{"id":{"repo_id":"javeriana","oai_identifier":"oai:repository.javeriana.edu.co:10554/58492"},"canonical_url":"https://search.dev.ndltd.org/etd/javeriana/oai:repository.javeriana.edu.co:10554/58492","repository":{"repo_id":"javeriana","name":"Pontificia Universidad Javeriana","base_url":"https://repository.javeriana.edu.co/oai/request"},"display":{"title":"Optimización de estrategias de búsquedas científicas médicas utilizando técnicas de inteligencia artificial","abstract":"Este proyecto diseñó e implementó un prototipo de software funcional, capaz de optimizar el proceso y los resultados de las estrategias de búsqueda y la selección de artículos, al elaborar una revisión sistemática médica. La aplicación utilizó inteligencia artificial para apoyar la toma de decisiones en las fases más críticas del proceso. Se logró sugerir qué artículos incluir o excluir, utilizando un modelo Naive Bayes que logró clasificar con un 79,66% de precisión, y un AUC de 91,13% los manuscritos con base en clasificaciones previa realizadas por el usuario. Se utilizó para la extracción de información un algoritmo TF-IDF regularizado con L2, y procesamiento de lenguaje natural incluyendo stemming. Se logró también sugerir qué palabras clave incluir o excluir con el algoritmo TD-IDF. Al comparar los resultados con las métricas de otras herramientas, los AUC y precisiones fueron buenos. Queda pendiente explorar más a fondo WSS@95. Para el diseño arquitectónico se identificaron los RNF y RF, también se utilizaron las metodologías ADD y ATAM, elaborando vistas 4+1, lo cual permitió diseñar e implementar una arquitectura cliente-servidor con un servidor en capas, en donde el módulo de inteligencia artificial se desplegó como servidor backend en una de las 4 aplicaciones construidas. Se incluyeron las mejores prácticas de seguridad tales como encriptación, whitelisting y uso de tokens JWT. La arquitectura construida utilizó servicios de la infraestructura de la nube de AWS, tales como DynamoDB, S3 Buckets y RDS Postrgres, que junto con el diseño RESTful de las aplicaciones permiten una alta escalabilidad. @font-face {font-family:\"Cambria Math\"; panose-1:2 4 5 3 5 4 6 3 2 4; mso-font-charset:0; mso-generic-font-family:roman; mso-font-pitch:variable; mso-font-signature:-536870145 1107305727 0 0 415 0;}p.MsoNormal, li.MsoNormal, div.MsoNormal {mso-style-unhide:no; mso-style-qformat:yes; mso-style-parent:\"\"; margin:0cm; mso-pagination:widow-orphan; font-size:12.0pt; font-family:\"Times New Roman\",serif; mso-fareast-font-family:\"Times New Roman\";}.MsoChpDefault {mso-style-type:export-only; mso-default-props:yes; font-size:11.0pt; mso-ansi-font-size:11.0pt; mso-bidi-font-size:11.0pt; mso-fareast-language:ES-CO;}.MsoPapDefault {mso-style-type:export-only; mso-pagination:none;}div.WordSection1 {page:WordSection1;}","abstract_html":"Este proyecto diseñó e implementó un prototipo de software funcional, capaz de optimizar el proceso y los resultados de las estrategias de búsqueda y la selección de artículos, al elaborar una revisión sistemática médica. La aplicación utilizó inteligencia artificial para apoyar la toma de decisiones en las fases más críticas del proceso. Se logró sugerir qué artículos incluir o excluir, utilizando un modelo Naive Bayes que logró clasificar con un 79,66% de precisión, y un AUC de 91,13% los manuscritos con base en clasificaciones previa realizadas por el usuario. Se utilizó para la extracción de información un algoritmo TF-IDF regularizado con L2, y procesamiento de lenguaje natural incluyendo stemming. Se logró también sugerir qué palabras clave incluir o excluir con el algoritmo TD-IDF. Al comparar los resultados con las métricas de otras herramientas, los AUC y precisiones fueron buenos. Queda pendiente explorar más a fondo WSS@95. Para el diseño arquitectónico se identificaron los RNF y RF, también se utilizaron las metodologías ADD y ATAM, elaborando vistas 4+1, lo cual permitió diseñar e implementar una arquitectura cliente-servidor con un servidor en capas, en donde el módulo de inteligencia artificial se desplegó como servidor backend en una de las 4 aplicaciones construidas. Se incluyeron las mejores prácticas de seguridad tales como encriptación, whitelisting y uso de tokens JWT. La arquitectura construida utilizó servicios de la infraestructura de la nube de AWS, tales como DynamoDB, S3 Buckets y RDS Postrgres, que junto con el diseño RESTful de las