spa
dc.description.tableofcontents7.5 DISEÑO DE LA APLICACIÓN DE ANÁLISIS DE PQRD RESTFUL ...... 61spa
dc.description.tableofcontents7.5.1 DIAGRAMA DE CLASES ...... 61spa
dc.description.tableofcontents7.5.2 DIAGRAMAS DE SECUENCIA ...... 62spa
dc.description.tableofcontents7.5.3 MODELO DE DATOS ...... 64spa
dc.description.tableofcontents7.5.3.1 INTEGRACIÓN CON DATOS EXTERNOS ...... 65spa
dc.description.tableofcontents7.6 DISEÑO DE LA APLICACIÓN WEB HIF (HEALTHCARE ISSUE FINDER) ...... 66spa
dc.description.tableofcontents7.6.1 FLUJO DE LA INFORMACIÓN ...... 66spa
dc.description.tableofcontents7.6.2 DIAGRAMA DE COMPONENTES ...... 67spa
dc.description.tableofcontents7.6.3 DIAGRAMA DE SECUENCIA ...... 68spa
dc.description.tableofcontents7.7 PRUEBAS ...... 69spa
dc.description.tableofcontents7.7.1 PLAN DE PRUEBAS ...... 69spa
dc.description.tableofcontents7.7.2 EJECUCIÓN E INFORME DE PRUEBAS ...... 69spa
dc.description.tableofcontents8. RESULTADOS Y DISCUSIONES ...... 70spa
dc.description.tableofcontents8.1 SELECCIÓN DEL MEJOR ALGORITMO DE AGRUPAMIENTO NO SUPERVISADO APLICADOS A LAS PQRD DEL SECTOR SALUD EN MONTERÍA DE 2021 ...... 70spa
dc.description.tableofcontents8.2 ANÁLISIS DE LOS RESULTADOS DE LA AGRUPACIÓN DE LAS PQRD DEL SECTOR SALUD PARA EL MUNICIPIO DE MONTERÍA EN LOS REGÍMENES CONTRIBUTIVO Y SUBSIDIADO DE 2021 ...... 70spa
dc.description.tableofcontents8.3 SISTEMA DE ANÁLISIS DE LAS PQRD DEL SECTOR SALUD BASADO EN AGRUPAMIENTO ...... 71spa
dc.description.tableofcontents8.4 BARRERAS IDENTIFICADAS EN LA PRESTACIÓN DEL SERVICIO EN LA SALUD PÚBLICA DEL MUNICIPIO DE MONTERÍA EN EL 2021 ...... 72spa
dc.description.tableofcontents8.5 OPORTUNIDADES DE MEJORA IDENTIFICADAS EN LA PRESTACIÓN DEL SERVICIO EN LA SALUD PÚBLICA DEL MUNICIPIO DE MONTERÍA EN EL 2021 ...... 72spa
dc.description.tableofcontents9. CONCLUSIONES ...... 73spa
dc.description.tableofcontents10. RECOMENDACIONES Y TRABAJOS FUTUROS ...... 75spa
dc.description.tableofcontents11. CONTRIBUCIONES ...... 76spa
dc.description.tableofcontents12. BIBLIOGRAFÍA ...... 77spa
dc.description.tableofcontentsANEXOS ...... 82spa
dc.format.mimetypeapplication/pdfspa
dc.identifier.urihttps://repositorio.unicordoba.edu.co/handle/ucordoba/7408
dc.language.isospaspa
dc.publisher.facultyFacultad de Ingenieríaspa
dc.publisher.placeMontería, Córdoba, Colombiaspa
dc.publisher.programIngeniería de Sistemasspa
dc.rightsCopyright Universidad de Córdoba, 2023spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)spa
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/spa
dc.subject.keywordsPQRD health sectorspa
dc.subject.keywordsPublic healthspa
dc.subject.keywordsAccess to health servicesspa
dc.subject.keywordsExploratory analysisspa
dc.subject.keywordsUnsupervised learningspa
dc.subject.keywordsK-meansspa
dc.subject.proposalPQRD sector saludspa
dc.subject.proposalSalud públicaspa
dc.subject.proposalAcceso a los servicios de saludspa
dc.subject.proposalAnálisis exploratoriospa
dc.subject.proposalAprendizaje no supervisadospa
dc.subject.proposalK-meansspa
dc.titleAnálisis exploratorio de las pqrd del sector salud mediante aprendizaje no supervisado para identificar las principales barreras y oportunidades de mejora en la prestación del servicio en la salud pública del municipio de Monteríaspa
dc.typeTrabajo de grado - Pregradospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1fspa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/bachelorThesisspa
