UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19617/1/B-CISC-PTG.1265 Orr… ·...
Transcript of UNIVERSIDAD DE GUAYAQUILrepositorio.ug.edu.ec/bitstream/redug/19617/1/B-CISC-PTG.1265 Orr… ·...
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS
CARRERA DE INGENIERÍA EN SISTEMAS
COMPUTACIONALES
ESTUDIO DE UN ALGORITMO DE AGRUPAMIENTO BASADO EN LÓGICA DIFUSA PARA ANALIZAR EL PROCESO DE VALORACIÓN CLÍNICA SEGÚN SU NIVEL DE URGENCIA EN UN HOSPITAL DE LA CIUDAD DE GUAYAQUIL
PROYECTO DE TITULACIÓN
Previa a la obtención del Título de:
INGENIERO EN SISTEMAS COMPUTACIONALES
AUTOR (ES):
FREDDY ALBERTO ORRALA MACÍAS
XIMENA FERNANDA BARRILLA LUQUE
TUTOR:
ING. LORENZO CEVALLOS TORRES, M. SC.
GUAYAQUIL – ECUADOR
2017
REPOSITORIO NACIONAL EN CIENCIA Y TECNOLOGÍA FICHA DE REGISTRO DE TESIS
TITULO: “Estudio de un algoritmo de agrupamiento basado en lógica difusa para
analizar el proceso de valoración clínica según su nivel de urgencia en un hospital de la
ciudad de Guayaquil”
AUTOR/ES:
Freddy Alberto Orrala Macías.
Ximena Fernanda Barrilla Luque
REVISORES:
Ing. Jéssica Yépez Holguín, M. Sc.
Ing. Alfonso Guijarro Rodríguez, M. Sc.
INSTITUCIÓN:
Universidad de Guayaquil FACULTAD:
Ciencias Matemáticas y Físicas
CARRERA:
Ingeniería en Sistemas Computacionales
FECHA DE PUBLICACIÓN: N. DE PAGS: 133
ÁREAS TEMÁTICAS:
Inteligencia Artificial y Robótica, estadístico y matemático
PALABRAS CLAVE: Algoritmo, lógica difusa, agrupamiento difuso, valoración
clínica, triage
RESUMEN: Fuzzy c-means (FCM) es un algoritmo de agrupamiento que relaciona cada
elemento con los clústeres que fueron determinados en el mismo espacio n-dimensional, esto
significa que un elemento puede pertenecer en más de 2 clusters. Para casos experimentales el
presente trabajo pretende analizar el proceso de valoración clínica mediante los métodos de
priorización, sistema de triage Manchester y escala de Glasgow aplicado en un caso de estudio
utilizando el agrupamiento difuso. Para esto se simularon 30 pacientes, los cuales fueron
evaluados mediante la escala de coma de Glasgow para medir el nivel de conciencia de cada
uno, lo que género como resultados valores aleatorios, que serán priorizados por el método
triage Manchester.
N. DE REGISTRO: N. DE CLASIFICACIÓN:
DIRECCIÓN URL:
ADJUNTO URL (tesis en la
web):
ADJUNTO PDF: SI NO
CONTACTO CON
AUTORES/ES:
Teléfono:
0967093366
0913927596
E-mail:
CONTACTO EN LA
INSTITUCION:
Carrera de Ingeniería en Sistemas
Computacionales
Nombre: Ab. Juan Chávez Atocha
Teléfono: 2307729
E-mail: [email protected]
X
I
APROBACIÓN DEL TUTOR
En mi calidad de Tutor del trabajo de investigación, “Estudio de un
algoritmo de agrupamiento basado en lógica difusa para
analizar el proceso de valoración clínica según su nivel de
urgencia en un hospital de la ciudad de Guayaquil. Elaborado por
el Sr. Freddy Alberto Orrala Macías y la Srta. Ximena Fernanda
Barrila Luque y, Alumnos no titulados de la Carrera de Ingeniería
en Sistemas Computacionales, Facultad de Ciencias Matemáticas y
Físicas de la Universidad de Guayaquil, previo a la obtención del
Título de Ingeniero en Sistemas Computacionales, me permito
declarar que luego de haber orientado, estudiado y revisado, la
Apruebo en todas sus partes.
Atentamente
Ing. Lorenzo Cevallos Torres, M. Sc. TUTOR
II
DEDICATORIA
El presente trabajo de tesis se lo dedico a mi familia quienes fueron el pilar principal en el transcurso y culminación de mi carrera profesional. A mi madre Rosa Macías por ser mi amiga incondicional en todo momento que con su gran amor y sabiduría me encamino por el sendero correcto camino de Dios, a mis hermanos Miguel y Paola por siempre estar prestos a brindarme su apoyo y ayuda en el momento que lo necesite.
Freddy Alberto Orrala Macías
III
DEDICATORIA
El presente proyecto de titulación se lo dedico a Dios, por estar conmigo en cada paso que doy, por fortalecer mi corazón e iluminar mi mente y por haber puesto en mi camino a aquellas personas que han sido mi soporte y mi ayuda durante todo el periodo de estudio. A mis hijos Steven y Elías Méndez Barrilla, quienes son el motor de mi vida y son parte muy importante de lo que hoy puedo presentar como proyecto de tesis, gracias a ellos por cada momento en familia sacrificado para ser invertido en el desarrollo de esta tan anhelada carrera.
Ximena Fernanda Barrilla Luque
IV
AGRADECIMIENTO
Primeramente quiero dar gracias a Dios y por haberme dado salud y fortaleza para salir adelante y culminar mis estudios, a mis padres, a la Universidad de Guayaquil, a la Facultad de Ciencias Matemáticas y Físicas por todo lo que me han brindado para mi formación como persona y profesional. Al ingeniero Lorenzo Cevallos Torres quien me supo guiar desde el inicio en el desarrollo del proyecto.
Freddy Alberto Orrala Macías
V
AGRADECIMIENTO
A Dios por permitirme llegara a este momento tan especial en mi vida. A mi madre por su apoyo incondicional. A mi esposo, Walter Méndez Mantuano, quien me brindo su amor, su cariño, su estímulo y su apoyo constante. Su compresión y paciencia para que pudiera terminar mi carrera universitaria, son evidencias de su gran amor. A mis familiares, profesores compañeros y amigos en general por sus palabras de motivación en todo momento.
Ximena Fernanda Barrilla Luque
VI
TRIBUNAL PROYECTO DE TITULACIÓN
Ing. Eduardo Santos Baquerizo, M. Sc. Ing. Roberto Crespo Mendoza, Mgs. DECANO DE LA FACULTAD DIRECTOR DE LA CARRERA DE CIENCIAS MATEMÁTICAS Y FÍSICAS INGENIERÍA EN SISTEMAS COMPUTACIONALES
Ing. Alfonso Guijarro Rodríguez, M. Sc. Ing. Jessica Yépez Holguín, M. Sc. PROFESOR REVISOR DEL PROFESOR REVISOR DEL ÁREA - TRIBUNAL ÁREA - TRIBUNAL
Ing. Lorenzo Cevallos Torres, M. Sc.
PROFESOR TUTOR DEL PROYECTO DE TITULACIÓN
Ab. Juan Chávez Atocha, Esp.
SECRETARIO
VII
DECLARACIÓN EXPRESA
“La responsabilidad del contenido de este Proyecto de Titulación, me corresponden exclusivamente; y el patrimonio intelectual de la misma a la UNIVERSIDAD DE GUAYAQUIL”
ORRALA MACÍAS FREDDY ALBERTO BARRILLA LUQUE XIMENA FERNANDA
VIII
.
UNIVERSIDAD DE GUAYAQUIL FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS
CARRERA DE INGENIERÍA EN SISTEMAS
COMPUTACIONALES
ESTUDIO DE UN ALGORITMO DE AGRUPAMIENTO BASADO EN LÓGICA DIFUSA PARA ANALIZAR EL PROCESO DE VALORACIÓN CLÍNICA SEGÚN SU NIVEL DE URGENCIA EN UN HOSPITAL DE LA CIUDAD GUAYAQUIL
Proyecto de Titulación que se presenta como requisito para optar por el
título de INGENIERO EN SISTEMAS COMPUTACIONALES
Autor/a: Freddy Alberto Orrala Macías
C.I. 0941018046
Autor/a: Ximena Fernanda Barrila Luque
C.I. 0913927596
IX
CERTIFICADO DE ACEPTACIÓN DEL TUTOR
En mi calidad de Tutor del proyecto de titulación, nombrado por el Consejo Directivo de la Facultad de Ciencias Matemáticas y Físicas de la Universidad de Guayaquil.
CERTIFICO: Que he analizado el Proyecto de Titulación presentado por los estudiantes el Sr. Freddy Alberto Orrala Macías y la Srta. Ximena Fernanda Barrilla Luque y, como requisito previo para optar por el título de Ingeniero en Sistemas Computacionales cuyo problema es: “ESTUDIO DE UN ALGORITMO DE AGRUPAMIENTO BASADO EN LÓGICA DIFUSA PARA ANALIZAR EL PROCESO DE VALORACIÓN CLÍNICA SEGÚN SU NIVEL DE URGENCIA EN UN HOSPITAL DE CIUDAD DE GUAYAQUIL” Considero aprobado el trabajo en su totalidad.
Presentado por: Orrala Macías Freddy Alberto Barrilla Luque Ximena Fernanda C.I. 0941018046 C.I. 0913927596
Tutor: Ing. Lorenzo Cevallos Torres, M. Sc
Guayaquil, Julio del 2017
X
UNIVERSIDAD DE GUAYAQUIL FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS
CARRERA DE INGENIERÍA EN SISTEMAS COMPUTACIONALES
Autorización para Publicación de Proyecto de Titulación en Formato Digital
1. Identificación del Proyecto de Titulación
Nombre Alumno: Freddy Alberto Orrala Macías
Ximena Fernanda Barrilla Luque
Dirección: Floresta #1 Mz. 66 Villa 16
Coop. Sergio Toral Ma. 3357 Solar 20
Teléfono: 0967093366 E-mail: [email protected]
Teléfono: 0913927596 E-mail: [email protected]
Facultad: Ciencias Matemáticas Y Físicas
Carrera: Ingeniería en Sistemas Computacionales
Proyecto de titulación al que opta: Ingeniero en Sistemas
Computacionales
Profesor guía: Ing. Lorenzo Cevallos Torres, M.Sc.
Título del Proyecto de titulación: “Estudio de un Algoritmo de
agrupamiento basado en lógica difusa para analizar el proceso de
valoración clínica según su nivel de urgencia en un hospital de la ciudad
de Guayaquil”
Tema del Proyecto de Titulación: Lógica Difusa, algoritmo, valoración
clínica, triage, agrupamiento difuso
XI
2. Autorización de Publicación de Versión Electrónica del Proyecto de Titulación A través de este medio autorizo a la Biblioteca de la Universidad de Guayaquil y a la Facultad de Ciencias Matemáticas y Físicas a publicar la versión electrónica de este Proyecto de titulación. Publicación electrónica:
Inmediata X Después de 1 año
Firma Alumnos:
Orrala Macías Freddy Alberto Barrilla Luque Ximena Fernanda C.I. 0941018046 C.I. 0913927596
3. Forma de envío: El texto del proyecto de titulación debe ser enviado en formato Word, como archivo .Doc. O .RTF y .Puf para PC. Las imágenes que la acompañen pueden ser: .gif, .jpg o .TIFF.
DVDROM CDROM
XII
ÍNDICE GENERAL Pág.
APROBACION DEL TUTOR……………………………………………...I
DEDICATORIA……………………………………………………………...II
DEDICATORIA……………………………………………………………...III
AGRADECIMIENTO………………………………………………………..IV
AGRADECIMIENTO………………………………………………………..V
CERTIFICADO DE ACEPTACIÓN DEL TUTOR………………………..IX
INDICE GENERAL………………………………………………………….XII
INDICE DE CUADROS…………………………………………………….XIV
ÍNDICE DE GRÁFICOS………………...…………………………………XVII
ABREVIATURAS…………………………………………………………...XIX
Resumen…………………………………………………………………….XX
Abstract……………………………………………………………………...XXI
Introducción…………………………………………………………………..1
CAPÍTULO I…………………………………………………………………....3
UBICACIÓN DEL PROBLEMA EN UN CONTEXTO…………………...3
Situación Nudos Críticos…………………………………………………..4
Formulación del problema…………………………………………………7
Evaluación del problema………………………………………………………………….….7
OBJETIVOS…………………………………………………………………8
ALCANCES………………………………………………………………….9
JUSTIFICACIÓN E IMPORTANCIA………………………………………9
CAPÍTULO II…………………………………………………………………...11
ANTECEDENTES DE ESTUDIO………………………………………….11
Fundamentación Teórica…………………………………………………...12
Fundamentación Legal…………………………………………………......37
CAPÍTULO III….…………………………………………………………….....41
DISEÑO DE LA INVESTIGACIÓN…………………………………………………………....41
Definiciones Básicas…………………………………………………………..41
Diseño de la Base de Datos……………………………………………….46
XIII
Análisis Univariado de los datos…………………………………………..51
“Caso de Estudio”…..……………………………………………………….76
CAPÍTULO IV…………………………………………………………………..91
RESULTADOS………………………………………………………………..91
Respuesta a pregunta científica…………………………………………….92
Conclusiones………………………………………………………………….94
Recomendaciones……………………………………………………………95
Bibliografía…………………………………………………………………….96
Anexos………………………………………………………………………….99
XIV
ÍNDICE DE CUADROS Pág. CUADRO Nº1…………………………………………………………..…..5 Causas y consecuencias del problema CUADRO Nº2…………………………………………………………..…..6 Delimitación del problema CUADRO Nº3…………………………………………………………..…..13 Ventajas y Limitaciones de Metaanálisis CUADRO Nº4…………………………………………………………..…..14 Diferencia Revisión Sistemática y Metaanálisis CUADRO Nº5…………………………………………………………..…..15 Ramas de la Inteligencia artificial CUADRO Nº6…………………………………………………………..…..20 Tipos de funciones de pertenencia CUADRO Nº7…………………………………………………………..…..27 Descripción algoritmo FCM CUADRO Nº8…………………………………………………………..…..28 Descripción de las variables FCM CUADRO Nº9…………………………………………………………..…..29 Tipos de valoración clínica CUADRO Nº10……………………………………………………………..30 Clasificación MTS CUADRO Nº11……………………………………………………………..32 Nomenclatura Glasgow CUADRO Nº12……………………………………………………………..36 Características de Orange Canvas CUADRO Nº13……………………………………………………………..48 Codificación de variable portales bibliográficos
XV
CUADRO Nº14……………………………………………………………..48 Codificación de variable tipo de investigación CUADRO Nº15……………………………………………………………..57 Codificación de variable fuente primaria CUADRO Nº16……………………………………………………………..49 Codificación de variable modelo computacional CUADRO Nº17……………………………………………………………..50 Codificación de variable método Fuzzy aplicado CUADRO Nº18……………………………………………………………..50 Codificación de variable técnicas estadísticas CUADRO Nº19……………………………………………………………..53 Frecuencias de la variable portales bibliográficos CUADRO Nº20……………………………………………………………..55 Frecuencias de la variable tipo de investigación CUADRO Nº21……………………………………………………………..57 Frecuencias de la variable fuente primaria CUADRO Nº22……………………………………………………………..59 Frecuencias de la variable modelo computacional CUADRO Nº23……………………………………………………………..61 Frecuencias de la variable método Fuzzy aplicado CUADRO Nº24……………………………………………………………..63 Frecuencias de la variable método técnicas estadísticas CUADRO Nº25……………………………………………………………..65 Frecuencias de la variable cuantitativa 1 CUADRO Nº26……………………………………………………………..65 Frecuencias de la variable cuantitativa 1 CUADRO Nº27……………………………………………………………..68 Frecuencias de la variable cuantitativa 2 CUADRO Nº28……………………………………………………………..68 Estadísticos variable cuantitativa 2
XVI
CUADRO Nº29……………………………………………………………..70 Frecuencias de la variable cuantitativa 3 CUADRO Nº30……………………………………………………………..70 Frecuencias de la variable cuantitativa 3 CUADRO Nº31……………………………………………………………..72 Frecuencias de la variable cuantitativa 4 CUADRO Nº32……………………………………………………………..72 Frecuencias de la variable cuantitativa 4 CUADRO Nº33……………………………………………………………..74 Frecuencias de la variable cuantitativa 5 CUADRO Nº34……………………………………………………………..74 Frecuencias de la variable cuantitativa 5 CUADRO Nº35……………………………………………………………..76 Triage Manchester con valores difusos CUADRO Nº36……………………………………………………………..77 Evaluación Glasgow a 30 pacientes CUADRO Nº37……………………………………………………………..78 Resultados de la evaluación Glasgow CUADRO Nº38……………………………………………………………..88 Resultados separados en 2 clusters CUADRO Nº39……………………………………………………………..100 Artículos relevantes del metaanálisis
XVII
ÍNDICE DE GRÁFICOS pág.
