Sistema de pronóstico geolocalizado de mortalidad
Fecha
2020Metadatos
Mostrar el registro completo del ítemResumen
El problema de la investigación fue: ¿Cuál fue la mejora en la precisión del
pronóstico de mortalidad con la técnica de regresión lineal múltiple, regresión
logística ordinal y series de tiempo? El objetivo de la investigación fue determinar
la precisión del pronóstico de mortalidad con la técnica de regresión lineal
múltiple, regresión logística ordinal y series de tiempo. El tipo de investigación
fue aplicada y el tipo de diseño fue no experimental, longitudinal y de tendencias
debido a que se analizaron los datos de mortalidad de Chile en el período 1997-
2017. Los datos son de acceso público y fueron obtenidos del Departamento de
Estadística e Información de Salud. Para el desarrollo de la investigación se usó
un proceso de minería de datos aplicando la metodología CRISP-DM. Las
técnicas usadas para el análisis de datos fueron: regresión lineal múltiple,
regresión logística ordinal y series de tiempo.
Los resultados obtenidos en la presente investigación demostraron que
con la técnica de regresión lineal múltiple se obtuvo una precisión mayor al 80%
en al menos dos regiones de Chile. La técnica de regresión logística ordinal tuvo
una precisión mayor al 66% en al menos dos regiones de Chile. La técnica de
series de tiempo usando el modelo ARIMA obtuvo un MAPE menor al 5% en al
menos tres regiones de Chile. Con los resultados obtenidos en la investigación
se llegó a concluir que existen causas de muertes que tienen un impacto superior
al 70% en al menos una región de Chile.
Finalmente, se recomendó aplicar otros modelos de pronóstico
considerando una mayor especificidad en la CIE-10, debido a que la presente
investigación se centró en el análisis por capítulos, pero cada capítulo tiene
grandes grupos de enfermedades. Esto ayudará a tener un análisis detallado o
un modelo que identifique el patrón de mortalidad para cada grupo, categoría o
enfermedad. También, se sugirió llevar a cabo investigaciones en un área
geográfica mayor a la utilizada en la investigación. Por otro lado, se recomendó
el uso de Machine Learning y Deep Learning, ya que podrían tener mejores
resultados.
Colecciones
- Lima Este [395]