dc.type.versioninfo:eu-repo/semantics/submittedVersionspa
dcterms.referencesAdministradora de los Recursos del Sistema General de Seguridad Social en Salud. (s. f.). Reporte de afiliados por departamento y municipio. Recuperado 1 de diciembre de 2022, de https://www.adres.gov.co/eps/bdua/Paginas/reporte-afiliados-por-departamento-ymunicipio.aspxspa
dcterms.referencesAmazon Web Services. (s. f.). Bases de datos no relacionales | Bases de datos de gráficos | AWS. Recuperado 11 de abril de 2023, de https://aws.amazon.com/es/nosql/spa
dcterms.referencesAndia, O. I. (2019). Las causas de la crisis financiera del sistema de salud colombiano desde los medicamentos. Revista de la Universidad Industrial de Santander. Salud, 51(4), 277-278. https://doi.org/10.18273/revsal.v51n4-2019009spa
dcterms.referencesArtificial Intelligence Group of the French Radiology Society, French College of Radiology Teachers, & French Radiology Community. (2018). Artificial intelligence and medical imaging 2018: French Radiology Community white paper. Diagnostic and Interventional Imaging, 99(11), 727-742. https://doi.org/10.1016/J.DIII.2018.10.003spa
dcterms.referencesBasáez, E., & Mora, J. (2022). Salud e inteligencia artificial: ¿cómo hemos evolucionado? Revista Médica Clínica Las Condes, 33(6), 556-561. https://doi.org/10.1016/j.rmclc.2022.11.003spa
dcterms.referencesBetlloch Mas, I., Ramón Sapena, R., Abellán García, C., & Pascual Ramírez, J. C. (2019). Implementation and Operation of an Integrated Quality Management System in Accordance With ISO 9001:2015 in a Dermatology Department. Actas DermoSifiliográficas (English Edition), 110(2), 92-101. https://doi.org/10.1016/j.adengl.2019.01.003spa
dcterms.referencesBjeladinovic, S. (2018). A fresh approach for hybrid SQL/NoSQL database design based on data structuredness. Enterprise Information Systems, 12(8-9), 1202-1220. https://doi.org/10.1080/17517575.2018.1446102spa
dcterms.referencesBran Piedrahita, L., Valencia Arias, A., Palacios Moya, L., Gómez Molina, S., Acevedo Correa, Y., & Arias Arciniegas, C. (2020). Barreras de acceso del sistema de salud colombiano en zonas rurales: percepciones de usuarios del régimen subsidiado. Hacia la Promoción de la Salud, 25(2), 29-38. https://doi.org/10.17151/hpsal.2020.25.2.6spa
dcterms.referencesCastrillo Gómez, J. C., & Humberto Torres, J. (2021). Dashboard para visualizar la calificación del proceso de peticiones de PQRD de las entidades de salud en Colombia (Universidad Antonio Nariño; Vol. 337-338). Universidad Antonio Nariño, Bogotá. Recuperado de http://repositorio.uan.edu.co/handle/123456789/6619spa
dcterms.referencesCerda, P., Varoquaux, G., & Kégl, B. (2018). Similarity encoding for learning with dirty categorical variables. Machine Learning, 107(8-10), 1477-1494. https://doi.org/10.1007/S10994-018-5724-2spa
dcterms.referencesD. Kelleher, J., Mac Namee, B., & D’Arcy Aoife. (2020). Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, worked examples, and case studies (2nd ed.; The MIT Press, Ed.).spa
dcterms.referencesDeng, D. (2020). DBSCAN Clustering Algorithm Based on Density. Proceedings - 2020 7th International Forum on Electrical Engineering and Automation, IFEEA 2020, 949-953. https://doi.org/10.1109/IFEEA51475.2020.00199spa
dcterms.referencesEnright, K. (2021). Elusive quality: the challenges and ethical dilemmas faced by international non-governmental organisations in sourcing quality assured medical products. BMJ global health, 6(Suppl 3). https://doi.org/10.1136/BMJGH-2020-004339spa