GRÁFICO Nº1……………………………………………………………..17 Diferencia lógica clásica – lógica difusa GRÁFICO Nº2……………………………………………………………..23 Modelo sistémico controladores difusos
GRÁFICO Nº3……………………………………………………………..25 Ejemplo de agrupamiento difuso
GRÁFICO Nº4……………………………………………………………..26 Superposición de conjuntos Fuzzy
GRÁFICO Nº5……………………………………………………………..33 Logo de la herramienta Orange Canvas
GRÁFICO Nº6……………………………………………………………..34 Hoja de cálculo Visual
GRÁFICO Nº7……………………………………………………………..35 Witgets de Orange Canvas
GRÁFICO Nº8……………………………………………………………..47 Variables del metaanálisis
GRÁFICO Nº9……………………………………………………..………52 ejemplo de punto de corte en SPSS GRÁFICO Nº10……………………………………………………………52 ejemplo de creación de intervalo mediante puntos de corte
GRÁFICO Nº11……………………………………………………………53 Gráfico de barras portales bibliográficos
GRÁFICO Nº12……………………………………………………………55 Gráfico de barras tipos de investigación GRÁFICO Nº13……………………………………………………………57 Gráfico de barras Fuente primaria GRÁFICO Nº14……………………………………………………………59 Gráfico de barras modelo computacional
XVIII
GRÁFICO Nº15……………………………………………………………61 Gráfico de barras método Fuzzy aplicado
GRÁFICO Nº16……………………………………………………………63 Gráfico de barras técnicas estadísticas
GRÁFICO Nº17……………………………………………………………66 Histograma variable cuantitativa 1 GRÁFICO Nº18……………………………………………………………66 Diagrama de Cajas variable cuantitativa 1
GRÁFICO Nº19……………………………………………………………69 Histograma variable cuantitativa 2
GRÁFICO Nº20……………………………………………………………71 Histograma variable cuantitativa 3
GRÁFICO Nº21……………………………………………………………73 Histograma variable cuantitativa 4
GRÁFICO Nº22……………………………………………………………75 Histograma variable cuantitativa 5
GRÁFICO Nº23……………………………………………………………93 Flujo de trabajo en Orange Canvas
GRÁFICO Nº24……………………………………………………………93 Dispersión de datos separados en 2 clusters
XIX
ABREVIATURAS
FCM: Fuzzy c – Means
MA: Metaanálisis RS: Revisión Sistemática IA: Inteligencia Artificial LD: Lógica difusa CD: Controlador difuso GCS: Escala de coma Glasgow MTS: Sistema de triage Manchester OC: Orange Canvas
XX
UNIVERSIDAD DE GUAYAQUIL FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS
CARRERA DE INGENIERÍA EN SISTEMAS COMPUTACIONALES
ESTUDIO DE UN ALGORITMO DE AGRUPAMIENTO BASADO EN LÓGICA DIFUSA PARA ANALIZAR EL PROCESO DE VALORACIÓN CLÍNICA SEGÚN SU NIVEL DE URGENCIA EN UN HOSPITAL DE LA CIUDAD GUAYAQUIL
Resumen Fuzzy c-means (FCM) es un algoritmo de agrupamiento que relaciona cada
elemento con los clústeres que fueron determinados en el mismo espacio
n-dimensional, esto significa que un elemento puede pertenecer en más de
2 clusters. Para casos experimentales el presente trabajo pretende analizar
el proceso de valoración clínica mediante los métodos de priorización,
sistema de triage Manchester y escala de Glasgow aplicado en un caso de
estudio utilizando el agrupamiento difuso. Para esto se simularon 30
pacientes, los cuales fueron evaluados mediante la escala de coma de
Glasgow para medir el nivel de conciencia de cada uno, lo que género
como resultados valores aleatorios, que serán priorizados por el método
triage Manchester. Aplicando el algoritmo FCM, se seleccionaron los
elementos que fueron simulados, lo que obtuvo como resultado valores de
pertenencia de cada dato en cada cluster. Los resultados mostraron la
dispersión de datos de la evaluación clínica de los 30 pacientes separados
en 2 clusters. Con lo cual, se constató el agrupamiento difuso en pacientes
que tengan u grado de pertenencia que especifica el nivel de priorización.
Autor: Freddy Alberto Orrala Macías
Autor: Ximena Fernanda Barrilla Luque
Tutor: Ing. Lorenzo Cevallos Torres, M.Sc.
XXI
UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE CIENCIAS MATEMÁTICAS Y FÍSICAS CARRERA DE INGENIERÍA EN SISTEMAS COMPUTACIONALES
ESTUDIO DE UN ALGORITMO DE AGRUPAMIENTO BASADO EN LÓGICA DIFUSA PARA ANALIZAR EL PROCESO DE VALORACIÓN CLÍNICA SEGÚN SU NIVEL DE URGENCIA EN UN HOSPITAL DE LA CIUDAD GUAYAQUIL
Abstract
Fuzzy c-means (FCM) is a clustering algorithm that relates each element
to clusters that were determined in the same n-dimensional space, meaning
that an element can belong to more than 2 clusters. For experimental cases
the present work aims to analyze the clinical evaluation process through
the prioritization methods, Manchester triage system and Glasgow scale
applied in a case study using diffuse grouping. For this we simulated 30
patients, who were evaluated by the Glasgow coma scale to measure the
level of consciousness of each, which gender results as random values,
which will be prioritized by the Manchester triage method. Applying the
FCM algorithm, the elements that were simulated were selected, which
resulted in values belonging to each data in each cluster. The results
showed the dispersion of data from the clinical evaluation of the 30 patients
separated into 2 clusters. Thus, diffuse grouping was found in patients with
a degree of belonging that specifies the level of prioritizat
Author: Freddy Alberto Orrala Macías
Author: Ximena Fernanda Barrilla Luque
Tutor: Ing. Lorenzo Cevallos Torres, M. Sc
1
Introducción
Actualmente la lógica difusa se considera una técnica que nos permite
tomar una decisión en un momento impreciso mediante variables
indeterminadas, conviene señalar que los términos difuso, borroso, vago y
ambiguo no son la lógica, sino el objetivo que se analizará.
La lógica difusa utiliza valores de verdad no deterministas que tienen una
connotación de incertidumbre, incluye el razonamiento aproximado y
provee fortaleza matemática a la emulación de atributos lingüísticos
asociado con el razonamiento humano (Lizarralde, Arona, & Huayapa,
2012). Los seres humanos no trabajan tanto con la lógica tradicional y en
el lenguaje cotidiano mantenemos expresiones del tipo “más frío”, “poco
atractivo”, “muy importante”, “alto impacto”, “poco valioso”, entre otros.,
todas ellas contienen gran parte de indefinición y de lenguaje ambiguo
sobre el tema del que se está hablando”, La lógica difusa está
beneficiándose en su utilización en sus distintas aplicaciones, sin embargo
los investigadores buscan nuevos y actuales campos de aplicación de esta
técnica, uno de esos campos que se investigará es el estudio de un
algoritmo de agrupamiento difuso que permitirá al paciente que sea
clasificado dependiendo de los casos clínicos según su nivel de
emergencia y urgencia que presente.
El triage estructurado permite mejorar la seguridad de los pacientes que
acuden a los servicios de urgencias y emergencias, controlando los
tiempos de espera, permitiendo la gestión ordenada de la actividad de los
diferentes equipos asistenciales (Serrano Benavente, 2014).
Los algoritmos de agrupamientos se encuentran ampliamente estudiados,
lo cual su objetivo es encontrar particiones disjuntas de un conjunto de
datos o bases de datos de tal manera que los objetos en los mismos grupos
sean los más similares que los objetos de los otros grupos (Rendón,
Zepeda, Barrueta, & Itzel, 2015). Un algoritmo basado en lógica difusa,
2
verifica los resultados obtenidos en un entorno difuso y asi compararlos
para determinar un mejor desempeño o no (Emerson, Garmendia, &
Santos, 2012).
Bajo este entorno el presente trabajo de titulación tiene como objetivo
realizar el estudio de un algoritmo de agrupamiento difuso que permitirá
analizar el rendimiento de los procesos de valoración y priorización clínica
de los grados de urgencia que se presentan en el área de emergencia en
un hospital de la ciudad de Guayaquil.
3
CAPÍTULO I
EL PROBLEMA
PLANTEAMIENTO DEL PROBLEMA
UBICACIÓN DEL PROBLEMA EN UN CONTEXTO
Uno de los graves problemas que presentan los hospitales es la indecisión
de algunos médicos al momento de clasificar y priorizar a pacientes que
ingresan al área de emergencia para recibir atención médica.
Esto ocasiona saturación de pacientes esperando dicha atención lo cual
provoca desorden y desorganización por parte del personal médico y
administrativo en dicha área del hospital, y asi mismo, muchas son las
quejas y demandas que reciben los hospitales por parte de los usuarios
donde se han presentado varios casos, y algunos de estos han llegado a
juicios penales por no dar la atención oportuna y al suceder estos
acontecimientos muchos de ellos han tenido un desenlace fatal como es la
perdida humana.
Otro conflicto que se presentan dentro de las entidades hospitalarias, es la
pérdida de control por parte del personal de enfermería, dan una atención
médica inadecuada a los pacientes en su afán de querer resolver pronto
cada uno de los casos.
4
Actualmente existen varios métodos donde se atienden y se clasifican a
los pacientes, donde su objetivo es valorarlo y según su nivel de urgencia
poder priorizar los casos que ameriten mayor atención, estos métodos son
el Sistema de Triage Manchester. Su objetivo es “dar prioridad a la atención
de acuerdo a la gravedad del caso, se clasifica en 5 categorias de distintos
colores que determina el nivel de urgencia” (Amthauer & Chollopetz da
Cunha, 2016). Otro método es la escala de coma de Glasgow, Su objetivo
“es estandarizar la evaluación del nivel de conciencia en pacientes con
traumatismo craneoencefálico, valorar la evolución neurológica” (Muñana
Rodríguez & Ramírez, 2013).
Situación Nudos Críticos
Actualmente los hospitales detectan problemas debido a que existen
conflictos en el campo clínico, la problemática se genera en el área de
emergencia debido al congestionamiento clínico que se presenta en dicha
área donde los pacientes que son ingresados pretendan que sean
atendidos y priorizados lo antes posible.
Si el congestionamiento clínico continua presentando conflictos de
identificar y agrupar a aquellos pacientes que necesiten atención médica
de inmediata generaría retrasos en la atención clínica y podría aumentar
el riesgo de muerte, complicaciones o discapacidad de aquellos pacientes
que acudan a este servicio.
5
Cuadro Nº1
Causas y Consecuencias del problema
CAUSAS
CONSECUENCIAS
Falta de control en la priorización
de atención del paciente según el
grado de urgencia que presente.
Corre el riesgo de poner en peligro
la vida del paciente o deterioro que
podrían tener durante la espera.
Incremento del número de
paciente enfermos que ingresan al
área de urgencia.
Por tiempo gestacional o
enfermedades virales.
Mal agrupamiento de los casos
clínicos que presenten los
pacientes.
El personal calificado no puede
tomar las medidas correctivas en la
priorización del paciente.
Falta de control del personal
calificado y coordinado.
El campo clínico del área de
emergencia se congestiona más y
no hay abastecimiento.
Elaboración: Los Autores
Fuente: Datos de la Investigación
6
Delimitación del problema
Cuadro Nº2
Delimitación de la Investigación
CAMPO
Ciencias básicas, Bioconocimiento y desarrollo
industrial.
ÁREA
Metodologías, Calidad y Gestión de proyectos de
software, Inteligencia Artificial
ASPECTO
Aplicando los conceptos y técnicas de la lógica difusa
(Fuzzy Logic), se realizará un estudio de un algoritmo de
agrupamiento difuso que permita analizar y clasificar al
paciente según su nivel de urgencia mejorando su
proceso de valoración clínica.
TEMA
Estudio de un algoritmo de agrupamiento basado en
lógica difusa para analizar el proceso de valoración
clínica según su nivel de emergencia en un hospital de
la ciudad de Guayaquil.
Elaboración: Los Autores
Fuente: Datos de la Investigación
7
Formulación del problema
¿Mediante la técnica del agrupamiento difuso se podrá analizar los
procesos de valoración clínica según su nivel de urgencia?
Evaluación del problema
Claro: El proyecto está definido para poder realizar un estudio sobre el
algoritmo de agrupamiento difuso que obtendrá un mejor rendimiento en el
entorno hospitalario lo cual permitirá agrupar a los pacientes según su
prioridad clínica.
Evidente: Este estudio se llevará a cabo con una simulación de pacientes
con problemas de traumatismo craneoencefálico donde se analizaran, se
agruparan sus estados de prioridad de acuerdo al estado leve de
enfermedad.
Concreto: Está dirigido al personal médico y enfermería del área de
emergencia con lo que ayudaría en la toma de decisiones al momento de
priorizar y clasificar al paciente con lo que mejoraría de manera óptima la
atención médica.
Relevante: El agrupamiento difuso es extravagante para llevar un mejor
control en la priorización y en los procesos de valoración del área de
emergencia.
Contextual: Brinda al paciente que acude al área de emergencia una
mejor solución en ser agrupado con respecto a su priorización del caso
clínico que llegase a presentar.
Factible: Obtenida la información de varios estudios o investigaciones, es
factible realizar el agrupamiento difuso. Debido a los avances tecnologicos
es posible realizar una herramienta gratuita que nos ayude en el entorno
8
hospitalario, lo cual es clasificar a los usuarios que tengan prioridad
inmediata o no inmediata.
OBJETIVOS
OBJETIVO GENERAL
Determinar un algoritmo de agrupamiento mediante técnicas de lógica
difusa para analizar el proceso de valoración clínica según el nivel de
urgencia.
OBJETIVOS ESPECÍFICOS
Interpretar los conceptos generales de lógica difusa con el fin realizar el
estudio del algoritmo de agrupamiento clustering Fuzzy c – means con el
propósito de dar una mejor solución para los procesos de valoración
clínica.
Definir el algoritmo de agrupamiento difuso que permitirá clasificar al
paciente en grupos dependiendo del caso clínico que se llegue a presentar.
Diseñar una matriz de metaanálisis en Microsoft Excel de artículos
científicos que tratan sobre las diferentes aplicaciones de la lógica difusa
en el campo clínico, los algoritmos de agrupamiento y los procesos de
valoración clínica.
9
ALCANCES
Se realizará un análisis sistemático de los artículos científicos
investigados para aplicar técnicas estadísticas a los resultados y obtener
el metaanálisis de la investigación.
Se simulará una muestra de 30 pacientes donde se le realizará la
evaluación clínica con datos aleatorios, sus resultados serán
visualizados mediante la herramienta open Source Orange Canvas.
Gestar una matriz de datos mediante la literatura y recopilación de
información de las plataformas académicas: Springer, Elsevier, Dialnet,
Scielo y Redalyc en los últimos 10 años los mismos serán útil para
realizar esta investigación.
JUSTIFICACIÓN E IMPORTANCIA
El objetivo primordial de este proyecto “Estudio de un algoritmo de
agrupamiento difuso” se justifica brindando un mejor servicio en el área de
urgencia, en el campo clínico, y así clasificar a los pacientes que necesitan
atención de inmediata y de los que tienen que esperar un límite de tiempo
para que sean atendidos, además con la notable consideración e
importancia de este proyecto la presente investigación será útil en la toma
de decisiones, la clasificación de acuerdo al nivel de priorización, a fin de
medir los resultados y decretar los objetivos dados, y así tomar la medida
correctiva en el momento adecuado.
Los beneficios que se lograrían realizando este estudio aplicando técnicas
de lógica difusa serían:
10
Separar a los pacientes que tengan o no prioridad de atención inmediata
mediante una simulación varios clusters utilizando la herramienta Orange
Canvas.
Gracias a la interfaz de esta herramienta se mostraran también los
resultados obtenidos del proceso de valoración que tuvo cada paciente.
Para ello, este trabajo está orientado en definir de qué manera la lógica
difusa puede ser aplicada en el campo médico, en el proceso de valoración
clínica, para lo cual es necesario realizar una matriz de metaanálisis que
sea posibilite a defender este propósito.
Para poder obtener un metaanálisis exitoso, es necesario contar con las
herramientas que nos faciliten en la búsqueda por medio de la web de
manera gratuita ya que sus aportaciones a la comunidad científica son de
suma importancia para la evolución de la tecnología a nivel mundial.
11
CAPÍTULO II
MARCO TEÓRICO
ANTECEDENTES DE ESTUDIO
Investigador
“Persona cuya principal actividad es la de buscar nuevos conocimientos o
nuevas formas de expresión, tanto en el campo científico como en el
artístico” (EcuRED, 2012).
La Investigación
“Una investigación es un proceso sistemático, organizado y objetivo cuyo
propósito es responder a una pregunta o hipótesis y asi aumentar el
conocimiento y la información sobre algo desconocido” (Ortiz Flores,
2012).
Revista Científica
“Una revista científica es una publicación especializada sobre un tema
determinado, que publica artículos originales, reseñas, monografías de un
campo específico” (Secretaría de Investigación, 2011).
12
En la definición del proyecto se evidenció que actualmente las instituciones
hospitalarias cuentan con métodos que permiten seleccionar y clasificar a
los pacientes que presenten un grado de emergencia crítico para que
reciban la atención medica de inmediata, sin embargo en los servicios de
urgencia el proceso de valoración de atención de inmediata es lento debido
a la saturación que presenta el campo clínico, por lo que provocaría un
impacto negativo a los usuarios, analizando esta situación se llevó a darse
la necesidad de realizar un estudio de un algoritmo de agrupamiento
basado en lógica difusa que permita ordenar y clasificar a los pacientes
que tienen o no tienen priorización de inmediata en varios clusters (grupos)
agrupándolos según el nivel de gravedad que presente. De esta manera
realizando dicho estudio basado en técnicas de lógica difusa permitirá
tener un mejor rendimiento en la clasificación y atención médica al usuario.
Fundamentación Teórica
Metaanálisis
El termino meta - Análisis es un método de investigación introducido por
GV Glass en 1976. El metaanálisis es una “técnica estadística que permite
sintetizar la evidencia procedente de estudios disponibles sobre un tema
de interés o pregunta de investigación concreta en el marco de una revisión
sistemática previa” (Catalá López, Tobías, & Roqué, 2014).
Las revisiones sistemáticas (RS) “son una forma de investigación que
recopila y proporciona un resumen sobre un tema específico (orientado a
responder una pregunta de investigación), está dividida en 2 tipos:
cualitativas y cuantitativas” (Aguilera, 2014).
13
Cuadro Nº3
Ventajas y Limitaciones del Meta – Análisis
VENTAJAS
Concede la utilización de grandes cantidades
de información.
El meta – Análisis tiene como conclusión, la
derivación de los análisis estadísticos de
todos los estudios cuantitativos que se
efectuaron.
Los procedimientos estadísticos apropiados
al meta – Análisis examinan las fuentes de
heterogeneidad en los resultados de los
estudios.
LIMITACIONES
Evaluación de la calidad metodológica de los
estudios realizados.
No siempre hace una buena selección de los
artículos más relevantes
Elaboración: Los Autores
Fuente: Datos de la Investigación
Los Meta – Análisis valoran, sintetizan cualquier tipo de información para
presentarla de manera clara y precisa. Las RS/MT,son investigaciones
originales cuya análisis son los estudios o investigaciones primarias
(García Perdomo, 2015).