aplicaciones permiten una alta escalabilidad. @font-face {font-family:"Cambria Math"; panose-1:2 4 5 3 5 4 6 3 2 4; mso-font-charset:0; mso-generic-font-family:roman; mso-font-pitch:variable; mso-font-signature:-536870145 1107305727 0 0 415 0;}p.MsoNormal, li.MsoNormal, div.MsoNormal {mso-style-unhide:no; mso-style-qformat:yes; mso-style-parent:""; margin:0cm; mso-pagination:widow-orphan; font-size:12.0pt; font-family:"Times New Roman",serif; mso-fareast-font-family:"Times New Roman";}.MsoChpDefault {mso-style-type:export-only; mso-default-props:yes; font-size:11.0pt; mso-ansi-font-size:11.0pt; mso-bidi-font-size:11.0pt; mso-fareast-language:ES-CO;}.MsoPapDefault {mso-style-type:export-only; mso-pagination:none;}div.WordSection1 {page:WordSection1;}","abstract_has_math":false,"creators":["Nieto González, Daniel Mauricio"],"institution":"Pontificia Universidad Javeriana","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Bustacara Medina, Cesar Julio"],"committee_chairs":[],"committee_members":[],"year":null,"date_issued":"","date_published":null,"updated_at":"2026-08-21T22:21:56Z","subjects":["Inteligencia Artificial","Arquitectura de software","Revisiones Sistemáticas","Extracción de características","Procesamiento de Lenguaje Natural"],"languages":["spa"],"rights":[],"rights_urls":["http://creativecommons.org/licenses/by-nc-nd/4.0/"],"identifier_entries":[{"key":"dc:identifier.doi","label":"DOI","values":["https://doi.org/10.11144/Javeriana.10554.58492"],"render_values":[{"text":"https://doi.org/10.11144/Javeriana.10554.58492","href":"https://doi.org/10.11144/Javeriana.10554.58492","code":true}]}]},"links":{"outbound_url":"http://hdl.handle.net/10554/58492","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"source_record":{"url":"https://repository.javeriana.edu.co/oai/request?verb=GetRecord&metadataPrefix=dim&identifier=oai%3Arepository.javeriana.edu.co%3A10554%2F58492","prefix":"dim"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Bustacara Medina, Cesar Julio"]},{"key":"dc:creator","label":"Author","values":["Nieto González, Daniel Mauricio"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2022-01-19T15:16:41Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2022-01-19T15:16:41Z"]},{"key":"dc:publisher","label":"Institution","values":["Pontificia Universidad Javeriana"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Inteligencia Artificial","Arquitectura de software","Revisiones Sistemáticas","Extracción de características","Procesamiento de Lenguaje Natural"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["spa"]},{"key":"dc:rights.uri","label":"Rights URI","values":["http://creativecommons.org/licenses/by-nc-nd/4.0/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.doi","label":"DOI","values":["https://doi.org/10.11144/Javeriana.10554.58492"]},{"key":"dc:identifier.uri","label":"Identifier URI","values":["http://hdl.handle.net/10554/58492"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Este proyecto diseñó e implementó un prototipo de software funcional, capaz de optimizar el proceso y los resultados de las estrategias de búsqueda y la selección de artículos, al elaborar una revisión sistemática médica. La aplicación utilizó inteligencia artificial para apoyar la toma de decisiones en las fases más críticas del proceso. Se logró sugerir qué artículos incluir o excluir, utilizando un modelo Naive Bayes que logró clasificar con un 79,66% de precisión, y un AUC de 91,13% los manuscritos con base en clasificaciones previa realizadas por el usuario. Se utilizó para la extracción de información un algoritmo TF-IDF regularizado con L2, y procesamiento de lenguaje natural incluyendo stemming. Se logró también sugerir qué palabras clave incluir o excluir con el algoritmo TD-IDF. Al comparar los resultados con las métricas de otras herramientas, los AUC y precisiones fueron buenos. Queda pendiente explorar más a fondo WSS@95. Para el diseño arquitectónico se identificaron los RNF y RF, también se utilizaron las metodologías ADD y ATAM, elaborando vistas 4+1, lo cual permitió diseñar e implementar una arquitectura cliente-servidor con un servidor en capas, en donde el módulo de inteligencia artificial se desplegó como servidor backend en una de las 4 aplicaciones construidas. Se incluyeron las mejores prácticas de seguridad tales como encriptación, whitelisting y uso de tokens JWT. La arquitectura construida utilizó servicios de la