dcterms.referencesEslava Rincón, J. I., Camelo Tovar, F. A., Rosero, L. M., Vásquez Candia, M. E., & Mejía Rocha, M. M. (2018). Análisis de la capacidad de respuesta de los sistemas de información en salud para la supervisión de riesgos que afectan el derecho a la salud en Colombia. Gerencia y Políticas de Salud, 17(35). https://doi.org/10.11144/Javeriana.rgps17-35.acrsspa
dcterms.referencesEspinosa Zúñiga, J. J. (2020). Aplicación de metodología CRISP-DM para segmentación geográfica de una base de datos pública. Ingeniería Investigación y Tecnología, 21(1), 1-13. https://doi.org/10.22201/fi.25940732e.2020.21n1.008spa
dcterms.referencesEster, M., Kriegel, H.-P., Sander, J., & Xu, X. (1996). A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise. Proceedings of the Second International Conference on Knowledge Discovery and Data Mining. Recuperado de https://aaai.org/papers/037-a-density-based-algorithm-for-discovering-clusters-inlarge-spatial-databases-with-noise/spa
dcterms.referencesFajardo-Gutiérrez, A. (2017). Medición en epidemiología: prevalencia, incidencia, riesgo, medidas de impacto. Revista Alergia México, 64(1), 109-120. https://doi.org/10.29262/ram.v64i1.252spa
dcterms.referencesFonseca Salguero, M. A., & Martínez Peñuela, D. A. (2020). Caracterización de peticiones, quejas y reclamos del SGSSS en Colombia en 2014-2019: retos y perspectivas (Universidad Nacional de Colombia; Vol. 31). Universidad Nacional de Colombia, Bogotá. Recuperado de https://repositorio.unal.edu.co/handle/unal/78105spa
dcterms.referencesFukunaga, K., & Hostetler, L. (1975). The estimation of the gradient of a density function, with applications in pattern recognition. IEEE Transactions on Information Theory, 21(1), 32-40. https://doi.org/10.1109/TIT.1975.1055330spa
dcterms.referencesGalvis Ciro, J. C., & Hincapié Vélez, G. D. (2022). Los efectos de la corrupción sobre el gasto público en los departamentos de Colombia. Apuntes del Cenes, 41(73). https://doi.org/10.19053/01203053.v41.n73.2022.13555spa
dcterms.referencesGiraldo Otálvaro, J. D. (2021). Estudio de las técnicas de reducción de dimensión basadas en componentes principales: Análisis de componentes principales no lineales (Universidad Nacional de Colombia). Universidad Nacional de Colombia. Recuperado de https://repositorio.unal.edu.co/handle/unal/80028spa
dcterms.referencesGomez, H. M., Mejia Arbelaez, C., & Ocampo Cañas, J. A. (2020). A qualitative study of the experiences of pregnant women in accessing healthcare services during the Zika virus epidemic in Villavicencio, Colombia, 2015–2016. International Journal of Gynecology & Obstetrics, 148(S2), 29-35. https://doi.org/10.1002/ijgo.13045spa
dcterms.referencesIBM. (2021a). Conceptos básicos sobre comprensión comercial - Documentación de IBM. Recuperado 24 de enero de 2022, de https://www.ibm.com/docs/es/spssmodeler/SaaS?topic=understanding-business-overviewspa
dcterms.referencesIBM. (2021b). Conceptos básicos sobre comprensión de datos - Documentación de IBM. Recuperado 24 de enero de 2022, de https://www.ibm.com/docs/es/spssmodeler/SaaS?topic=understanding-data-overviewspa
dcterms.referencesIBM. (2021c). Conceptos básicos sobre preparación de datos - Documentación de IBM. Recuperado 24 de enero de 2022, de https://www.ibm.com/docs/es/spssmodeler/SaaS?topic=preparation-data-overviewspa