Hay mucha confusion entre las definiciones de MT y RS. Se debe aclarar
que el meta – Análisis se basa en los calculos estadisticos, permite explorar
las diferencias entre los estudios. Mientras que las RS interpreta la
evaluación sistemática y explícita de la literatura por medio de una
pregunta de investigación.
14
Cuadro Nº4
Diferencia entre Revisión Sistemática y Meta – Análisis
Revisión
Sistemática
Revisión completa de toda literatura de un
tema específico y resumen cualitativo de
estudios.
Metaanálisis
La revisión sistemática, integra estrategias
estadísticas que conjunta todos los
resultados de diferentes estudios en una
cierta medida.
Elaboración: Los Autores
Fuente: Datos de la Investigación
Actualmente, se evidenció que no se han desarrollado aplicaciones
informáticas para el uso y el cálculo del meta – Análisis. Sin embargo
existen varias utilidades, una de ellas es Microsoft Excel, lo que permite
elaborar tablas de meta – Análisis de forma sencilla, sin utilizar programas
informaticos para los cálculos estadísticos.
“La revisiones sistemáticas de la literatura y meta – Análisis son un apoyo
fundamental para la toma de decisiones tanto en el área clínica como en
otras áreas” (García Perdomo, 2015).
Inteligencia Artificial
La Inteligencia Artificial es una ciencia cognitiva que estudia la forma del
razonamiento del cerebro humano por medio de la lógica matemática. Esta
se dio como un resultado de la fusión de ciencias como lo son la psicología,
robótica, informática, y lógica matemática, la inteligencia artificial tiene
como fin de crear maquinas que simulen la forma de pensar de manera
inteligente.
15
Cabe señalar que la IA también ha sido de mucha utilidad en la ingeniería
porque “hoy en día se han creado programas inteligentes que pueden
solucionar problemas, tomar decisiones, corregir errores, todo esto a
través de la programación y el almacenamiento de datos" (Beltrán
Alvarado, Martínez, & Ríos Pavón, 2012). Principalmente las aplicaciones
de la inteligencia artificial trata de simular mediante maquinas la
actividades mentales del ser humano para mejorar sus capacidades en
estos aspectos.
La inteligencia artificial divide en distintas ramas, una de ellas es la lógica
difusa, lo cual es utilizada para darle solución a los distintos problemas que
están relacionados con la toma de decisiones, la resolución comprensión
de datos. Los sistemas conformados en lógica difusa plagian la toma de
decisiones de los seres humanos con la ventaja de llegar a un resultado
aproximado óptimo.
Cuadro Nº5
Ramas de la Inteligencia Artificial
REDES
NEURONALES
“Una red neuronal es un sistema que permite
establecer una relación lineal o no lineal entre las
salidas y las entradas” (Villada, Muñoz, & García,
2012).
ALGORITMOS
GENÉTICOS
“Es un algortimo matemático altamente paralelo que
transforma un conjunto de objetos matemáticos
individuales con respecto al tiempo usando
operaciones modeladas de acuerdo al principio
darwiniano de reproducción y supervivencia”
(Emerson, Garmendia, & Santos, 2012).
16
Elaboración: Los Autores
Fuente: Datos de la Investigación
Lógica Difusa
La lógica borrosa es un método creado por el matemático Lofti Zadeh,
conocido también como el padre de la lógica difusa. Esta metodología al
“ser una forma de lógica multivaluada, puede manejar el razonamiento
aproximado, sim embargo a diferencia de la lógica clásica tienen fronteras
imprecisas” (Santana Jímenez, 2013). Su principal ventaja, incluye y define
en variables o definiciones cuando estas tienen un cierto grado de
imprecisión.
Esta técnica procura, compite con las habilidades de los seres humanos
para llegar a una solución en el momento a partir de datos ambiguos o
imprecisos donde el argumento o explicación no tiene una precisión
exacta, y las conclusiones que se obtienen asimismo son borrosas,
contradictoria a la lógica tradicional que todos conocemos trabaja con
datos e información precisa y definida.
Este método como se definió anteriormente trabaja con información
inexacta, aproximada, por ejemplo: se tiene la expresión: “Es peligroso
llegar a estar cerca de un león”, como respuesta inmediata surgirán
REALIDAD
VIRTUAL
“La forma más avanzada de relación entre una
persona y un sistema informático, dicha relación
permite una interacción directa entre el usuario y el
ambiente generado artificialmente, caracterizándose
principalmente por crear una ilusión a nivel cerebral”
(Flores Cruz, Camarena Gallardo, & Avalos Villarreal,
2014).
LÓGICA
DIFUSA
Es una metodologia que permite tomar una decisión
mediante terminos ambiguos para llegar a un
resultado aproximado de una manera natural y
eficiente.
17
algunas: “tal vez”, “quizás”, “probablemente sí”, “no muy peligroso”, entre
otras, se llega a una solución se inmediata, esto se debe porque en el
entorno en que habitamos estamos rodeado de conocimientos inciertos,
dudoso, asociado con la naturaleza.
En el área médica la lógica difusa ya viene siendo manejada años atrás
mediante estudios aplicados en el entorno hospitalario, “En el entorno de
cuidados intensivos los médicos están tratando, acotado de una gran
cantidad de información y guias que utilizan, para tratar a los pacientes de
manera eficaz y eficiente” (Hazelzet, 2008).
Gráfico Nº1
Comparación de lógica clásica y lógica difusa
Elaboración: Los Autores
Fuente: Datos de la Investigación
“En el mundo en que vivimos está lleno de incertidumbre e imprecisión de
muchas maneras, en especial en la toma de decisiones médicas, es un
dominio dividido por problemas de vaguedad e incertidumbre” (Flores
Martín, 2013). En el momento de que el médico tome la decisión para el
cuidado del paciente, se basa en la información ambigua por lo que llegaría
a una conclusión.
LÓGICA
CLASICA
MANIPULACIÓN SIMBOLICA
RAZONAMIENTO EXACTO
DIFUSA
MANIPULACIÓN DIRECTA
RAZONAMIENTO APROXIMADO
18
Para alcanzar un buen provecho de los algoritmos basados en lógica
difusa, precisamente asi como el presentado de este proyecto de tesis es
codiciable que tengan una serie de buenas propiedades, como las que se
muestran a continuación:
Efectividad, debe proporcionar resultados óptimos o muy contiguo a
lo óptimo.
Coherencia, el algoritmo se debe derivar de forma connatural de los
principios que a aspiran.
Simplicidad, puesto que un algoritmo debe estar fundamentado en
principios y que se puedan entender de manera clara y precisa.
Adaptabilidad, para que pueda ajustarse a los diferentes entornos de
aplicación.
Definiciones Principales De Lógica Difusa
Variables Fuzzy: Son variables que determinan el Universo discurso
de la variable lingüísticas, por ejemplo:
Sismo = {muy alto, alto, bajo}
Posición de un balón = {casi nada, poca, equilibrada, grande,
enorme}
Numero Fuzzy: Es un valor cualquiera menor a 1 que se determina del
universo discurso.
Grado de membresía: también función de pertenencia donde sus
valores corresponden dentro del intervalo [0-1].
Función Fuzzy: Es aquella función donde su grafica representa el
conjunto difuso, donde tiene varios modelos de gráficas, la más
utilizada para este tipo de funciones es la triangular.
19
Teoría de los Conjuntos Difusos
Los conjuntos difusos (Fuzzy Sets) es un conjunto que puede contener
varios elementos con diferentes grados de pertenencia en donde uno o dos
elementos puedan pertenecer a más de un grupo, a diferencia de los
conjuntos normales donde un elemento puede pertenecer únicamente a un
conjunto, Rodríguez & Huertas (2014) definieron: “que un conjunto difuso
se utiliza para representar matemáticamente la incertidumbre o
ambigüedad en diferentes campos de la vida cotidiana, proporcionando
herramientas para poder manejarla” p(3). La característica principal de la
teoría de conjuntos Fuzzy es que aquellos enunciados referidos a los
hechos no son o verdaderos o falsos, “según el cual una proposición puede
ser verdadera o falsa pero nunca verdadera y falsa a la vez” (Canós Darós,
Casasús Estellés, Lara Mora, Liern Carrión, & Pérez Cantó, 2011).
En el momento de que se llegase a utilizar conjuntos difusos, se debe
tomar en cuenta que un conjunto difuso A sobre el conjunto Universo X se
personaliza de manera constante utilizando una función importante
denominado funcion de pertenencia o función de membresía, µ(𝑥) o de
manera prudente sobre un conjunto de pares ordenados (𝑋, µ𝐴(𝑋), donde
la variable X es el principal componente de dicho conjunto, entretanto
µ𝐴(𝑋) corresponde a un grado de pertenencia referido con un valor
aritmetico real del intervalo [0-1]. La expresion matematica es la siguiente:
𝐶𝐴 = {(𝑥, µ𝐴(𝑋))/𝑥 € 𝑋, µ𝐴(𝑥) € [0 − 1]}
La funcion de membresía, tambien denominada funcion de pertenencia es
un aplicativo del Conjunto Universo X entre el intervalo [0-1]. Existen
diferentes tipos de funciones de pertenencia lo cual se muestra
acontinuación.
20
Cuadro Nº6 Tipos de funciones de pertenencias
FUNCIONES DE
PERTENECIAS TÍPICAS
Función Triangular (más utilizada)
Función Gamma
Función 𝑆
Función Gaussiana
Función Trapezoidal
Función Pseudo – Exponencial
Función Trapecio extendido
Elaboración: Los Autores
Fuente: Datos de la Investigación
Cuando tenemos la información o dato perteneciente a un paciente que
presente dolor agudo, en la lógica clásica ese dato se introduce levemente
en 2 conjuntos ósea “con dolor agudo”, se lo puede representar como
(D=1), o “sin dolor agudo” (D=0). En la lógica difusa utilizando los conjuntos
difusos se decretan grados de pertenencia del dolor que lo acopla a un
conjunto de “fuerte dolor agudo”, “moderado dolor agudo”, “medio dolor
agudo”. La lógica difusa se enfoca en el concepto de un conjunto difuso.
Empleando un ejemplo sencillo. Si pretendemos clasificar un dolor de
espalda tenemos que determinar si es leve o grave. Se puede vincular un
grado de levedad y un grado de severidad que sea intolerante.
Tomando en cuenta el ejemplo anterior yo podría expresar que mi dolor de
cabeza es leve por lo cual asumo que tiene una puntuación de 0.2, o puede
ser grave, puntuación de 0.9. Es normal, sin embargo no es inevitable, que
estos valores estén dentro del rango [0-1], y es considerable mencionar
que no son probabilidades, sino que son grados de pertenencia.
21
La lógica difusa empotra una transformación gradual de elementos entre
conjuntos, lo que facilita entender nociones descubiertas en el mundo real.
En ella se planteó el uso del “grado de pertinencia” autorizando que un
elemento pueda corresponder parcialmente a un conjunto. El propósito del
grado de pertinencia asimismo permite reinterpretar conceptos
tradicionales. Se dio a conocer los conjuntos difusos (Fuzzy Sets), donde
se establece la percepción de los componentes sobre los que se construye
el razonamiento humano no son un conjunto de números si no son
etiquetas lingüísticas.
Variables Lingüísticas
Una variable lingüística es aquella cuyos resultados son palabras y frases
dado en un estilo natural o en un lenguaje artificial, de esta manera las
variables lingüísticas sirven para aparentar cualquier elemento que sea
extremadamente complejo, es decir lo que no se puede explicar con
expresiones numéricas. Asimismo la variable lingüística se denota de la
siguiente manera:
(𝑋, 𝑇(𝑋), 𝑈, 𝐺, 𝑀)
𝑋 es la denominada variable.
𝑇(𝑋) Son todos los términos del conjunto X, es decir la recopilación de
los valores lingüísticos.
𝑈 representa el Universo discurso, lo cual significa el agrupamiento de
valores que puede tomar una variable.
𝐺 es lo lingüístico del entorno, donde producirían términos 𝑇(𝑋), como
por ejemplo las expresiones: “muy alto”, “no muy bajo”.
𝑀 es un reglamento semántico que unifica a cada valor lingüístico de
X.
Una función muy usual de las variables lingüísticas son las reglas difusas.
Por ejemplo: If la duración de un examen es larga then la probabilidad de
aprobar es larga. Esto se conoce como reglas difusas, lo cual se utiliza en
muchas aplicaciones de los controladores difusos.
22
Controladores Difusos (Fuzzy Controller)
El sistema de Fuzzy inferencia, es un sistema que permite manejar la toma
de decisiones Fuzzy que utiliza la teoría de los conjuntos difusos. Estos
controladores operan un modelo sistémico de expresiones difusas, lo cual
se clasifican en 3 etapas: Fuzificación, Reglas de Inferencia y
Defuzzificación.
Fuzificación
Esta es la primera etapa donde se realiza la transformación de los datos
de entrada en variables lingüísticas, ósea la conversión de conjuntos de
entradas aritméticas en conjuntos difusos. Los métodos o procedimientos
elaborados con Fuzzy Logic son realizados con terminologías de conjuntos
difusos, en donde los datos de entrada deberán declararse como grupos
difusos.
Reglas De Inferencia
Luego de dar el primer paso que fue la Fuzificación, el próximo paso es la
toma de decisiones, donde el motor de inferencia es usado para determinar
los valores de salida, ósea realiza el agrupamiento entre todos los datos
de entrada conectados con los datos de salida.
Defuzzificación
Esta es la última etapa del proceso de los controladores difusos, su
procedimiento es lo contrario de la Fuzificación, consiste en la conversión
de los datos difusos en valores aritméticos.
23
Gráfico Nº2
Modelo Sistémico de los controladores difusos
FASE DE
CONOCIMIENTO
MOTOR DE
INFERENCIADIFUSIFICADOR DESDIFUSIFICADOR
ENTRADA SALIDA
Elaboración: Los Autores
Fuente: Datos de la Investigación
Agrupamiento Difuso
“El análisis de los conglomerados o clustering, es una técnica que permite
analizar, examinar datos que no se encuentran etiquetados, formando
grupos a partir de su similitud, su principal objetivo es dividir un conjunto
en 2 o más grupos” (Hernández Cáceres, 2015).
“Los algoritmos de agrupamiento difuso son utilizados en la tarea de
identificar clases que representen los estados funcionales presentes en un
sistema o proceso a partir de sus datos históricos” (Sarmiento, Isaza,
Kempowsky-Hamon, & LeLann, 2012). Para el agrupamiento difuso existen
diferentes métodos, uno de los procedimientos analizados y aplicados en
la lógica difusa es al algoritmo Fuzzy C – Means. Una característica
importante de las técnicas de agrupamiento difuso es la individualización
con respecto al tiempo.
“Los algoritmos de clustering son muy usados en la minería de datos, los
algoritmos más populares en este ámbito son C- means y k-means”
(Guerrero Córdoba. & Otero Cano, 2012).
24
El agrupamiento difuso, denominado “Clustering” es una disciplina o más
bien una metodología que posibilita una partición X de todo el universo de
discurso en varios grupos, el objetivo fundamental del agrupamiento difuso
es reconocer los “grupos naturales”, el reconocimiento de patrones de
todos los datos necesarios a partir de un historial de los mismos. Su deber
es agrupar todos los elementos parciales que pertenecen a un conjunto a
varios subconjuntos, esto por medio de la lógica difusa se calcula su grado
de pertenencia.
Por consiguiente, la técnica de agrupamiento busca
subconjuntos de los datos, sin que ellos tengan conocimiento a priori para
identificar las clases. Los puntos de inicio (centros, prototipos o crips)
deben ser vectores de la misma dimensión de los otros datos; pero ellos
“se definen como objetos geométricos de alto nivel, tales como espacios
funcionales, lineales o no-lineales” (Cano Plata & Cano Plata, 2008). Las
particiones de todos los conjuntos iniciales deben satisfacerse de la
siguiente propiedad:
Todos los elementos que tengan un grado de pertenencia similar deben
ser incluidos en cluster diferentes, lo que se denomina homogeneidad.
Los algoritmos de agrupamiento difuso tiene la principal ventaja sobre la
lógica de conjuntos difusos, de verificar que un elemento puede estar
incluido en varios grupos o en el mismo con diferentes grados de
pertenencia. Matemáticamente el propósito de los algoritmos de
agrupamiento es dividir el conjunto A en c (clusters) grupos. La matriz 𝑈 =
[𝑈𝑖] simboliza la partición difusa de todos los componentes por lo que
cumplirían las siguientes condiciones:
∑ 𝑈𝑐𝑗(𝑥𝑖) = 1 ∀𝑥𝑖 ∈ 𝑋
.
𝑗
𝑈𝑖𝑗 = [0 − 1] 1 ≤ 𝑖 ≤ 𝑐
25
Algoritmo de Agrupamiento Clustering Fuzzy C –
Means (FCM)
FCM “es un algoritmo permite asociar a cada dato con todos los clusters
definidos en el mismo espacio n-dimensional, es decir, un dato puede
pertenecer a varios clusters al mismo tiempo” (Guerrero Córdoba. & Otero
Cano, 2011).
El método C-means al igual que otras técnicas distintas de agrupamiento
realiza una distribución del conjunto de datos, tal distribución o partición se
señala porque cada dato tiene que corresponder a cierto cluster, la cantidad
de cluster debe ser aclarada al inicializar el algoritmo.
GRÁFICO Nº3
Ejemplo de Agrupamiento Difuso Fuzzy C- Means
Elaboración: Los Autores
Fuente: Datos de la Investigación
Este metodo utiliza la partición suave, sea X un conjunto de datos y Xi un
elemento que pertenece a X, se dice que un partición P = c1,c2,c3,…..cn es
una partición suave (Guerrero Córdoba. F. M., 2011) X si y solo si cumple las
siguientes condiciones :
26
∀ Xi ∈ X ∀𝐶𝐽 ∈ P 0≤ 𝑈𝑐𝑗(xi) ≤1
∀ Xi ∈ X ∃𝐶𝐽 ∈ P tal que 𝑈𝑐𝑗(Xi) > 0
En donde 𝑈𝑐𝑗(Xi) presenta el grado de pertenencia en el cual 𝑋𝑖 pertenece al
cluster 𝐶𝑗. Existe un tipo de partición suave especial, en donde la sumatoria de
todos los grados de pertenencia de un punto especificado en cada cluster da
como resultado el valor de uno. Este tipo de partición suave se le llama
partición suave restringida porque cumple con la condición: ecuación (1).