infraestructura de la nube de AWS, tales como DynamoDB, S3 Buckets y RDS Postrgres, que junto con el diseño RESTful de las aplicaciones permiten una alta escalabilidad. @font-face {font-family:\"Cambria Math\"; panose-1:2 4 5 3 5 4 6 3 2 4; mso-font-charset:0; mso-generic-font-family:roman; mso-font-pitch:variable; mso-font-signature:-536870145 1107305727 0 0 415 0;}p.MsoNormal, li.MsoNormal, div.MsoNormal {mso-style-unhide:no; mso-style-qformat:yes; mso-style-parent:\"\"; margin:0cm; mso-pagination:widow-orphan; font-size:12.0pt; font-family:\"Times New Roman\",serif; mso-fareast-font-family:\"Times New Roman\";}.MsoChpDefault {mso-style-type:export-only; mso-default-props:yes; font-size:11.0pt; mso-ansi-font-size:11.0pt; mso-bidi-font-size:11.0pt; mso-fareast-language:ES-CO;}.MsoPapDefault {mso-style-type:export-only; mso-pagination:none;}div.WordSection1 {page:WordSection1;}"]},{"key":"dc:format","label":"Dc Format","values":["PDF"]},{"key":"dc:format.mimetype","label":"Dc Format Mimetype","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Optimización de estrategias de búsquedas científicas médicas utilizando técnicas de inteligencia artificial"]}]}],"canonical_facts":{"dc:contributor.advisor":["Bustacara Medina, Cesar Julio"],"dc:creator":["Nieto González, Daniel Mauricio"],"dc:date.accessioned":["2022-01-19T15:16:41Z"],"dc:date.available":["2022-01-19T15:16:41Z"],"dc:description.abstract":["Este proyecto diseñó e implementó un prototipo de software funcional, capaz de optimizar el proceso y los resultados de las estrategias de búsqueda y la selección de artículos, al elaborar una revisión sistemática médica. La aplicación utilizó inteligencia artificial para apoyar la toma de decisiones en las fases más críticas del proceso. Se logró sugerir qué artículos incluir o excluir, utilizando un modelo Naive Bayes que logró clasificar con un 79,66% de precisión, y un AUC de 91,13% los manuscritos con base en clasificaciones previa realizadas por el usuario. Se utilizó para la extracción de información un algoritmo TF-IDF regularizado con L2, y procesamiento de lenguaje natural incluyendo stemming. Se logró también sugerir qué palabras clave incluir o excluir con el algoritmo TD-IDF. Al comparar los resultados con las métricas de otras herramientas, los AUC y precisiones fueron buenos. Queda pendiente explorar más a fondo WSS@95. Para el diseño arquitectónico se identificaron los RNF y RF, también se utilizaron las metodologías ADD y ATAM, elaborando vistas 4+1, lo cual permitió diseñar e implementar una arquitectura cliente-servidor con un servidor en capas, en donde el módulo de inteligencia artificial se desplegó como servidor backend en una de las 4 aplicaciones construidas. Se incluyeron las mejores prácticas de seguridad tales como encriptación, whitelisting y uso de tokens JWT. La arquitectura construida utilizó servicios de la infraestructura de la nube de AWS, tales como DynamoDB, S3 Buckets y RDS Postrgres, que junto con el diseño RESTful de las aplicaciones permiten una alta escalabilidad. @font-face {font-family:\"Cambria Math\"; panose-1:2 4 5 3 5 4 6 3 2 4; mso-font-charset:0; mso-generic-font-family:roman; mso-font-pitch:variable; mso-font-signature:-536870145 1107305727 0 0 415 0;}p.MsoNormal, li.MsoNormal, div.MsoNormal {mso-style-unhide:no; mso-style-qformat:yes; mso-style-parent:\"\"; margin:0cm; mso-pagination:widow-orphan; font-size:12.0pt; font-family:\"Times New Roman\",serif; mso-fareast-font-family:\"Times New Roman\";}.MsoChpDefault {mso-style-type:export-only; mso-default-props:yes; font-size:11.0pt; mso-ansi-font-size:11.0pt; mso-bidi-font-size:11.0pt; mso-fareast-language:ES-CO;}.MsoPapDefault {mso-style-type:export-only; mso-pagination:none;}div.WordSection1 {page:WordSection1;}"],"dc:format":["PDF"],"dc:format.mimetype":["application/pdf"],"dc:identifier.doi":["https://doi.org/10.11144/Javeriana.10554.58492"],"dc:identifier.uri":["http://hdl.handle.net/10554/58492"],"dc:language.iso":["spa"],"dc:publisher":["Pontificia Universidad Javeriana"],"dc:rights.uri":["http://creativecommons.org/licenses/by-nc-nd/4.0/"],"dc:subject":["Inteligencia Artificial","Arquitectura de software","Revisiones Sistemáticas","Extracción de características","Procesamiento de Lenguaje Natural"],"dc:title":["Optimización de estrategias de búsquedas científicas médicas utilizando técnicas de inteligencia artificial"]},"updated_at":"2026-08-21T22:21:56Z"}