dcterms.referencesIBM. (2021d, agosto 17). Descripción general de la ayuda de CRISP-DM - Documentación de IBM. Recuperado 11 de abril de 2023, de https://www.ibm.com/docs/en/spssmodeler/saas?topic=dm-crisp-help-overviewspa
dcterms.referencesMarino, D., Carlizzi, D. N., & Falcomatà, V. (2023). Artificial Intelligence as a disruption technology to build the Harmonic Health Industry. Procedia Computer Science, 217, 1354-1359. https://doi.org/10.1016/j.procs.2022.12.333spa
dcterms.referencesMeier, A., & Kaufmann, M. (2019). SQL & NoSQL Databases. Wiesbaden: Springer Fachmedien Wiesbaden. https://doi.org/10.1007/978-3-658-24549-8spa
dcterms.referencesMinisterio de Salud y Protección Social. (2020). Informe de gestión 2019. Ministerio de Salud y Protección Social. Recuperado de Ministerio de Salud y Protección Social website: https://www.minsalud.gov.co/RID/informe-gestion2019-marzo30-2020-t.pdfspa
dcterms.referencesMinisterio de Salud y Protección Social. (s. f.). Población pobre no asegurada. Recuperado 11 de abril de 2023, de https://minsalud.gov.co/proteccionsocial/Regimensubsidiado/Paginas/poblacionpobre-no-asegurada.aspxspa
dcterms.referencesMora Moreo, L., Estrada Orozco, K., Espinosa, O., & Melgarejo, L. M. (2023). Characterization of the population affiliated to the subsidized health insurance scheme in Colombia: a systematic review and meta-analysis. International Journal for Equity in Health, 22(1), 28. https://doi.org/10.1186/s12939-022-01818-xspa
dcterms.referencesMorais, P., Miguéis, V. L., & Camanho, A. (2017). Exploring the relationship between corruption and health care services, education services and standard of living. Lecture Notes in Business Information Processing, Vol. 279, pp. 87-100. https://doi.org/10.1007/978-3-319-56925-3_8spa
dcterms.referencesNaranjo Martínez, L. C., & Rodríguez Rojas, J. A. (2019). Análisis de las peticiones, quejas, reclamos y denuncias (PQRD) interpuestas por cáncer ante la Supersalud, 2018. Recuperado de http://hdl.handle.net/11634/21370spa
dcterms.referencesOzawa, S., Evans, D. R., Bessias, S., Haynie, D. G., Yemeke, T. T., Laing, S. K., & Herrington, J. E. (2018). Prevalence and Estimated Economic Burden of Substandard and Falsified Medicines in Low- and Middle-Income Countries: A Systematic Review and Meta-analysis. JAMA network open, 1(4). https://doi.org/10.1001/JAMANETWORKOPEN.2018.1662spa
dcterms.referencesPedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., … others. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12, 2825-2830spa
dcterms.referencesPerkel, J. M. (2020). Why scientists are turning to Rust. Nature, 588(7836), 185-186. https://doi.org/10.1038/d41586-020-03382-2spa
dcterms.referencesRodriguez Ortega, A. E., & Vélez Correa, P. N. (2023). Análisis de las PQRD de las instituciones de salud de Colombia interpuestas ante la Superintendencia Nacional de Salud durante el año 2021 (Fundación Universitaria de Ciencias de la Salud - FUCS). Fundación Universitaria de Ciencias de la Salud - FUCS. Recuperado de https://repositorio.fucsalud.edu.co/handle/001/3230spa
dcterms.referencesRousseeuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53-65. https://doi.org/10.1016/0377-0427(87)90125-7spa
dcterms.referencesSalesforce Architects. (s. f.). Documentation and Implementation Diagrams | Salesforce Architects. Recuperado 3 de mayo de 2023, de https://architect.salesforce.com/diagrams/framework/docs-implementationspa