1) ∑ 𝑈𝑐𝑗(𝑥𝑖) = 1 ∀𝑥𝑖 ∈ 𝑋
.
𝑗
En Fuzzy c means cada dato se encuentra enlazado mediante la función su
membresía o pertenencia, lo cual esta función es directamente proporcional al
alejamiento del dato al centroides del cluster. Un elemento muy importante del
algoritmo de agrupamiento difuso, son los centroides, el cual es un valor difuso
calificado para representar todas las posibles características pertenecientes a
un conjunto.
Gráfico Nº4
Superposiciones de conjuntos en Fuzzy c Means
Elaboración: Los Autores
Fuente: (Guerrero Córdoba. F. M., 2011)
27
Cuadro Nº7 Descripción Del Algoritmo de Agrupamiento Fuzzy C – Means
PASO 1
Inicializar los centroides
Escoger el numero de cluster C
Escoger el exponente m
Inicializar la matriz de particion U
aleatoriamente.
PASO 2
Se calcula las funciones de
pertenencia de los n clusters
mediante:
𝑈𝑐𝑖(𝑥) =1
∑ (‖𝑥 − 𝑣𝑖‖2
‖𝑥 − 𝑣𝑗‖2)
1𝑚−1
𝐶𝑘=1
PASO 3
sumar cada una de los
pertenencias de ambos cluster,
que cumpla con:
∑ 𝑈𝑐𝑖(𝑥𝑖) = 1𝑗 ∀𝑥𝑖 ∈ X
En caso de error, volver a
calcular el grado de pertenencia.
PASO 4
Actualizamos los centroides de
los n clusters 𝐶 = 𝐶𝑗
𝑣𝑖 =∑ 𝑈𝑐𝑖(𝑥)𝑚. 𝑥𝑁
𝑘=1
∑ 𝑈𝑐𝑖(𝑥)𝑚𝑁𝑘=1
Elaboración: Los Autores
Fuente: Datos de la Investigación
28
Resumiendo, una vez definido el numero de cluster y el valor de m e
inicializados los centroides, el nucleo del algoritmo FCM realiza 2 pasos,
primero se calculan las funciones de pertenencia mediante la ecuacion del
paso Nº2 del algoritmo y como segundo paso actualiza los prototipos
usando la ecuación del paso Nº4 del algortimo.
Cuadro Nº8 Descripción de las variables del algoritmo Fuzzy C – Means
Variable Significado
𝑥𝑘 Valores pertenecientes a la matriz de
datos (entradas)
𝑐 Numero de clusters o agrupamientos
𝑣𝑖,𝑣𝑗 Valor actual del centroide
𝑚
Peso que determina el grado en el
cual los miembros parciales de un
cluster afecta su resultado
𝑈𝑐𝑖(𝑥𝑖) Valores o grados de pertenencia de
cada observacion de X
‖. ‖ Norma definida (distancia euclidiana)
Elaboración: Los Autores
Fuente: Datos de la Investigación
Proceso de Valoración
La valoración del paciente posee una gran consideración para comprender
su respuesta de procesos vitales o problemas de salud, reales o
potenciales, que pueden ser tratados por las enfermeras, es decir la
valoración del paciente para llegar al diagnóstico enfermero (Flores, 2012).
Los fenómenos vinculados con la salud se clasifican por complejidad,
ambigüedad e imprecisión en el campo de enfermería, por ejemplo, cuando
29
un paciente visita a un médico y le expresa sus síntomas “He tenido fiebre
durante unos días”. ¿Qué nos dice esto? ¿Unos pocos días? ¿Dos, tres,
cuatro? ¿Días completos? Son variables ambiguas donde el personal de
enfermería no puede tomar las medidas correctivas. El proceso de
valoración clínica consiste en recolectar datos por medio de los síntomas
que presente el paciente, ya sea por problemas de salud, enfermedad.
Los patrones funcionales son una estructura de comportamientos y
prácticas, más o menos comunes a todos los seres humanos que
coadyuvan a su salud, su calidad de vida, su éxito de potencial humano
que se dan de una manera ordenada a lo largo del tiempo. El uso de los
patrones funcionales acepta una valoración enfermera de ordenación y
premeditada con lo que se alcanza una importante cantidad de datos,
sobresaliente, del enfermo de una manera sistematizada los que posibilita
su estudio, observación de los mismos, es decir, cumple todos los
requerimientos exigibles a una valoración exacta.
Cuadro Nº9 Diferentes tipos de Valoración clínica
Valoración Inicial
El paciente es ingresado a la entidad
hospitalaria, lo realiza el personal
calificado.
Valoración Focalizada
Se realiza en plena ejecución de
cuidados de enfermería, el mismo
personal calificado lo realizan con el
manejo de los instrumentos.
Valoración Urgente
Esta valoración se realiza
dependiendo la dificultad fisiológica
y psicológica
Elaboración: Los Autores
Fuente: Datos de la Investigación
30
Proceso del Sistema de Triage Manchester (MTS)
El triage ha surgido como un método para seleccionar, escoger o priorizar;
es una escala de gravedad, que permite establecer un proceso de
clasificación preliminar a los pacientes (Ministerio de Salud Pública, 2014).
Este sistema de triage consta con cinco niveles de gran escala lo cual esta
dividido en 5 diferentes colores de acuerdo al nivel de urgencia que
presente el paciente al momento de llegar a la entidad hospitalaria.
La nivelación más alta significa que un paciente que este gravemente con
una enfermedad que pone el riesgo de muerte del paciente se le dará la
atención de inmediata, y se le asignara el nivel de prioridad 1 que es de
color rojo. Escenarios urgentes se le concede la categoría de color naranja
y se consideran aptos para esperar diez minutos. Usuarios con la condición
de menos urgente se le asigna la prioridad de color amarillo lo cual pueden
esperar una hora. Los pacientes menos urgentes pueden esperar hasta
120 minutos. Otros pacientes se les dan la priorización azul lo que significa
que puede esperar 4 horas. Esto se lo visualizará en el siguiente cuadro.
Cuadro Nº10 Clasificación del sistema de triage Manchester
Prioridad Atención Tiempo Color
1 Inmediata 0 min Rojo
2 Muy Urgente 10 min Naranja
3 Urgente 60 min Amarillo
4 Menos Urgente 120 min Verde
5 No Urgente 240 min Azul
Elaboración: Los Autores
Fuente: Datos de la Investigación
31
Desde este punto de vista la clasificación se aclara como un proceso
resolutivo.
Los objetivos que deben cumplir el triage MTS son:
Establecer lo más pronto posible a los pacientes que presenten una
situación de riesgo vital, a través de un sistema regularizado de
clasificación.
Garantizar o asegurar la priorización en función del nivel de
clasificación conforme de la urgencia de la circunstancia clínica del
paciente.
Decretar el área más apropiada, que sea de conveniencia para el
paciente que se afluye al servicio de urgencias.
Comunicar a los pacientes y a sus familiares el prototipo de servicio
que se necesita, y el intervalo de tiempo que debe esperar.
Escala De Coma De Glasgow
La escala de Glasgow (GCS), es un método que se utiliza para diagnosticar
la evaluación del nivel de conciencia en pacientes que presentan
traumatismo craneoencefálico, lo cual esta escala se divide en 3
parámetros:
La respuesta verbal
La respuesta ocular
La respuesta motora
GCS dispone de 3 subescalas que distinguen de manera propia 3 aspectos
de la conciencia: la apertura ocular en un intervalo de uno a cuatro puntos,
la respuesta verbal en un intervalo de uno a cinco puntos y la respuesta
motora que va de uno a seis puntos. El propósito principal de esta
herramienta es alterar al personal médico y de enfermería ante un deterioro
del estado neurológico del paciente, aparte de proporcionar un lenguaje
común y objetivo. (Muñada Rodriguez & Ramírez, 2013). A continuación
se mostrara en Cuadro Nº11 las nomenclaturas y definiciones de esta
escala.
32
Cuadro Nº11
Nomenclaturas de la Escala de coma de Glasgow
NIVEL RESPUESTA PUNTAJE
Apertura en los
Ojos
Espontanea, parpadeando 4
Para estímulo verbal, el habla 3
Para dolor sólo 2
Ausencia de apertura ocular 1
Verbal
Correctamente Orientado 5
Paciente confuso 4
Palabras inapropiadas 3
El habla incomprensible 2
Carencia de actividad verbal 1
Motora
Obedece ordenes por
movimiento
6
Movimiento estimulo doloroso 5
Se retira respuesta en dolor 4
La flexión en respuesta en dolor 3
Extensión respuesta en dolor 2
Ausencia de respuesta motora 1
Elaboración: Los Autores
Fuente: Datos de la Investigación
33
Herramienta Open Source – Orange Canvas
Orange Canvas conocido como naranja es una herramienta open Source
y multiplataforma, libre de estudios y enseñanzas automática y data
Mining, que fue desarrollada e implementada en la facultad de informática
y ciencias de la computación de la Universidad de Ljubljana, una de las
instituciones más antiguas de Eslovenia donde su primera aparición fue
hace 20 años atrás 1997, donde surgió su primera versión, hoy en día está
en su versión estable 3.3.
Esta herramienta fue escrita en el lenguaje de programación Python,
Cython, C++ y C, que está fundamentado con código libre de
representación y la visualización de los datos, estudios automáticos, la
minería de datos y los respectivos análisis de datos. Desde que surgió esta
herramienta se ha utilizado para realizar estudios de bioinformática en
donde se ha tenido buenos resultados como un programa de ensayo.
Gráfico Nº5
Logo de Herramienta Open Source – Orange Canvas
Elaboración: Los Autores
Fuente: https://orange.biolab.si/static/images/orange_title_scaled.png
34
Esta herramienta es muy sencilla de manejar, en especial para usuarios
novatos. Para comenzar a trabajar con naranja, primeramente se elegirá
el witgets “FILE”, por lo que Orange recomendaría que tipo de witgets se
podrían enlazar con la misma.
Funcionalidades De Orange
Posibilita la creación de nuestros propios flujos de trabajo con el objetivo
de tener una mejor visualización y análisis de los datos realizando una
exploración de distribuciones estadísticas para llegar a obtener un mejor
resultado, incluso estos mismos serán visualizados en 2D, naranja también
incluye visualizaciones muy extensas para asi poder analizar
exploratoriamente los datos, otro tipo de visualizar los datos son de manera
inteligente, esta se pone en práctica cuando el flujo de datos cuenta con
muchas características lo que es complicado comprobarla manualmente,
en el gráfico Nº7 podemos observar como son las visualizaciones
inteligentes.
Gráfico Nº6
Hola De Cálculo Visual
Elaboración: Los Autores
Fuente: https://orange.biolab.si/static/images/features/prog/channel-
completion.png
35
Otra ventaja favorable que presenta Orange Canvas es la posibilidad de
representar los datos mediante diferentes visualizaciones en diferentes
formatos como los diagramas de dispersión, el agrupamiento mediante
clústeres, redes neuronales, gráficos de barras entre otros. Esta es una
de las funcionalidades que brinda esta plataforma, facilitando y dando un
buen entorno de trabajo para satisfacer las necesidades y obteniendo
buenas conclusiones en base a los resultados obtenidos.
Orange Canvas en su interfaz gráfica tiene instalado más de 100 widgets
para individualizar la herramienta, en donde el usuario puede inspeccionar
y analizar cada una de ellas, dependiendo lo que quiera realizar puede
fusionar varios widgets alimentándolos formándolos en subconjuntos.
Gráfico Nº7
Widgets Instalados En Orange Canvas
Elaboración: Los Autores
Fuente:https://orange.biolab/static/homepage/screenshots/images/sugge
stion.png
36
Características
Naranja consta con un área de trabajo donde el usuario sitúa cada witgets
y comienza a procrear flujos de trabajo de estudios y análisis de datos. A
continuación se mostraran las definiciones de los más utilizados.
Cuadro Nº12
Características De Orange Canvas
Witgets
principales
Definición
Canvas
Ambiente grafico para el
análisis de los datos
Datos
Witgets para realizar la
entrada a los datos
Visualización
Witgets para obtener una
visualización mediante los
gráficos de dispersión, de
barras entre otros
Asociamiento Witgets para reglas de
asociación
Bioinformática Witgets para la
comparación de genes
Fusión de datos La unión de varios witgets
de distintos conjuntos
De red Witgets para el grafico y
análisis de redes
neuronales
Elaboración: Los Autores
Fuente: Datos de la Investigación
37
Fundamentación Legal
Artículos de la constitución de la República del Ecuador
Según el Art. 32. La CONSTITUCIÓN DEL ECUADOR establece que: La
salud es un derecho que garantiza el Estado, cuya realización se vincula
al ejercicio de otros derechos, entre ellos el derecho del agua,
alimentación, la educación, la cultura física, el trabajo, la seguridad social,
los ambientes sanos y otros que sustentan el buen vivir.
El Estado garantizará este derecho mediante políticas económicas,
sociales, culturales, educativas y ambientales; y el acceso permanente,
oportuno y sin exclusión a programas, acciones y servicios de promoción
y atención integral de salud, salud sexual y salud reproductiva. La
prestación de los servicios de salud se regirá por los principios de equidad,
universalidad, solidaridad, interculturalidad, calidad, eficiencia, eficacia,
precaución y bioética, con enfoque de género y generacional.
Según lo leído
“Tomamos en consideración este artículo porque nos parece importante,
primero definir que la salud es un derecho que sustenta el buen vivir, y más
aún en este proyecto de tesis se basa en la salud, en priorizar aquellas
personas para asi dar un mejor servicio con el fin de mejorar la atención
medica hospitalaria.”
Según, Art. 35 de la CONSTITUCIÓN DEL ECUADOR indico que: Las
personas adultas mayores, niñas, niños y adolescentes, mujeres
embarazadas, personas con discapacidad, personas privadas de libertad
y quienes adolezcan de enfermedades catastróficas o de alta complejidad,
recibirán atención prioritaria y especializada en los ámbitos público y
privado. La misma atención prioritaria recibirán las personas en situación
de riesgo, las víctimas de violencia doméstica y sexual, maltrato infantil,
desastres naturales o antropogénicos. El Estado prestará especial
protección a las personas en condición de doble vulnerabilidad.
38
Según lo leído
“Este articulo lo hemos tomado en consideración, ya que indica que toda
persona adultas mayores, niñas, niños y adolescentes, mujeres
embarazadas, personas con discapacidad deberán recibir atención
prioritaria y especializada en ámbitos públicos y privados y más aún
personas con mayor situación de riesgo para lo cual, el proyecto está
enfocado analizar un estudio para mejorar esta prioridad a los pacientes.”
Según el Art. 361 de la CONSTITUCIÓN DEL ECUADOR establece que:
“El Estado ejercerá la rectoría del sistema a través de la autoridad sanitaria
nacional, será responsable de formular la política nacional de salud, y
normará, regulará y controlará todas las actividades relacionadas con la
salud, así como el funcionamiento de las entidades del sector”.
Según lo leído
“Este artículo se considero importante porque manifiesta la intervención
directa del estado a traves de las respectivas autoridades sanitarias del
país, en cuanto a este proyecto se basa en uno de los sistemas generales
a nivel mundial el cual esta implementado en diferentes hospitales de la
ciudad de Guayaquil”.
De los Profesionales de la salud Art. 13.-Son responsabilidades de todos
los profesionales de la salud tales como como médicos, químicos
farmacéuticos o bioquímicos farmacéuticos, odontólogos, enfermeras,
obstétrices, tecnólogos médicos, entre otros, que intervienen en las
unidades operativas del sistema nacional de salud (Ministerio de Salud
Publica, 2016), las siguientes:
Diagnosticar, evaluar, manejar y notificar todas las sospechas de
eventos adversos de acuerdo a su gravedad en los tiempos
descritos en la presente normativa al prescribir, administrar y
expender un medicamento o producto natural procesado de uso; al
establecimiento de salud o UZFV correspondiente.
39
Conservar toda la documentación de los eventos adversos
posterior a su notificación durante al menos 5 años, con el fin de
realizar el seguimiento y cierre respectivo.
Remitir a los pacientes con eventos adversos serios a los hospitales
de cabecera para su manejo e investigación.
Capacitarse continuamente en asuntos de Farmacovigilancia y
datos de seguridad relativa de los medicamentos que
habitualmente prescriban, dispensen o administren.
Cumplir con las disposiciones que el CNFV indique.
Participar en calidad de experto del CNSMP cuando el CNFV lo
solicite.
Educar al paciente sobre el uso adecuado de los medicamentos y
las Reaccciones adversas y efectos secundarios más comunes.
Promover el uso racional de medicamentos y la Farmacovigilancia.
Según lo leído:
Este artículo es muy importante para nuestro proyecto porque está
enfocado básicamente al personal profesional de las entidades
hospitalarias al cual se le delega toda responsabilidad de los pacientes, a
quienes se clasifican en el caso de estudio de esta tesis para dar una
prioridad según su estado para su atención.
40
Definiciones Conceptuales
Meta – Análisis: Conglomerado de herramientas estadísticas para
seleccionar datos mediante la revisión de literatura sistematizada de
diferentes estudios.
Lógica Difusa: Metodología que permite llegar a un resultado aproximado
mediante la información ambigua o imprecisa.
Clustering: Técnica de agrupamiento, donde los elementos del conjunto
tienen características similares, donde su objetivo es dividir el mismo
conjunto en subconjuntos de objetos.
Clustering Difuso: Esta técnica consiste en agrupar a cada elemento con
todos los clústeres en el mismo espacio, es decir que un elemento con
características diferentes puede pertenecer a más de un cluster.
Triage: Método que selecciona y clasifica pacientes de acuerdo al caso de
gravedad que presente.
Escala de coma de Glasgow: Es aquella que realiza la valoración o
evaluación del nivel de conciencia en los seres humanos que presentan
traumatismo craneoencefálico, lo cual está dividido en 3 parámetros:
respuesta ocular, verbal y motora.
Valoración clínica: Es una evaluación que tiene como objetivo elaborar
un diagnóstico y proponerle un tratamiento al paciente.
