Raciny Aleman, Mayra L.Hoyos, WilliamLina M. Quintero VargasLady L. Schotborgh Yepes2024-08-072024-08-072024-08-06https://repositorio.unicordoba.edu.co/handle/ucordoba/8474Las geohelmintiasis son infecciones parasitarias intestinales que afectan a millones de personas en todo el mundo, especialmente a niños en países en desarrollo. En Colombia, estas infecciones son un problema de salud pública principalmente en zonas con bajos niveles de saneamiento básico y poco o nulo acceso a agua potable. Objetivo: utilizar herramientas de inteligencia artificial para desarrollar un modelo predictivo que permita analizar los factores de riesgo asociados al diagnóstico sugerente de las geohelmintiasis. Metodología: se realizó un estudio descriptivo de corte transversal en dos barrios periféricos de la ciudad de Montería. Se incluyeron 47 niños con edades comprendidas entre los 2 y 17 años. Se recolectó información sociodemográfica, epidemiológica y clínica de los participantes, y se realizaron pruebas de laboratorio parasitológicas y hematológicas. Se desarrolló un modelo predictivo para identificar los factores de riesgo asociados con la eosinofilia, considerada como criterio de diagnóstico sugestivo de la geohelmintiasis. Resultados: no se encontró presencia de geohelmintos en la población estudiada, como tampoco valores en la concentración de hemoglobina asociados a cuadros de anemia. El 32% de los niños presentó eosinofilia. Se diseñó mediante inteligencia artificial un modelo predictivo que identificó a la edad, el tipo de cuidador del niño, los ingresos mensuales del hogar, la eliminación final de excretas y el lavado de frutas antes de su consumo como los factores de riesgo más influyentes en la presencia de eosinofilia. Como factores protectores el modelo diseñado identificó el tipo de calzado usado por el niño y la procedencia del agua para cocinar.application/pdfspaCopyright Universidad de Córdoba, 2024Trabajo de grado - PregradoAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)info:eu-repo/semantics/openAccessGeohelmintosEosinofiliaInteligencia artificialModelo predictivoGeohelminthEosinophiliaArtificial intelligencePredictive modelingUniversidad de CórdobaRepositorio Universidad de Córdobahttps://repositorio.unicordoba.edu.cohttp://purl.org/coar/access_right/c_abf2