dcterms.referencesSchröer, C., Kruse, F., & Gómez, J. M. (2021). A systematic literature review on applying CRISP-DM process model. Procedia Computer Science, 181, 526-534. https://doi.org/10.1016/J.PROCS.2021.01.199spa
dcterms.referencesScikit-learn. (s. f.-a). Clustering. Recuperado 14 de abril de 2023, de https://scikitlearn.org/stable/modules/clustering.htmlspa
dcterms.referencesScikit-learn. (s. f.-b). sklearn.preprocessing.OneHotEncoder. Recuperado 14 de abril de 2023, de https://scikitlearn.org/stable/modules/generated/sklearn.preprocessing.OneHotEncoder.html#sklear n.preprocessing.OneHotEncoderspa
dcterms.referencesSree, K. T., Anil Kumar, R., & Rama Naidu, G. (2022). A Future Awareness for Healthcare Applications Using Data Mining. Advances in Transdisciplinary Engineering, 27, 137- 143. https://doi.org/10.3233/ATDE220732spa
dcterms.referencesStafford, I. S., Kellermann, M., Mossotto, E., Beattie, R. M., MacArthur, B. D., & Ennis, S. (2020). A systematic review of the applications of artificial intelligence and machine learning in autoimmune diseases. NPJ digital medicine, 3(1). https://doi.org/10.1038/S41746-020-0229-3spa
dcterms.referencesSuperintendencia Nacional de Salud. (2021). Base de Datos PQRD 2021 - CSV | Portal de Datos Abiertos de la SNS. Recuperado 14 de febrero de 2023, de https://mapas.supersalud.gov.co/arcgisportal/apps/sites/#/datosabiertos/datasets/3824e636c1b748269364c0e57c680d58/aboutspa
dcterms.referencesTa, C. N., & Weng, C. (2019). Detecting Systemic Data Quality Issues in Electronic Health Records. Studies in health technology and informatics, 264, 383-387. https://doi.org/10.3233/SHTI190248spa
dcterms.referencesÜnlü, R., & Xanthopoulos, P. (2019). Estimating the number of clusters in a dataset via consensus clustering. Expert Systems with Applications, 125, 33-39. https://doi.org/10.1016/j.eswa.2019.01.074spa
dcterms.referencesVillamil, M. del P., Barrera, D., Velasco, N., Bernal, O., Fajardo, E., Urango, C., & Buitrago, S. (2017). Strategies for the quality assessment of the health care service providers in the treatment of Gastric Cancer in Colombia. BMC Health Services Research, 17(1), 654. https://doi.org/10.1186/s12913-017-2440-8spa
dcterms.referencesVirupakshappa, K., & Oruklu, E. (2019). Unsupervised Machine Learning for Ultrasonic Flaw Detection using Gaussian Mixture Modeling, K-Means Clustering and Mean Shift Clustering. IEEE International Ultrasonics Symposium, IUS, 2019-October, 647-649. https://doi.org/10.1109/ULTSYM.2019.8926078spa
dspace.entity.typePublication
oaire.accessrightshttp://purl.org/coar/access_right/c_abf2spa
oaire.versionhttp://purl.org/coar/version/c_ab4af688f83e57aaspa
Archivos
Bloque original
Mostrando 1 - 2 de 2
Miniatura
Nombre:
ANÁLISIS EXPLORATORIO DE LAS PQRD DEL SECTOR SALUD MEDIANTE APRENDIZAJE NO SUPERVISADO PARA IDENTIFICAR LAS PRINCIPALES BARRERAS Y OPORTUNIDADES DE MEJORA EN LA PRESTACIÓN DEL SERVICIO EN LA SALUD PÚBLICA DEL MUNICIPIO DE MONTERÍA.pdf
Tamaño:
3.26 MB
Formato:
Adobe Portable Document Format
Descripción:
Artículo principal
Descargar
No hay miniatura disponible
Nombre:
Autorización_Publicación.pdf
Tamaño:
273.12 KB
Formato:
Adobe Portable Document Format
Descripción:
Autorizacion
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
14.48 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
F.E.A. Trabajos de Investigación y/o Extensión