Algoritmo: Es un conjunto finito y ordenado de operaciones para poder
hallar una solución.
41
CAPÍTULO IIII
METODOLOGÍA
DISEÑO DE LA INVESTIGACIÓN
INTRODUCCIÓN AL CAPÍTULO
Este capítulo presenta los métodos de ensayo y las herramientas prácticas
de los resultados obtenidos en el análisis del trabajo de investigación que
se realizó de la literatura de artículos científicos correspondientes a los
portales académicos: Scielo, Redalyc, Dialnet, Elsevier y Springer.
Además se presentaran definiciones estadísticas necesarias para la
comprensión de este capítulo. También se detallan los diferentes tipos de
muestreo a utilizar, se demuestra la codificación de las variables a
utilizarse.
Definiciones Básicas
Antes de la explicar los diferentes tipos de muestro que se utilizaran en
este trabajo, se definirán algunos términos que serán utilizados en este
capítulo.
Espacio Muestral
“Un espacio muestral es el conjunto de todos los posibles resultados
asociados a un experimento” (Morales Araon, 2012).
42
Variable
“Característica o fenómeno de una población o muestra que será estudiada
la cual puede tomar valores diferentes” (Morales Araon, 2012).
Una variable también se define como un dato, una característica específica
a una resultado.
Variable Aleatoria
“Una variable aleatoria es una función que asocia un número real a cada
elemento del espacio muestral” (Morales Araon, 2012).
Variable Aleatoria discreta
Una variable aleatoria se llama V.A discreta si se puede contar su conjunto
con resultados posibles, asume cada uno de los valores con una cierta
probabilidad.
“Una variable aleatoria discreta es una modelización teórica de una
característica X tipo discreto, en la que nos quedamos con lo esencial que
se obtendría en un proceso de muestreo” (De la Horra, 2013).
Variable Aleatoria continua
“Una variable aleatoria X es continua, si su función cumple con el objetivo
de continuidad, puede tomar valores en una escala continua” (Morales
Araon, 2012).
Población
“Se denomina población objetivo a un conjunto de individuos o casos,
objetivos de nuestro interés, podemos distinguir entre poblaciones tangibles
y poblaciones conceptuales” (Sáez C, 2012).
“La población es el conjunto total de elementos del que se puede seleccionar
la muestra y está conformado por elementos denominados unidades de
43
muestreo o unidades muéstrales, con cierta ubicación en espacio y tiempo”
(García García, Reding Bernal, & López Alvarenga, 2013).
Población Objetivo
También denominada recolección de individuos u objetos que tienen
distintas particularidades, una población objetivo es un todo (objetos,
personas, eventos, entre otros) en lo que se desea estudiar el fenómeno.
Muestreo
El muestreo facilita un procedimiento estadístico, simplemente explora todos
los datos necesarios de una población finita, en donde se escogerá una
pequeña cantidad denominada muestra para poder realizar el análisis
estadístico.
“El muestreo es un procedimiento por el que se refieren los valores
verdaderos de una población, a través de la experiencia obtenida con una
muestra de esta” (Cordero Mederos, Cabrera Padrón, Caraballo Castro, &
Manso Silva, 2015).
Muestra
“La muestra es una parte representativa de la población, donde es un
conjunto de todos los posibles resultados asociados a un experimento”
(Morales Araon, 2012).
“Es un subconjunto sobre el que estamos interesados en obtener
conclusiones” (R, 2013).
Modelo Determinístico
“Representación exacta de un proceso, que permite obtener respuestas
precisas si se conocen los valores de las variables incluidas en el modelo”
(Rodriguez, 2007).
44
Modelo probabilístico
“Las respuestas obtenidas se expresan en términos de probabilidad. Es una
representación de sistema que incluye elementos aleatorios” (Rodriguez,
2007).
Estadística descriptiva
La estadística descriptiva son procedimientos que recoge, organiza un
conjunto de datos obtenidos de una muestra.
Muestreo probabilístico
“Las técnicas de muestreo probabilísticas permiten conocer la probabilidad
de cada individuo tiene que ser incluido en la muestra a través de una
selección al azar” (Otzen & Manterola, 2017). A continuación se detalla los
tipos de muestreos probabilísticos con su respectiva definición.
Muestreo aleatorio simple
Este muestreo garantiza que todos los individuos que componen la
población blanco tienen la misma oportunidad de ser incluidos en la muestra
(Otzen & Manterola, 2017).
Muestreo aleatorio estratificado
“Este muestreo determina los estratos que conforman la población blanco
pata seleccionar y extraer de ellos la muestra (se define como estrato a los
subgrupos de unidades de análisis que difieren en las características que
van a ser analizadas)” (Otzen & Manterola, 2017). El objetivo del MAE
fragmenta la población objetivo en donde coexisten varios elementos
diferentes entre sí.
45
Diseño Muestral
Para esta investigación se toman como estratos artículos científicos de las
bases de datos académicas entre las que se nombran Scielo, Dialnet,
Redalyc, Springer y Elsevier que colaboran con temas referentes a la
lógica difusa, los algoritmos de agrupamiento difuso y el proceso de
valoración clínica.
Población Objetivo
En este proyecto en el estudio de caso hemos tomado una muestra de 30
pacientes siendo la población objetivo los cuales fueron considerados por
las experiencias propias vistas en un hospital público de la ciudad de
Guayaquil (Hospital Universitario), en el cual los datos de estos 30
pacientes fueron simulados y aplicados mediante la distribución z o
también llamada distribución normal, sin embargo, esta es una de las
distribuciones de probabilidad de variables continuas, que con más
frecuencia aparece aproximada en fenómenos reales para asi hacer
nuestros cálculos estadísticos, esta distribución radica en que permite
modelar numerosos fenómenos naturales, sociales y psicológicos.
Además también se consideró como población objetivo las investigaciones
o estudios de artículos científicos referentes a la lógica difusa, los
algoritmos de agrupamiento difuso y el proceso de valoración clínica.
Marco Muestral
El marco muestral es la lista de todos los elementos que se utilizó para el
estudio del algoritmo de agrupamiento difuso para analizar el proceso de
valoración clínica. El marco muestra de la presente investigación serán los
artículos científicos que fueron extraídos de las bases de datos
académicas por lo que fueron ingresados a una matriz de metaanálisis
para obtener información relevante acerca de estudios o investigaciones
referente a la lógica difusa.
46
Instrumento de Recolección de datos
Mediante una ardua investigación se ha almacenado información de
diferentes bases de datos académicas confiables y oficiales: Scielo,
Dialnet, Redalyc, Springer y Elsevier realizando una matriz de metaanálisis
en Microsoft Excel en la que se tomó un total de 80 artículos científicos
referente a estudios o investigaciones de las aplicaciones de lógica difusa,
algoritmos de agrupamiento y sobre el proceso de valoración clínica
realizada por sus respectivos autores en los últimos 10 años. Una vez
realizado el metaanálisis se aplicaran los conceptos y técnicas de lógica
difusa, donde se utilizara el algoritmo de agrupamiento Clustering Fuzzy c
– means y la herramienta Orange Canvas.
Diseño de la Base de Datos
Uno de los métodos que se utilizó para realizar esta investigación, fue el
metaanálisis que nos sirvió para resumir el conjunto de información que se
investigó. La matriz de metaanálisis fue la herramienta eficaz lo cual nos
permitió reducir información, agrupar los datos más relevantes, en este
caso los resúmenes relacionados con los temas que fueron investigados.
La primera variable del metaanálisis es “Portales Bibliográficos”, donde
fueron descargados los artículos científicos. La segunda variable es “Tipo
de investigación”, con la que fue desarrollado el artículo. La tercera variable
“Fuente primaria”, donde se dio a conocer el lugar donde se desarrolló el
artículo. La cuarta variable “Modelo computacional aplicado”, lo cual fue la
herramienta útil para el desarrollo del artículo. La quinta variable “Método
Fuzzy aplicado”, fue la metodología que el autor aplico para mostrar los
resultados del artículo.
47
Gráfico Nº8
Variables del Metaanálisis
Elaboración: Los Autores
Fuente: Datos de la Investigación
Descripción y codificación de las variables
Para facilitar la interpretación y el manejo de las variables investigadas, es
de gran utilidad realizar una codificación a cada una de ellas. A continuación
se presentara la descripción y codificación a cada una de las variables de
acuerdo al planteamiento del tema de investigación. Mediante las variables
nombradas, obtendremos el análisis Univariado, la interpretación y análisis
estadístico que se dieron como resultados.
48
Características generales de las variables
Variable 1: Portales Bibliográficos
Como primera variable del metaanálisis, nos indica que es un portal web
académico donde contiene bases de datos que conforman de contenido
bibliográfico, científico a nivel nacional e internacional.
Cuadro Nº13
Codificación de la variable Portales Bibliográficos
PORTALES BIBLIOGRÁFICOS
SCIELO 1
ELSEVIER 2
SPRINGER 3
DIALNET 4
REDALYC 5
Elaboración: Los Autores
Fuente: Datos de la Investigación
Variable 2: Tipo de investigación
Esta variable nos dará a conocer con qué tipo de investigación al autor
elaboro el artículo.
Cuadro Nº14
Codificación de la variable tipo de Investigación
TIPO DE INVESTIGACIÓN
TEÓRICA 1
CAMPO 2
INVESTIGATIVA 3
Elaboración: Los Autores
Fuente: Datos de la Investigación
49
Variable 3: Fuente primaria
En esta variable se obtiene el tipo de fuente primaria donde fueron realizados
y presentados los artículos científicos.
Cuadro Nº15
Codificación de la Variable Fuente primaria
FUENTE PRIMARIA
UNIVERSIDADES 1
CONGRESO 2
INSTITUTOS 3
Elaboración: Los Autores
Fuente: Datos de la Investigación
Variable 4: Modelo Computacional
Con esta variable conoceremos que modelo computacional fue o fueron
aplicados para la elaboración y desarrollo de los artículos científicos.
Cuadro Nº16
Codificación de la Variable Modelo Computacional
MODELO COMPUTACIONAL
ALGEBRA BOOLEANA 1
SIMULINK- MATLAB 2
OTROS 3
Elaboración: Los Autores
Fuente: Datos de la Investigación
50
Variable 5: Método Fuzzy aplicado
Con esta variable se dará a conocer cuál fue el método Fuzzy mas aplicado
en los artículos científicos investigados.
Cuadro Nº17
Codificación de la variable Método Fuzzy Aplicado
MÉTODO FUZZY APLICADO
MAPAS CONGNITIVOS 1
CLUSTERING DIFUSO 2
CONTROLADORES DIFUSOS 3
TEÓRIA DE LOS CONJUNTOS DIFUSOS 4
ENTIDAD RELACIÓN FUZZY_EER 5
Elaboración: Los Autores
Fuente: Datos de la Investigación
Variable 6: Técnicas estadísticas
Con esta variable conoceremos que técnicas estadísticas fueron aplicadas
para la elaboración y desarrollo de los artículos científicos.
Cuadro Nº18
Codificación de la Variable Técnicas estadísticas
TÉCNICAS ESTADÍSTICAS
Diagramas de dispersión 1
Gráfico de barras 2
Histogramas 3
Diagrama de Pareto 4
Regresión logística 5
Elaboración: Los Autores
Fuente: Datos de la Investigación
51
Análisis Univariado de los datos
“Al realizar un análisis multivariado, cosiste en analizar cada una de las
variables que forman parte del estudio en forma separada, es decir dicho
análisis está fundamentado en una sola variable” (Guerrero & Melo, 2008).
Para el análisis estadístico del estudio de “algoritmo de agrupamiento
basado en lógica difusa”, hemos definido algunas variables que se
consideró como las más significativas dentro de este estudio. Para ello se
presentamos los respectiva codificación de cada variable, además se
mostraron los respectivos gráficos que describen el comportamiento de
cada una de las variables cualitativas y cuantitativas que forman parte del
estudio que se está llevando a cabo.
Para el análisis de las variables cualitativas se realizara los cálculos
estadísticos, el análisis de las propiedades a cada una de las
características que conforman cada una de las variables que se definieron.
Para el caso de las variables cuantitativas se procederá al análisis de los
estimadores (media, moda, mediana), la dispersión (varianza, desviación
estándar, rango y coeficiente de variación), su posición (cuartiles, diagrama
de caja solamente en la primera variable) y de forma (Curtósis).
En el análisis cualitativo de la primera variable se determinaran los cálculos
de la variable con su respectivo gráfico. Para el caso de la variable
cuantitativa se aplicara el cálculo de los estimadores de la variable, y el
método de agrupación visual cuyos valores introduciendo puntos de corte
se agruparon por intervalos. En los próximos análisis solamente se tomara
en cuenta la variable cuantitativa transformada por agrupación visual.
52
Gráfico Nº9
Creación De Puntos De Corte De Una Variable Cuantitativa
Elaboración: Los Autores
Fuente: Datos de la Investigación
Gráfico Nº10
Creación De Intervalos Mediante Los Puntos De Corte
Elaboración: Los Autores
Fuente: Datos de la Investigación
53
Interpretación y Análisis de los resultados del Metaanálisis
Variable: Portales Bibliográficos
Cuadro Nº19
Frecuencias de la variable Portales bibliográficos
Elaboración: Los Autores
Fuente: Datos de la Investigación
Gráfico Nº11 Gráfico de barras número y porcentaje de los portales bibliográficos
Elaboración: Los Autores
Fuente: Datos de la Investigación
Portal Web
Frecuencia
Absoluta
Frecuencia
Relativa
SCIELO 19 23,8
ELSEVIER 17 21,3
SPRINGER 14 17,5
DIALNET 18 22,5
REDALYC 12 15,0
Total 80 100,0
54
Análisis: de acuerdo a los resultados obtenidos de la experimentación de
la variable, de un total de 80 artículos científicos, Scielo fue el portal
bibliográfico que obtuvo un porcentaje elevado de 23.8%, seguido de
Elsevier con el 21.3%, Springer con un 17.5%, Dialnet con un 22.5% y
Redalyc con 15.0%.
55
Variable: Tipo de Investigación
Cuadro Nº20
Frecuencias de la variable tipo de investigación
Investigación Frecuencia
Absoluta Frecuencia
Relativa
Teórica 3 3.8
Campo 42 52.5
Investigación 35 43.8
Total 80 100.0
Elaboración: Los Autores
Fuente: Datos de la Investigación
Gráfico Nº12 Gráfico de barras y numero porcentaje tipo de investigación
Elaboración: Los Autores
Fuente: Datos de la Investigación
56
Análisis: De acuerdo al cuadro Nº20, la mayoría de artículos científicos
fueron desarrollados aplicando la investigación de campo, lo cual obtuvo
el mayor porcentaje con un 52.5%, seguido del tipo investigativo con un
43.8%, y la investigación de tipo teórica con un 3.8%.
57
Variable: Fuente primaria
Cuadro Nº21
Frecuencias de la variable Fuente primaria
Fuentes Frecuencia Absoluta
Frecuencia Relativa
Universidad 64 80.0
Congreso 8 10.0
Institutos 8 10.0
Total 80 100.0
Elaboración: Los Autores Fuente: Datos de la Investigación
Gráfico Nº13 Gráfico de barras y numero porcentaje Fuente primaria
Elaboración: Los Autores
Fuente: Datos de la Investigación
58
Análisis: Visualizando los resultados que se obtuvieron, el tipo de fuente
primaria con mayor porcentaje fueron las Universidades con un 80.0%,
seguido de las fuentes congreso e institutos, lo cual obtuvieron un
porcentaje igual de 10.0%.
59
Variable: Modelo computacional
Cuadro Nº22
Frecuencias de la variable Modelo computacional
Modelo
computacional Frecuencia Absoluta
Frecuencia Relativa
Algebra Booleana 17 21.3
Simulink - Matlab 43 53.8
Otros 20 25.0
Total 80 100.0
Elaboración: Los Autores
Fuente: Datos de la Investigación
Gráfico Nº14
Gráfico de barras y numero porcentaje modelo computacional
Elaboración: Los Autores
Fuente: Datos de la Investigación
60
Análisis: Tal como se observa en el gráfico Nº14, el modelo computacional
más utilizado que aplicaron los autores en los artículos científicos fue la
plataforma Matlab lo que dio como resultado un porcentaje de 53.8%,
seguido de algebra booleana con un 21.3, y otros modelos como la
regresión logística, regresión múltiple entre otros que fueron aplicados
obtuvieron un `porcentaje del 25.0%.
61
Variable: Método Fuzzy aplicado
Cuadro Nº23
Frecuencias de la variable método Fuzzy aplicado
Método Fuzzy Frecuencia
Absoluta Frecuencia
Relativa
Mapas cognitivos 3 3.8
Clustering difuso 24 30.0
Controladores difusos 30 37.5
Teoría de los conjuntos difusos
21 26.3
FuzzyEER 2 2.5
Total 80 100.0
Elaboración: Los Autores
Fuente: Datos de la Investigación
Gráfico Nº15 Gráfico de barras y numero porcentaje método Fuzzy aplicado
Elaboración: Los Autores
Fuente: Datos de la Investigación
62
Análisis: Lo que se aprecia en el gráfico de barras Gráfico Nº15, el
porcentaje mayor que se obtuvo fue el 37.5%, los autores aplicaron la
metodología de controladores difusos, seguido del clustering difuso con un
30.0%, teoría de los conjuntos difusos con 26.3%, mapas cognitivos con
3.8% y finalmente el método FuzzyEER con un 2.5%.
63
Variable: Técnicas estadísticas
Cuadro Nº24
Frecuencias de la variable método Fuzzy aplicado
Técnica estadística Frecuencia Absoluta
Frecuencia Relativa
Diagrama de dispersión 39 48.8
Gráfico de barras 17 28.3
Histogramas 1 1.7
Diagrama de Pareto 1 1.7
Regresión Logística 2 2.2
Total 60 100.00
Elaboración: Los Autores
Fuente: Datos de la Investigación
Gráfico Nº16
Gráfico de barras y numero porcentaje técnicas estadísticas
Elaboración: Los Autores
Fuente: Datos de la Investigación
64
Análisis: Lo que se aprecia en el gráfico de barras Gráfico Nº16, la técnica
estadística diagramas de dispersión fue la más aplicada, con lo que obtuvo
el mayor porcentaje de 48.8%, seguido del gráfico de barras 28.3%, las
técnicas histograma y diagrama de Pareto con un 1.7%, seguido de la
regresión logística con un 2.2%.
65
Análisis e interpretación de las variables cuantitativas
por el método de agrupación visual
Variable 1: Cantidad de veces repetida la palabra “lógica difusa”
Cuadro Nº25
Estadísticos Variable cuantitativa Num_fuzzy_logic
Elaboración: Los Autores
Fuente: Datos de la Investigación
Cuadro Nº26
Frecuencias de la variable NUM_FUZZY_LOGIC
Elaboración: Los Autores Fuente: Datos de la Investigación
ESTADÍSTICOS
NUM_FUZZY_LOGIC (agrupado) N Válido 80
Perdidos 0
Media 1,49
Mediana 1,00
Moda 1
Desviación estándar ,968
Varianza ,937
Asimetría 2,314
Curtósis 5,166
Mínimo 1
Máximo 5
Percentiles Q1 1,00
Q2 1,00
Q3 2,00
NUM_FUZZY_LO
GIC (agrupado)
FRECUENCIA
ABSOLUTA
FRECUENCIA
RELATIVA
<= 10,00 58 72,5
11,00 - 19,75 12 15,0
19,76 - 29,50 6 7,5
29,51 - 39,25 1 1,3
39,26+ 3 3,8
Total 80 100,0
66
Gráfico Nº17 Histograma NUM_FUZZY_LOGIC
Elaboración: Los Autores Fuente: Datos de la Investigación
Gráfico Nº18
Diagrama de cajas NUM_FUZZY_LOGIC
Elaboración: Los Autores Fuente: Datos de la Investigación
67
Análisis: La presente variable cuantitativa, se visualizó en el cuadro Nº25,
de un total de 80 artículos científicos el promedio del número de palabra
repetida fue 1.49 y un mediana de 1, si analizamos la media y la mediana
nos damos cuenta que la media es mayor, lo que nos da a interpretar el
primer estadístico de forma, lo cual es el coeficiente de asimetría con un
valor de 2.314. Con respecto al segundo estadístico que es la Curtósis se
indica que el grado de concentración presentan los valores alrededor de la
media, es mayor a cero (5,166).
Para este caso solamente se presentara el diagrama de cajas de esta
variable (Gráfico Nº18), notamos que existen valores que se alejan de los
datos normales de la muestra, denominados valores atípicos. Una valor
atípico es una advertencia “está lejos” que puede ser grande o pequeña.
68
Variable 2: Cantidad de veces repetida la palabra
“algoritmo”
Cuadro Nº27
Estadísticos variable cuantitativa algoritmo
Elaboración: Los Autores Fuente: Datos de la Investigación
Cuadro Nº28
Frecuencias de la palabra repetida algoritmo
Elaboración: Los Autores
Fuente: Datos de la Investigación
ESTADÍSTICOS
NUM_ALGORITMO (agrupado) N Válido 80
Perdidos 0
Media 1,46
Mediana 1,00
Moda 1
Desviación estándar 1,006
Varianza 1,011
Asimetría 2,403
Curtósis 5,090
Mínimo 1
Máximo 5
Percentiles Q1 1,00
Q2 1,00
Q3 1,00
NUM_ALGORITMO
(agrupado) Frecuencia
Absoluta
Frecuencia
Relativa
<= 10,00 61 76,3
11,00 - 30,25 10 12,5
30,26 - 50,50 3 3,8
50,51 - 70,75 3 3,8
70,76+ 3 3,8
Total 80 100,0
69
Gráfico Nº19
Histograma NUM_ALGORITMO
Elaboración: Los Autores Fuente: Datos de la Investigación
Análisis: En resumen, se visualizó en el cuadro Nº27, de un total de 80 artículos
científicos el promedio del número de palabra repetida fue 1.46 y un mediana de
1, si analizamos la media y la mediana nos damos cuenta que la media es mayor,
lo que nos da a interpretar el primer estadístico de forma, lo cual es el coeficiente
de asimetría con un valor de 2.403. Con respecto al segundo estadístico que es
la Curtósis se indica que el grado de concentración presentan los valores
alrededor de la media, es mayor a cero (5.090).
70
Variable 3: Cantidad de veces repetida la palabra
“priorización clínica”
Cuadro Nº29
Estadísticos variable cuantitativa priorización clínica
Elaboración: Los Autores
Fuente: Datos de la Investigación
Cuadro Nº30
Frecuencias de la palabra repetida Priorización clínica
Elaboración: Los Autores
Fuente: Datos de la Investigación
ESTADÍSTICOS
NUM_PRIORIZACION_CLINICA (agrupado) N Válido 80
Perdidos 0
Media 1,15
Error estándar de la media ,076
Mediana 1,00
Moda 1
Desviación estándar ,677
Varianza ,458
Asimetría 5,083
Error estándar de asimetría
,269
Curtósis 26,296
Error estándar de Curtósis ,532
Mínimo 1
Máximo 5
Percentiles Q1 1,00
Q2 1,00
Q3 1,00
NUM_PRIORIZACION_
CLINICA (agrupado)
Frecuencia
Absoluta
Frecuencia
Relativa
<= 10,00 75 93,8
11,00 - 16,75 2 2,5
16,76 - 23,50 1 1,3
30,26+ 2 2,5
Total 80 100,0
71
Gráfico Nº20
HISTOGRAMA NUM_PRIORIZACION_CLINICA
Elaboración: Los Autores Fuente: Datos de la Investigación
Análisis: En resumen, se visualizó en el cuadro Nº29, de un total de 80
artículos científicos el promedio del número de palabra repetida fue 1.15 y
un mediana de 1, si analizamos la media y la mediana nos damos cuenta
que la media es mayor, lo que nos da a interpretar el primer estadístico de
forma, lo cual es el coeficiente de asimetría con un valor de 5.083. Con
respecto al segundo estadístico que es la Curtósis se indica que el grado
de concentración presentan los valores alrededor de la media, es mayor a
cero (26.296).
72
Variable 4: Cantidad de veces repetida la palabra
“valoración clínica”
Cuadro Nº31
Estadísticos variable cuantitativa valoración clínica
ESTADÍSTICOS
NUM_VALORACION_CLINICA
(agrupado) N Válido 80
Perdidos 0
Media 1,05
Mediana 1,00
Moda 1
Desviación estándar ,447
Varianza ,200
Asimetría 8,944
Curtósis 80,000
Mínimo 1
Máximo 5
Percentiles 25 1,00
50 1,00
75 1,00
Elaboración: Los Autores
Fuente: Datos de la Investigación
Cuadro Nº32
Frecuencias de la palabra repetida valoración clínica
Elaboración: Los Autores
Fuente: Datos de la Investigación
Num_valoración_clinica (Agrupado) Frecuencia
Absoluta
Frecuencia
Relativa
<= 10,00 79 98,8
13,76+ 1 1,3
Total 80 100,0
73
Gráfico Nº21
Histograma NUM_VALORACIÓN_CLÍNICA
Elaboración: Los Autores Fuente: Datos de la Investigación
Análisis: En resumen, se visualizó en el cuadro Nº31, de un total de 80
artículos científicos el promedio del número de palabra repetida fue 1.05 y
un mediana de 1, si analizamos la media y la mediana nos damos cuenta
que la media es mayor, lo que nos da a interpretar el primer estadístico de
forma, lo cual es el coeficiente de asimetría con un valor de 8.944. Con
respecto al segundo estadístico que es la Curtósis se indica que el grado
de concentración presentan los valores alrededor de la media, es mayor a
cero (80.00).
74
Variable 5: Cantidad de veces repetida la palabra
“Triage”
Cuadro Nº33
Estadísticos variable cuantitativa triage
Elaboración: Los Autores Fuente: Datos de la Investigación
Cuadro Nº34
Frecuencias de la variable NUM_TRIAGE
Elaboración: Los Autores
Fuente: Datos de la Investigación
ESTADÍSTICOS
NUM_TRIAGE (AGRUPADO) N Válido 80
Perdidos 0
Media 1,41
Mediana 1,00
Moda 1
Desviación estándar ,990
Varianza ,980
Asimetría 2,619
Curtósis 6,090
Mínimo 1
Máximo 5
Percentiles Q1 1,00
Q2 1,00
Q3 1,00
NUM_TRIAGE (AGRUPADO)
FRECUENCIA
ABSOLUTA
FRECUENCIA
RELATIVA
<= 10,00
11,00 - 31,25
31,26 - 52,50
52,51 - 73,75
73,76+
Total
64 80,0
8 10,0
2 2,5
3 3,8
3 3,8
80 100,0
75
Gráfico Nº22
Histograma NUM_TRIAGE
Elaboración: Los Autores Fuente: Datos de la Investigación
Análisis: En resumen, se visualizó en el cuadro Nº33, de un total de 80
artículos científicos el promedio del número de palabra repetida fue 1.41 y
un mediana de 1, si analizamos la media y la mediana nos damos cuenta
que la media es mayor, lo que nos da a interpretar el primer estadístico de
forma, lo cual es el coeficiente de asimetría con un valor de 2.619. Con
respecto al segundo estadístico que es la Curtósis se indica que el grado
de concentración presentan los valores alrededor de la media, es mayor a
cero (6.090).
76
Análisis del proceso de valoración clínica mediante el
algoritmo de agrupamiento clustering Fuzzy c- means
(FCM) a través de un caso de estudio.
“Caso de Estudio”
Se tiene una tabla en el cual se evalúa el aspecto y el estado de conciencia,
lo cual es medido con la escala de coma de Glasgow a 30 pacientes entre
18-40 años, lo que permitirá clasificarlos en una de las diferentes
categorías del sistema de triage Manchester (MTS). Un valor cercano a
uno indica que el paciente está consciente y no necesita atención de
inmediata, según el caso, esperar un límite de tiempo, un valor cercano a
0 muestra que el paciente esta inconsciente y necesita atención médica de
inmediata. Aplicando el algoritmo Fuzzy c – means (FCM) se desea
separar en 2 cluster para visualizar aquellos pacientes que tengan
prioridad de inmediata, y los que tengan un tiempo de espera para que
llegasen a ser atendidos.
Nota: Se realizó la evaluación Glasgow a los 30 pacientes, de acuerdo a
los resultados serán priorizados. Estos datos fueron simulados
aleatoriamente en una tabla de Excel, donde se realizó dicha evaluación
con su respectiva priorización. Se diseñó y se trabajara con la tabla de
sistema de triage Manchester con valores difusos (cuadro Nº35), para
clasificar a los pacientes de acuerdo al resultado que se obtuvo en la
valoración Glasgow.
Cuadro Nº35 Triage Manchester con valores difusos
Priorización difusa Color
[0 - 0.20] Rojo Atención de inmediata
[0.21 - 0.47] Naranja Atención de inmediata
[0.48 - 0.65] Amarillo Atención no inmediata
[0.66 - 0.80] Verde Atención no inmediata
[0.81 - 1.00] Azul Atención no inmediata
Elaboración: Los Autores
Fuente: Datos de la Investigación
77
Cuadro Nº36
Evaluación Glasgow a los 30 pacientes
DATOS DIFUSOS
PACIENTE RESPUESTA
OCULAR
RESPUESTA
VERBAL
RESPUESTA
MOTORA
1 0,27 0,07 0,33
2 0,07 0,33 0,13
3 0,07 0,13 0,13
4 0,13 0,33 0,07
5 0,20 0,20 0,33
6 0,07 0,20 0,07
7 0,07 0,20 0,20
8 0,07 0,13 0,33
9 0,20 0,13 0,07
10 0,13 0,20 0,27
11 0,27 0,07 0,13
12 0,07 0,07 0,13
13 0,07 0,20 0,13
14 0,20 0,13 0,07
15 0,20 0,13 0,40
16 0,07 0,20 0,27
17 0,20 0,27 0,20
18 0,27 0,13 0,40
19 0,27 0,20 0,27
20 0,27 0,13 0,13
21 0,07 0,33 0,40
22 0,13 0,33 0,40
23 0,07 0,33 0,07
24 0,07 0,13 0,33
25 0,27 0,27 0,33
26 0,27 0,07 0,07
27 0,27 0,27 0,40
28 0,2 0,33 0,40
29 0,27 0,07 0,07
30 0,13 0,07 0,27
Elaboración: Los Autores
Fuente: Datos de la Investigación
78
Cuadro Nº37
Resultados de la evaluación Glasgow de los 30 pacientes, con su respectiva priorización
Paciente Estado Salud Glasgow
Prioridad - atención medica
1 0,67 0,53
2 0,53 0,60
3 0,33 0,53
4 0,53 0,53
5 0,73 0,33
6 0,33 0,67
7 0,47 0,33
8 0,53 0,47
9 0,40 0,67
10 0,60 0,19
11 0,47 0,47
12 0,27 0,80
13 0,40 0,67
14 0,40 0,87
15 0,73 0,53
16 0,53 0,40
17 0,67 0,93
18 0,80 0,60
19 0,73 0,53
20 0,53 0,67
21 0,80 0,28
22 0,87 0,12
23 0,47 0,12
24 0,53 0,87
25 0,87 0,52
26 0,40 0,98
27 0,93 0,05
28 0,93 0,43
29 0,40 0,09
30 0,47 0,25
Elaboración: Los Autores
Fuente: Datos de la Investigación
79
Se observan la visualización de los resultados finales del proceso de
valoracion, la variable estado de salud glasgow es el resultado de la
evaluacion clinica de cada uno de los 30 pacientes, por lo que se genero
aleatoriamente en la variable prioridad-atencion médica un valor de
aproximación, el valor indica la prioridad que tendra el paciente de acuerdo
al cuadro Nº37.
Desarrollo:
Paso # 1 – FCM
𝐷𝑎𝑡𝑜𝑠
𝐷𝑎𝑡𝑜𝑠 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑈 𝑐𝑢𝑎𝑑𝑟𝑜 𝑁º33
𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑐𝑙𝑢𝑠𝑡𝑒𝑟 2
𝑚 = 2
𝑐𝑒𝑛𝑡𝑟𝑜𝑖𝑑𝑒 𝑣1 (0.3,0.6)
𝑐𝑒𝑛𝑡𝑟𝑜𝑖𝑑𝑒 𝑣2 (0.9,0.6)
Paso # 2 – FCM
Se calcula las funciones de pertenencia de los n clusters mediante:
𝑈𝑐𝑖(𝑥) =1
∑ (‖𝑥 − 𝑣𝑖‖2
‖𝑥 − 𝑣𝑗‖2)
1𝑚−1
𝐶𝑘=1
Calculo de la 1ra iteración cluster # 1
Se calcula la sumatoria que viene siendo la pertenencia (cuadro Nº33)
respecto a los centroides v1 = (0.3, 0.6). Se resta el primer punto con el
centroide v1. 0.67 - 0.3 = 0.37, y 0.53 - 0.6 = 0.07. Con esos mismos puntos
restamos el segundo centroide v2 = (0.9, 0.6) para obtener los valores de
0.2 y 0.07.
‖𝑥1 − 𝑣1‖2= 0.372 + 0.072 = 0.1369 + 0.0049 = 0.1418
‖𝑥1 − 𝑣2‖2= 0.232 + 0.072 = 0.0529 + 0.0049 = 0.0578
𝑈𝐶1(𝑥1) = 1
0.1418
0.1418+
0.1418
0.0578
𝑈𝐶1(𝑥1) = 1
1+ 2.4533
𝑈𝐶1(𝑥1) = 0.2896 //
80
Cálculo de la 2da iteración (puntos 0.53 – 0.60) cluster # 1
‖𝑥1 − 𝑣1‖2= 0.232 + 0 = 0.0529 + 0 = 0.0529
‖𝑥1 − 𝑣1‖2= 0.372 + 0 = 0.1369 + 0 = 0.1360
𝑈𝐶1(𝑥1) = 1
0.0529
0.0529+
0.0529
0.1369
𝑈𝐶1(𝑥1) = 1
1+ 0.3864
𝑈𝐶1(𝑥1) = 0.7213 //
Cálculo de la 3ra iteración (puntos 0.33 – 0.53) cluster # 1
‖𝑥1 − 𝑣1‖2= 0.032 + 0.072 = 0.0009 + 0.0049 = 0.0058
‖𝑥1 − 𝑣2‖2= 0.572 + 0.072 = 0.3249 + 0.0049 = 0.3298
𝑈𝐶1(𝑥1) = 1
0.0058
0.0058+
0.0058
0.3298
𝑈𝐶1(𝑥1) = 1
1+ 0.1759
𝑈𝐶1(𝑥1) = 0.9827 //
Cálculo de la 4ta iteración (puntos 0.53 – 0.53) cluster # 1
‖𝑥1 − 𝑣1‖2= 0.232 + 0.072 = 0.0529 + 0.0049 = 0.0578
‖𝑥1 − 𝑣2‖2= 0.372 + 0.072 = 0.1369 + 0.0049 = 0.1418
𝑈𝐶1(𝑥1) = 1
0.0578
0.0578+
0.0578
0.1418
𝑈𝐶1(𝑥1) = 1
1+ 0.1759
𝑈𝐶1(𝑥1) = 0.7104 //
Cálculo de la 5ta iteración (puntos 0.73 – 0.33) cluster # 1
‖𝑥1 − 𝑣1‖2= 0.432 + 0.272 = 0.1849 + 0.0729 = 0.2578
‖𝑥1 − 𝑣2‖2= 0.172 + 0.272 = 0.0289 + 0.0729 = 0.1018
𝑈𝐶1(𝑥1) = 1
0.2558
0.2578+
0.2578
0.1018
𝑈𝐶1(𝑥1) = 1
1+ 0.1759
𝑈𝐶1(𝑥1) = 0.2831 //
81
Cálculo de la 6ta iteración (puntos 0.33 – 0.67) cluster # 1
‖𝑥1 − 𝑣1‖2= 0.032 + 0.072 = 0.0009 + 0.0049 = 0.0058
‖𝑥1 − 𝑣2‖2= 0.572 + 0.072 = 0.3249 + 0.0049 = 0.3298
𝑈𝐶1(𝑥1) = 1
0.0058
0.0058+
0.0058
0.3298
𝑈𝐶1(𝑥1) = 1
1+ 0.01758
𝑈𝐶1(𝑥1) = 0.9827 //
Cálculo de la 7ma iteración (puntos 0.47 – 0.33) cluster # 1
‖𝑥1 − 𝑣1‖2= 0.172 + 0.272 = 0.0289 + 0.0729 = 0.1018
‖𝑥1 − 𝑣2‖2= 0.432 + 0.272 = 0.1849 + 0.0729 = 0.2578
𝑈𝐶1(𝑥1) = 1
0.1018
0.1018+
0.1018
0.2578
𝑈𝐶1(𝑥1) = 1
1+ 0.3948
𝑈𝐶1(𝑥1) = 0.8488 //
Cálculo de la 8va iteración (puntos 0.53 – 0.47) cluster # 1
‖𝑥1 − 𝑣1‖2= 0.232 + 0.132 = 0.0529 + 0.0169 = 0.0698
‖𝑥1 − 𝑣2‖2= 0.372 + 0.132 = 0.1369 + 0.0169 = 0.1538
𝑈𝐶1(𝑥1) = 1
0.0698
0.0698+
0.0698
0.1538
𝑈𝐶1(𝑥1) = 1
1+ 0.4538
𝑈𝐶1(𝑥1) = 0.6878 //
Cálculo de la 9na iteración (puntos 0.40 – 0.67) cluster # 1
‖𝑥1 − 𝑣1‖2= 0.102 + 0.072 = 0.01 + 0.0049 = 0.0149
‖𝑥1 − 𝑣2‖2= 0.502 + 0.072 = 0.25 + 0.0049 = 0.2549
𝑈𝐶1(𝑥1) = 1
0.0149
0.0149+
0.0149
0.2549
𝑈𝐶1(𝑥1) = 1
1+ 0.0584
𝑈𝐶1(𝑥1) = 0.9448 //
82
Cálculo de la 10ma iteración (puntos 0.60 – 0.19) cluster # 1
‖𝑥1 − 𝑣1‖2= 0.302 + 0.412 = 0.09 + 0.1681 = 0.2581
‖𝑥1 − 𝑣2‖2= 0.302 + 0.412 = 0.09 + 0.1681 = 0.2581
𝑈𝐶1(𝑥1) = 1
0.2581
0.2581+
0.2581
0.2581
𝑈𝐶1(𝑥1) = 1
1+ 0.05845
𝑈𝐶1(𝑥1) = 0.5 //
Cálculo de la 11va iteración (puntos 0.47 – 0.47) cluster # 1
‖𝑥1 − 𝑣1‖2= 0.172 + 0.132 = 0.0289 + 0.0169 = 0.0458
‖𝑥1 − 𝑣2‖2= 0.432 + 0.132 = 0.1849 + 0.0169 = 0.2018
𝑈𝐶1(𝑥1) = 1
0.0458
0.0458+
0.0458
0.2018
𝑈𝐶1(𝑥1) = 1
1+ 0.2269
𝑈𝐶1(𝑥1) = 0.8150 //
Cálculo de la 12va iteración (puntos 0.27 – 0.80) cluster # 1
‖𝑥1 − 𝑣1‖2= 0.032 + 0.202 = 0.0009 + 0.04 = 0.0409
‖𝑥1 − 𝑣2‖2= 0.632 + 0.202 = 0.3969 + 0.04 = 0.4369
𝑈𝐶1(𝑥1) = 1
0.0409
0.0409+
0.0409
0.4369
𝑈𝐶1(𝑥1) = 1
1+ 0.0936
𝑈𝐶1(𝑥1) = 0.9144 //
Cálculo de la 13va iteración (puntos 0.40 – 0.67) cluster # 1
‖𝑥1 − 𝑣1‖2= 0.102 + 0.072 = 0.01 + 0.0049 = 0.0149
‖𝑥1 − 𝑣2‖2= 0.502 + 0.072 = 0.25 + 0.0049 = 0.2549
𝑈𝐶1(𝑥1) = 1
0.0149
0.0149+
0.0149
0.2549
𝑈𝐶1(𝑥1) = 1
1+ 0.0585
𝑈𝐶1(𝑥1) = 0.9448 //
83
Cálculo de la 14va iteración (puntos 0.40 – 0.87) cluster # 1
‖𝑥1 − 𝑣1‖2= 0.102 + 0.272 = 0.01 + 0.0729 = 0.0829
‖𝑥1 − 𝑣2‖2= 0.502 + 0.272 = 0.25 + 0.0729 = 0.3229
𝑈𝐶1(𝑥1) = 1
0.0829
0.0829+
0.0839
0.3229
𝑈𝐶1(𝑥1) = 1
1+ 0.2567
𝑈𝐶1(𝑥1) = 0.7957 //
Cálculo de la 15va iteración (puntos 0.73 – 0.53) cluster # 1
‖𝑥1 − 𝑣1‖2= 0.432 + 0.072 = 0.1849 + 0.0049 = 0.1898
‖𝑥1 − 𝑣2‖2= 0.172 + 0.272 = 0.0289 + 0.0049 = 0.0338
𝑈𝐶1(𝑥1) = 1
0.1898
0.1898+
0.1898
0.0338
𝑈𝐶1(𝑥1) = 1
1+ 5.6153
𝑈𝐶1(𝑥1) = 0.1512 //
Cálculo de la 16va iteración (puntos 0.53 – 0.40) cluster # 1
‖𝑥1 − 𝑣1‖2= 0.232 + 0.202 = 0.0529 + 0.04 = 0.0929
‖𝑥1 − 𝑣2‖2= 0.372 + 0.202 = 0.1369 + 0.04 = 0.1769
𝑈𝐶1(𝑥1) = 1
0.0929
0.0929+
0.0929
0.1769
𝑈𝐶1(𝑥1) = 1
1+0.5251
𝑈𝐶1(𝑥1) = 0.6557 //
Cálculo de la 17va iteración (puntos 0.67 – 0.93) cluster # 1
‖𝑥1 − 𝑣1‖2= 0.372 + 0.332 = 0.1369 + 0.1089 = 0.2458
‖𝑥1 − 𝑣2‖2= 0.232 + 0.332 = 0.0529 + 0.1089 = 0.1618
𝑈𝐶1(𝑥1) = 1
0.2458
0.2458+
0.2450
0.1618
𝑈𝐶1(𝑥1) = 1
1+1.5191
𝑈𝐶1(𝑥1) = 0.3970 //
84
Cálculo de la 18va iteración (puntos 0.80 – 0.60) cluster # 1
‖𝑥1 − 𝑣1‖2= 0.502 + 0 = 0.25 + 0 = 0.25
‖𝑥1 − 𝑣2‖2= 0.102 + 0 = 0.01 + 0 = 0.01
𝑈𝐶1(𝑥1) = 1
0.25
0.25+
0.25
0.01
𝑈𝐶1(𝑥1) = 1
1+25
𝑈𝐶1(𝑥1) = 0.0385 //
Cálculo de la 19va iteración (puntos 0.73 – 0.53) cluster # 1
‖𝑥1 − 𝑣1‖2= 0.432 + 0.072 = 0.1849 + 0.0049 = 0.1898
‖𝑥1 − 𝑣2‖2= 0.172 + 0.272 = 0.0289 + 0.0049 = 0.0338
𝑈𝐶1(𝑥1) = 1
0.1898
0.1898+
0.1898
0.0338
𝑈𝐶1(𝑥1) = 1
1+ 5.6153
𝑈𝐶1(𝑥1) = 0.1512 //
Cálculo de la 20va iteración (puntos 0.53 – 0.67) cluster # 1
‖𝑥1 − 𝑣1‖2= 0.232 + 0.072 = 0.0529 + 0.0049 = 0.0578
‖𝑥1 − 𝑣2‖2= 0.372 + 0.072 = 0.1369 + 0.0049 = 0.1418
𝑈𝐶1(𝑥1) = 1
0.0578
0.0578+
0.0578
0.1418
𝑈𝐶1(𝑥1) = 1
1+ 0.4076
𝑈𝐶1(𝑥1) = 0.7104 //
Cálculo de la 21va iteración (puntos 0.80 – 0.28) cluster # 1
‖𝑥1 − 𝑣1‖2= 0.502 + 0.322 = 0.25 + 0.1024 = 0.3524
‖𝑥1 − 𝑣2‖2= 0.102 + 0.322 = 0.01 + 0.1024 = 0.1124
𝑈𝐶1(𝑥1) = 1
0.3524
0.0578+
0.3524
0.1124
𝑈𝐶1(𝑥1) = 1
1+ 3.1352
𝑈𝐶1(𝑥1) = 0.2418 //
85
Cálculo de la 22va iteración (puntos 0.87 – 0.12) cluster # 1
‖𝑥1 − 𝑣1‖2= 0.572 + 0.482 = 0.3249 + 0.2304 = 0.5553
‖𝑥1 − 𝑣2‖2= 0.032 + 0.482 = 0.0009 + 0.2304 = 0.2313
𝑈𝐶1(𝑥1) = 1
0.5553
0.5553+
0.5553
0.2313
𝑈𝐶1(𝑥1) = 1
1+ 2.4007
𝑈𝐶1(𝑥1) = 0.2941 //
Cálculo de la 23va iteración (puntos 0.53 – 0.67) cluster # 1
‖𝑥1 − 𝑣1‖2= 0.232 + 0.072 = 0.0529 + 0.0049 = 0.0578
‖𝑥1 − 𝑣2‖2= 0.372 + 0.072 = 0.1369 + 0.0049 = 0.1418
𝑈𝐶1(𝑥1) = 1
0.0578
0.0578+
0.0578
0.1418
𝑈𝐶1(𝑥1) = 1
1+ 0.4076
𝑈𝐶1(𝑥1) = 0.6156 //
Cálculo de la 24va iteración (puntos 0.53 – 0.87) cluster # 1
‖𝑥1 − 𝑣1‖2= 0.232 + 0.272 = 0.0529 + 0.0729 = 0.1258
‖𝑥1 − 𝑣2‖2= 0.372 + 0.272 = 0.1369 + 0.0729 = 0.2098
𝑈𝐶1(𝑥1) = 1
0.1258
0.1258+
0.1258
0.2098
𝑈𝐶1(𝑥1) = 1
1+ 0.5996
𝑈𝐶1(𝑥1) = 0.6251 //
Cálculo de la 25va iteración (puntos 0.87 – 0.52) cluster # 1
‖𝑥1 − 𝑣1‖2= 0.572 + 0.082 = 0.3249 + 0.0064 = 0.3313
‖𝑥1 − 𝑣2‖2= 0.032 + 0.082 = 0.0009 + 0.0064 = 0.0073
𝑈𝐶1(𝑥1) = 1
0.3313
0.3313+
0.3313
0.0073
𝑈𝐶1(𝑥1) = 1
1+ 45.3835
𝑈𝐶1(𝑥1) = 0.0216 //
86
Cálculo de la 26va iteración (puntos 0.40 – 0.98) cluster # 1
‖𝑥1 − 𝑣1‖2= 0.102 + 0.382 = 0.01 + 0.1444 = 0.1544
‖𝑥1 − 𝑣2‖2= 0.502 + 0.382 = 0.25 + 0.1444 = 0.3944
𝑈𝐶1(𝑥1) = 1
0.1544
0.1544+
0.1544
0.3944
𝑈𝐶1(𝑥1) = 1
1+ 0.3914
𝑈𝐶1(𝑥1) = 0.7187 //
Cálculo de la 27va iteración (puntos 0.93 – 0.05) cluster # 1
‖𝑥1 − 𝑣1‖2= 0.632 + 0.552 = 0.3969 + 0.3025 = 0.6994
‖𝑥1 − 𝑣2‖2= 0.032 + 0.552 = 0.0009 + 0.3025 = 0.3034
𝑈𝐶1(𝑥1) = 1
0.6994
0.6994+
0.6994
0.3034
𝑈𝐶1(𝑥1) = 1
1+ 2.4052
𝑈𝐶1(𝑥1) = 0.3026 //
Cálculo de la 28va iteración (puntos 0.93 – 0.43) cluster # 1
‖𝑥1 − 𝑣1‖2= 0.632 + 0.172 = 0.3969 + 0.0289 = 0.4258
‖𝑥1 − 𝑣2‖2= 0.032 + 0.172 = 0.0009 + 0.0289 = 0.0298
𝑈𝐶1(𝑥1) = 1
0.4258
0.4258+
0.4259
0.0289
𝑈𝐶1(𝑥1) = 1
1+ 14.2885
𝑈𝐶1(𝑥1) = 0.0654 //
Cálculo de la 29va iteración (puntos 0.40 – 0.09) cluster # 1
‖𝑥1 − 𝑣1‖2= 0.102 + 0.512 = 0.01 + 0.2601 = 0.2701
‖𝑥1 − 𝑣2‖2= 0.502 + 0.512 = 0.25 + 0.2601 = 0.5101
𝑈𝐶1(𝑥1) = 1
0.2701
0.2701+
0.2701
0.5101
𝑈𝐶1(𝑥1) = 1
1+ 0.5295
𝑈𝐶1(𝑥1) = 0.6538 //
87
Cálculo de la 30va iteración (puntos 0.47 – 0.25) cluster # 1
‖𝑥1 − 𝑣1‖2= 0.172 + 0.352 = 0.0289 + 0.1225 = 0.1514
‖𝑥1 − 𝑣2‖2= 0.432 + 0.352 = 0.1849 + 0.1225 = 0.3074
𝑈𝐶1(𝑥1) = 1
0.1514
0.1514+
0.1514
0.3074
𝑈𝐶1(𝑥1) = 1
1+ 0.4076
𝑈𝐶1(𝑥1) = 0.6700 //
Para el cálculo del segundo cluster, el valor de pertenencia 𝑈𝐶2(𝑥) se
calcula de igual manera, siguiendo el paso número 2, teniendo en cuenta
que en el numerador de la sumatoria cambia la norma, para que este
acuerdo con 𝑣2. En caso de haber un tercer cluster o más se cambia por
𝑣3, 𝑣𝑛 y asi continuamente. Para la obtención de valores del segundo
cluster solamente se calcula la primera iteración para obtener el coeficiente
de pertenencia de dicho cluster y asi siguiendo el mismo procedimiento se
obtienen los demás grados de pertenencia. En el cuadro Nº38 se muestran
los resultados obtenidos, los valores de cada dato en cada cluster.
Cálculo de la 1ra iteración cluster # 2
‖𝑥2 − 𝑣2‖2= 0.372 + 0.072 = 0.1369 + 0.0049 = 0.1418
‖𝑥2 − 𝑣1‖2= 0.232 + 0.072 = 0.0529 + 0.0049 = 0.0578
𝑈𝐶2(𝑥1) = 1
0.0578
0.0578+
0.0578
0.1418
𝑈𝐶2(𝑥1) = 1
1+ 0.4076
𝑈𝐶2(𝑥1) = 0.7104 //
88
Cuadro Nº38 Valores de pertenecia de cada dato en cada cluster
CLUSTER 1 CLUSTER 2
0,2896 0,7104
0,7213 0,2787
0,9827 0,0173
0,7104 0,2896
0,2831 0,7169
0,9827 0,0173
0,8488 0,1512
0,6878 0,3122
0,9448 0,0552
0,5000 0,5000
0,8150 0,1850
0,9144 0,0856
0,9448 0,0552
0,7957 0,2043
0,1512 0,8488
0,6557 0,3443
0,3970 0,6030
0,0385 0,9615
0,1512 0,8488
0,7104 0,2896
0,2418 0,7582
0,2941 0,7059
0,3844 0,6156
0,6251 0,3749
0,0216 0,9784
0,7187 0,2813
0,3026 0,6974
0,0654 0,9346
0,6538 0,3402
0,6700 0,3300
Elaboración: Los Autores
Fuente: Datos de la Investigación
89
Paso # 3 – FCM
sumar cada una de los pertenencias de ambos cluster, que cumpla con:
∑ 𝑈𝑐𝑖(𝑥𝑖) = 1𝑗 ∀𝑥𝑖 ∈ X
Nota: En caso de ≠ 1, volver a calcular los grados de pertenencias.
Paso # 4 – FCM
Actualizamos los centroides de los n clusters 𝐶 = 𝐶𝑗
𝑣𝑖 =∑ 𝑈𝑐𝑖(𝑥)𝑚. 𝑥𝑁
𝑘=1
∑ 𝑈𝑐𝑖(𝑥)𝑚𝑁𝑘=1
El procedimiento para actualizar los prototipos, se utilizara la ecuacion del
paso #4, para la primera caracteristica (evaluación glasgosw) y la segunda
(priorización).
Cálculo de primer centroide
𝒗𝟏 = (0.2896)2 ∗ 0.67 + (0.7213)2 ∗ 0.53 + (0.9827)2 ∗ 0.33 +
(0.7104)2 ∗ 0.53 + (0.2831)2 ∗ 0.73 + (0.9827)2 ∗ 0.33 + (0.8488)2 ∗
0.47 + (0.6878)2 ∗ 0.53 + (0.9448)2 ∗ 0.40 + (0.5000)2 ∗ 0.60 +
(0.8150)2 ∗ 0.47 + (0.9144)2 ∗ 0.27 + (0.9448)2 ∗ 0.40 + (0.7957)2 ∗
0.40 + (0.1512)2 ∗ 0.73 + (06557)2 ∗ 0.53 + (0.3970)2 ∗ 0.67 +
(0.0385)2 ∗ 0.80 + (0.1512)2 ∗ 0.73 + (0.7104)2 ∗ 0.53 + (0.2418)2 ∗
0.80 + (0.2941)2 ∗ 0.87 + (0.6156)2 ∗ 0.47 + (0.6251)2 ∗ 0.53 +
(0.0216)2 ∗ 0.87 + (0.7187)2 ∗ 0.40 + (0.3026)2 ∗ 0.93 + (0.0654)2 ∗
0.93 + (0.6538)2 ∗ 0.40 + (0.6700)2 ∗ 0.47 / (0.2896)2 + (0.7213)2 +
(0.9827)2 + (0.7104)2 + (0.2831)2 + (0.9827)2 + (0.8488)2 +
(0.6878)2 + (0.9448)2 + (0.5000)2 + (0.8150)2 + (0.9144)2 +
(0.9448)2 + (0.7957)2 + (0.1512)2+(06557)2 + (0.3970)2 +
(0.0385)2 + (0.1512)2 + (0.7104)2 + (0.2418)2 + (0.2941)2 +
(0.6156)2 + (0.6251)2 + (0.0216)2 + (0.7187)2 + (0.3026)2 +
(0.0654)2 + (0.6538)2 + (0.6700)2 = 𝟎. 𝟒𝟒𝟓𝟕 //
90
𝒗𝟏 = (0.2896)2 ∗ 0.53 + (0.7213)2 ∗ 0.60 + (0.9827)2 ∗ 0.53 +
(0.7104)2 ∗ 0.53 + (0.2831)2 ∗ 0.33 + (0.9827)2 ∗ 0.67 + (0.8488)2 ∗
0.33 + (0.6878)2 ∗ 0.47 + (0.9448)2 ∗ 0.67 + (0.5000)2 ∗ 0.19 +
(0.8150)2 ∗ 0.47 + (0.9144)2 ∗ 0.80 + (0.9448)2 ∗ 0.67 + (0.7957)2 ∗
0.87 + (0.1512)2 ∗ 0.53 + (06557)2 ∗ 0.40 + (0.3970)2 ∗ 0.93 +
(0.0385)2 ∗ 0.60 + (0.1512)2 ∗ 0.53 + (0.7104)2 ∗ 0.67 + (0.2418)2 ∗
0.28 + (0.2941)2 ∗ 0.12 + (0.6156)2 ∗ 0.12 + (0.6251)2 ∗ 0.87 +
(0.0216)2 ∗ 0.52 + (0.7187)2 ∗ 0.98 + (0.3026)2 ∗ 0.05 + (0.0654)2 ∗
0.43 + (0.6538)2 ∗ 0.09 + (0.6700)2 ∗ 0.25 / (0.2896)2 + (0.7213)2 +
(0.9827)2 + (0.7104)2 + (0.2831)2 + (0.9827)2 + (0.8488)2 +
(0.6878)2 + (0.9448)2 + (0.5000)2 + (0.8150)2 + (0.9144)2 +
(0.9448)2 + (0.7957)2 + (0.1512)2+(06557)2 + (0.3970)2 +
(0.0385)2 + (0.1512)2 + (0.7104)2 + (0.2418)2 + (0.2941)2 +
(0.6156)2 + (0.6251)2 + (0.0216)2 + (0.7187)2 + (0.3026)2 +
(0.0654)2 + (0.6538)2 + (0.6700)2 = 𝟎. 𝟓𝟓𝟐𝟗 //
Para el cálculo del segundo centroide 𝒗𝟐 el procedimiento es el mismo,
pero teniendo en cuenta las pertenencias al cluster 2, si hubiera más
cluster se opera de la misma manera.
Los resultados de los centroides obtenidos fueron:
𝑣1 =∑ 𝑈𝑐1(𝑥𝑘)𝑚.𝑥30
𝑘=1
∑ 𝑈𝑐1(𝑥𝑘)𝑚30𝑘=1
= (0.4457,0.5529)
𝑣2 =∑ 𝑈𝑐2(𝑥𝑘)𝑚.𝑥30
𝑘=1
∑ 𝑈𝑐2(𝑥𝑘)𝑚30𝑘=1
= (0.7564,0.5103)
91
CAPÍTULO IV
RESULTADOS
CONCLUSIONES Y RECOMENDACIONES
RESULTADOS
Es preciso definir cuáles han sido los resultados obtenidos durante el
desarrollo del caso de estudio con la finalidad de poder destacar los
aciertos que se obtuvieron con la solución planteada al problema del
metaanálisis de lógica difusa y el análisis del proceso de valoración clínica
mediante algoritmo clustering FCM.
A fin de que podamos evidenciar el éxito obtenido con la base de datos del
metaanálisis a la lógica difusa, toma de decisiones y selección del personal
podemos mencionar que es necesario poder establecer una analogía entre
la metodología y procesos aplicados. Con ello se podrá ver claramente el
aporte tanto del agrupamiento difuso en el proceso clínico, como del
metaanálisis en el establecimiento de las áreas investigadas sobre lógica
difusa y proceso de valoración clínica.
92
Respuesta a pregunta científica
¿Mediante la técnica del agrupamiento difuso se podrá analizar los
procesos de valoración clínica según su nivel de urgencia?
El agrupamiento difuso es un método muy eficaz para resolver tales
inconvenientes de separar o clasificar uno o varios datos en distintos
cluster, debido a esto se puede concluir el principal objetivo de clustering
FCM, clasifica los datos de acuerdo al grado de pertenencia lo que
permitiría obtener un resultado de manera eficiente.
Al hacer la agrupación de los métodos utilizados en este proyecto como lo
son la lógica difusa con su técnica clustering FCM, el sistema de triaje
Manchester, y la escala de coma de Glasgow, con esta unión nos da un
resultado favorable y eficaz para el médico, el cual va a ser la persona que
deberá realizar la valoración clínica, y de él/ella es la responsabilidad de
evaluar y dar un diagnóstico clínico al paciente, sin embargo este proyecto
le ayuda a este profesional mediante la técnica de agrupamiento difuso a
que tenga un mejor desempeño en la toma de decisiones al momento de
priorizar a los pacientes según su estado de urgencias.
Resultado Final del Caso de Estudio
A continuación se presentan los resultados del análisis del proceso de
valoración clínica aplicando la técnica clustering FCM, lo cual se obtuvo el
siguiente análisis. El cluster 1 reúne los datos con mayor pertenencia los
cuales son: 2,3,4,6,7,8,9,11,12,13,14,16,20,23,26,29,30 mientras que los
datos restantes tienen una mayor pertenencia al cluster 2. Los datos del
cuadro Nº37 fueron cargados al programa mediante el widget File, además
se cargó el archivo al widget DataTable donde se visualizaron los datos
simulados, luego con el widget Interactive k-means que indica el
funcionamiento del algoritmo clustering con sus respectivos centroides y
por último el widget Scatter Plot lo cual muestra los resultados de la
dispersión de los datos. Sin embargo Orange Canvas posee widgets
volátiles lo cual la primera simulación seria el resultado final.
93
El primer cluster reúne los pacientes que están conscientes y no necesitan
atención médica por cual esperarían un límite tiempo, mientras que el
segundo cluster reúne todos los pacientes que si necesitan atención de
inmediata.
Gráfico Nº23 Flujo de Trabajo
Elaboración: Los Autores
Fuente: Datos de la Investigación
Gráfico Nº24 Dispersión de datos separados en 2 cluster
Elaboración: Los Autores
Fuente: Datos de la Investigación
94
Conclusiones
Finalizando la investigación lógica difusa orientada al proceso de
valoración clínica, basándose en la información dada por los resultados de
los mismos se concluye los siguientes ítems:
Al realizar la investigación se amplió el conocimiento al descubrir
otras herramientas que hay que son parte de la inteligencia
computacional como lo es la lógica difusa.
Realizado el caso de estudio, se obtuvo un agrupamiento difuso
para la clasificación apropiada de los pacientes en la salas de
urgencias indicando la priorización y clasificación del paciente, ya
sea de atención inmediata o no inmediata aplicando el algoritmo
clustering Fuzzy c – means.
El algoritmo FCM aplicado al proceso de valoración clínica, logra
un aporte efectivo al permitir al personal médico y su equipo de
trabajo obtener una mejor visualización de datos, de tal manera
permitiendo tomar la decisión correcta en la priorización del
paciente.
El metaanálisis realizado ayudó a resumir la información contenida,
enfocándose en los temas más relevantes de los artículos
científicos permitiendo destacar los más apreciables para este
estudio.
95
Recomendaciones
Realizar nuevos estudios sobre lógica difusa, porque cada día salen
aplicaciones de esta técnica en diferentes áreas lo cual es enriquecedor
para el conocimiento de aquella persona que le guste la investigación y
poder aplicar en cualquier área científica.
Poner en práctica el algoritmo FCM en nuevas herramientas de software
con el propósito de obtener mejores resultados aplicando otras técnicas
como pueden ser redes neuronales, mapas cognitivos y asi obtener
respuestas favorables a los procesos de valoración clínica.
Se recomienda a las futuras generaciones que al momento de utilizar el
algoritmo FCM, no sea modificado, si no más sea utilizado como base para
realizar nuevas investigaciones y aplicaciones
,
96
Bibliografía Aguilera, E. (2014). ¿Revisión sistemática, revisión narrativa o metaanálisis? Rev.
Soc. Esp. del Dolor, 359-360.
Amthauer, C., & Chollopetz da Cunha, M. L. (2016). Sistema de triaje de Manchester: organigramas principales, discriminadores y resultados de la atención de una emergencia pediátrica. Rev. Latino-Am. Enfermagem, 1-7.
Beltrán Alvarado, G., Martínez, M., & Ríos Pavón, M. (2012). Aportes a la Inteligencia artificial en la ingenieria informatica.
Cano Plata, E., & Cano Plata, C. (2008). ANÁLISIS DE LOS ALGORITMOS DE AGRUPAMIENTO BORROSO PARA DETECTAR ASIMETRÍA DE INFORMACIÓN. Scielo, 1-16.
Canós Darós, L., Casasús Estellés, T., Lara Mora, T., Liern Carrión, V., & Pérez Cantó, J. (2011). Un algoritmo Fuzzy para la seleción del personal. ASEPUMA, 1-11.
Catalá López, F., Tobías, A., & Roqué, M. (2014). Conceptos básicos del metaanálisis en red. ScienceDirect - Elsevier, 1-10.
Cordero Mederos, J., Cabrera Padrón, N., Caraballo Castro, I., & Manso Silva, G. (2015). EL MUESTREO ESTADÍSTICO, HERRAMIENTA PARA PROTEGER LA OBJETIVIDAD E INDEPENDENCIA DE LOS AUDITORES INTERNOS EN LAS EMPRESAS COOPERATIVAS. Dialnet - Revista Cooperativismo y Desarrollo Vol. 3, No. 2, 1-11.
De la Horra, J. (2013). MODELOS DE PROBABILIDAD Y MUESTREO ALEATORIO. Obtenido de https://www.uam.es/personal_pdi/ciencias/horra/Estadistica-Apuntes/Probabilidad-Muestreo.pdf
EcuRED. (s.f.). EcuRed. Obtenido de Conocimiento con todo y para todos: https://www.ecured.cu/Investigador
Emerson, C., Garmendia, L., & Santos, M. (2012). Algoritmos Genéticos Difusos: Una Aproximación Práctica para la Creatividad Computacional. Dialnet, 279-290.
Flores Cruz, J. A., Camarena Gallardo, P., & Avalos Villarreal, E. (2014). La realidad virtual, una tecnología innovadora aplicable al proceso de enseñanza de los estudiantes. Redalyc - Red de Revistas Científicas de América Latina, el Caribe, España y Portugal, 1-10.
97
Flores Martín, J. D. (Diciembre de 2013). Pilotaje de Algoritmo de Priorización mediante Lógica Difusa para Mejora de la Precisión Diagnóstica de Enfermería. Obtenido de http://repositorio.ucam.edu/bitstream/handle/10952/1659/Juan%20Flores%20-%20TFM%20-%20Pilotaje%20del%20Algoritmo...%20final.pdf?sequence=1
Flores, J. (2012). Pilotaje de Algorimo para mejora de la precisión diagnóstica médica. Obtenido de http://repositorio.ucam.edu/bitstream/handle/10952/1659/Juan%20Flores%20-%20TFM%20-%20Pilotaje%20del%20Algoritmo...%20final.pdf?sequence=1
García García, J. A., Reding Bernal, A., & López Alvarenga, J. C. (2013). Cálculo
del tamaño de la muestra en investigación en educación médica. ScienceDirect - Elsevier, 217-224.
García Perdomo, H. A. (2015). Conceptos fundamentales de las revisiones sistemáticas/metaanálisis. Elsevier, 29-34.
Guerrero Córdoba., F. M. (2011). Clustering a partir de Fuzzy C-Means. Springer , 1-11.
Guerrero, C. S., & Melo, O. Ó. (2008). Optimización de curvas de crecimiento a través de análisis univariado. Scielo - Revista Colombiana de Estadística, 193-209.
Hazelzet, J. A. (2008). Can fuzzy logic make things more clear ? BioMed - Springer, 1-2.
Hernández Cáceres, J. (2015). Clustering basado en el algoritmo K-means para la identificación de grupos de pacientes quirúrgicos. Scielo, 1-8.
Léon, M., Lameda, C., & Martínez, S. (2016). Aplicación de lógica difusa y algoritmos genéticos para clasificación de tratamientos contra enfermedades neoplásicas malignas. Redalyc - Red de Revistas Científicas de América Latina, el Caribe, España y Portugal, 1-7.
Lizarralde, F., Arona, G., & Huayapa, C. (2012). Modelo basado en Lógica Difusa para el Diagnóstico Cognitivo del Estudiante. Scielo, 13-20.
Ministerio de Salud Pública. (2014). Sistema de triaje de manchester en emergencia Hospital General de Chone. Manabí.
Ministerio de Salud Publica. (2016). RESOLUCIÓN ARCSA-DE-0XX-2016-GGG . Obtenido de LA DIRECCIÓN EJECUTIVA DE LA AGENCIA NACIONAL DE REGULACIÓN, CONTROL Y VIGILANCIA SANITARIA- ARCSA: http://www.controlsanitario.gob.ec/wp-content/uploads/downloads/2016/06/16.06.14_NTS_Farmacovigilancia_3.0.pdf
98
Morales Araon, E. (2012). Estadisticas y Probabilidades. Santiago - Chile: universidad catolica de la santisisma concepcion.
Muñada Rodriguez, J., & Ramírez, E. (2013). Escala de coma de Glasgow: Origen, Analisis y uso apropiado. Elsevier - ScienceDirect, 1-11.
Ortiz Flores, B. Z. (s.f). Importancia de la incorporación temprana a la investigación cientifica. En O. F. Zepeda.
Otzen, T., & Manterola, C. (2017). Técnicas de Muestreo sobre una Población a Estudio. Scielo - International Journal of Morphology, 227-232.
R, D. (2013). Probabilidad y Estádistica : Aplicaciones A La Ingeniería. Venezuela: McGraw-Hill.
Rendón, E., Zepeda, R., Barrueta, E., & Itzel, M. (2015). El algoritmo de agrupamiento K-Modas: Un caso de estudio. Revista Tecnología e Innovación, 929-941.
Rodriguez, L. (2007). Probabilidad y Estádistica Básica Para Ingénieros. Ecuador: ICM-ESPOL.
Sáez C, A. J. (2012). Apuntes De Estádistica Para Ingenieros. España: Departamento de Estadistica.
Santana Jímenez, L. (2013). UNA APLICACIÓN DE LA LÓGICA DIFUSA A LA EVALUACIÓN DEL BALANCE DE RIESGOS DE LA INFLACIÓN Y DEL CRECIMIENTO MACROECONÓMICO. Redalyc - Red de Revistas Científicas de América Latina, el Caribe, España y Portugal, 497-514.
Sarmiento, H. O., Isaza, C. V., Kempowsky-Hamon, T., & LeLann, M.-V. (2012). Estimación de Estados Funcionales en Procesos Complejos con Base en Agrupamiento Difuso. Scielo, 1-20.
Secretaría de Investigación. (s.f). Secretaría de Investigación. Obtenido de http://secinves.com.ar/guias/revistas-cientificas-que-como-donde
Serrano Benavente, R. A. (2014). SISTEMA DE TRIAJE EN URGENCIAS GENERALES. Obtenido de Cognitivo del Estudiante
Villada, F., Muñoz, N., & García, E. (2012). Aplicación de las Redes Neuronales al Pronóstico de Precios en el Mercado de Valores. Scielo - Inf. tecnol. vol.23 no.4 La Serena , 11-20.
99
Anexos
Según el estudio realizado se consideró a los siguientes 10 artículos
científicos como los más importantes para el desarrollo de este estudio
porque ayudaron a comprender e interpretar conceptos generales de cada
uno de los métodos utilizados. A continuación se mostrara los artículos
más relevantes y de revisión que fueron tomados como referencia para la
elaboración de dicho estudio.
Cuadro Nº39
Artículos Relevantes
Nº
Autor(es), año
Artículo
1
Wilfredo Rangel, Alfredo Matteo (2010)
Modelo Conceptual de datos difusos
de triage para emergencia hospitalaria representado con
FuzzyEER
2
Francisco Xavier
Ruvalcaba Coyaso,
Anaiis Verdomen (2015)
Lógica difusa para la toma de
decisiones y la selección del personal
3
Wilfredo Soler,
Gómez Muñoz, E. Bragulat, A. Alvares
(2010)
El triaje: Herramienta fundamental en urgencia y emergencias
4
Juan. A Contreras, Laura B. Martínez, Yuliana V. Puerta
(2010)
Clasificador Difuso para diagnóstico
de enfermedades
5
Sánchez Velarde, Sotelo de Ávila y
Cabrera Llanos (2015).
Fuzzy-state machine for Triage
priority classifier in emergency room.
100
6
Bengang Gong,
Chen Xiang, Chaozhong Hu (2011)
Enfoque Fuzzy Clustering entropía
para evaluar la fiabilidad del sistema logístico de emergencia.
7
Jan A. Halzelzet,
(2008)
Lógica difusa puede hacer las cosas más claras
8
Susanne Forsgren,
Berit Forsman y Eric D. Carlstrom (2011)
Trabajando con el Manchester Triage - Satisfacción en el trabajo de
enfermería
9
Lena Burstrom, Martin NordBerg,
Goran Ornung, Maaret Castrén, Tony Wiklund,
Marie Lousie, Mats Enlud (2011)
Una comparación de los 3
departamentos de emergencia con diferentes modelos de triage
10
J. E. Muñana-Rodríguez,
A. Ramírez-Elías ()
Escala de coma de Glasgow: origen, análisis y uso apropiado
Elaboración: Los Autores
Fuente: Datos de la investigación
101
IMÁGENES DEL METAANÁLISIS DESARROLLADO EN MICROSOFT EXCEL
102
103
104
105
106
107
108
109
110