{"id":{"repo_id":"javeriana","oai_identifier":"oai:repository.javeriana.edu.co:10554/68825"},"canonical_url":"https://search.dev.ndltd.org/etd/javeriana/oai:repository.javeriana.edu.co:10554/68825","repository":{"repo_id":"javeriana","name":"Pontificia Universidad Javeriana","base_url":"https://repository.javeriana.edu.co/oai/request"},"display":{"title":"Validación del modelo Retain para el análisis de registros médicos electrónicos en el cuidado de la salud","abstract":"En las últimas décadas, el campo de la medicina ha presenciado un crecimiento tremendo en la colección y disponibilidad de registros electrónicos de salud (EHR, por sus siglas en inglés). Estos repositorios digitales integrales de información del paciente ofrecen valiosas perspectivas sobre la historia médica, diagnósticos, tratamientos y resultados. Sin embargo, utilizar de manera efectiva esta gran cantidad de datos para mejorar la atención al paciente y optimizar la toma de decisiones clínicas plantea importantes desafíos. Para abordar las complejidades del análisis de datos de EHR, las técnicas de aprendizaje automático han surgido como herramientas poderosas. Entre los enfoques diversos, las redes neuronales recurrentes (RNN, por sus siglas en inglés) han ganado prominencia debido a su capacidad para capturar dependencias secuenciales y manejar datos temporales de manera efectiva. Un modelo en particular basado en RNN que ha generado atención en los últimos años es el modelo Retain (REverse Time AttentIoN). Retain introduce un mecanismo de atención a las RNN, permitiendo al modelo enfocarse en las distintas visitas y características relevantes dentro de los EHR. En este artículo, nuestro objetivo es implementar un modelo para el apoyo de toma de decisiones del personal médico en el diagnóstico de múltiples enfermedades teniendo en cuenta Retain. Para esto se considera tres factores cruciales: métricas de desempeño, interpretabilidad y escalabilidad. Al evaluar estos aspectos, pretendemos arrojar luz sobre las fortalezas y limitaciones de cada enfoque que usemos, lo que finalmente guiará a los investigadores y profesionales para seleccionar un modelo adecuado para sus tareas de análisis de EHR","abstract_html":"En las últimas décadas, el campo de la medicina ha presenciado un crecimiento tremendo en la colección y disponibilidad de registros electrónicos de salud (EHR, por sus siglas en inglés). Estos repositorios digitales integrales de información del paciente ofrecen valiosas perspectivas sobre la historia médica, diagnósticos, tratamientos y resultados. Sin embargo, utilizar de manera efectiva esta gran cantidad de datos para mejorar la atención al paciente y optimizar la toma de decisiones clínicas plantea importantes desafíos. Para abordar las complejidades del análisis de datos de EHR, las técnicas de aprendizaje automático han surgido como herramientas poderosas. Entre los enfoques diversos, las redes neuronales recurrentes (RNN, por sus siglas en inglés) han ganado prominencia debido a su capacidad para capturar dependencias secuenciales y manejar datos temporales de manera efectiva. Un modelo en particular basado en RNN que ha generado atención en los últimos años es el modelo Retain (REverse Time AttentIoN). Retain introduce un mecanismo de atención a las RNN, permitiendo al modelo enfocarse en las distintas visitas y características relevantes dentro de los EHR. En este artículo, nuestro objetivo es implementar un modelo para el apoyo de toma de decisiones del personal médico en el diagnóstico de múltiples enfermedades teniendo en cuenta Retain. Para esto se considera tres factores cruciales: métricas de desempeño, interpretabilidad y escalabilidad. Al evaluar estos aspectos, pretendemos arrojar luz sobre las fortalezas y limitaciones de cada enfoque que usemos, lo que finalmente guiará a los investigadores y profesionales para seleccionar un modelo adecuado para sus tareas de análisis de EHR","abstract_has_math":false,"creators":["Cardona Ramírez, Ernesto","Aya Perlaza, Juan Manuel","Herrera Fuentes, Laura Nathalia"],"institution":"Pontificia Universidad Javeriana","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Pajaro Hernandez, Juan Pablo"],"committee_chairs":[],"committee_members":[],"year":null,"date_issued":"","date_published":null,"updated_at":"2026-08-21T22:21:56Z","subjects":["Redes Neuronales","Retain","Aprendizaje profundo","Registros electrónicos de salud","enfermedades","medicina","Redes Neuronales Recurrentes","Desempeño","Intrerpretabilidad","Escalabilidad"],"languages":["spa"],"rights":[],"rights_urls":["http://creativecommons.org/licenses/by-nc-nd/4.0/"],"identifier_entries":[]},"links":{"outbound_url":"http://hdl.handle.net/10554/68825","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%2F68825","prefix":"dim"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Pajaro Hernandez, Juan Pablo"]},{"key":"dc:creator","label":"Author","values":["Cardona Ramírez, Ernesto","Aya Perlaza, Juan Manuel","Herrera Fuentes, Laura Nathalia"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2024-12-09T13:46:59Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2024-12-09T13:46:59Z"]},{"key":"dc:publisher","label":"Institution","values":["Pontificia Universidad Javeriana"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Redes Neuronales","Retain","Aprendizaje profundo","Registros electrónicos de salud","enfermedades","medicina","Redes Neuronales Recurrentes","Desempeño","Intrerpretabilidad","Escalabilidad"]}]},{"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.uri","label":"Identifier URI","values":["http://hdl.handle.net/10554/68825"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["En las últimas décadas, el campo de la medicina ha presenciado un crecimiento tremendo en la colección y disponibilidad de registros electrónicos de salud (EHR, por sus siglas en inglés). Estos repositorios digitales integrales de información del paciente ofrecen valiosas perspectivas sobre la historia médica, diagnósticos, tratamientos y resultados. Sin embargo, utilizar de manera efectiva esta gran cantidad de datos para mejorar la atención al paciente y optimizar la toma de decisiones clínicas plantea importantes desafíos. Para abordar las complejidades del análisis de datos de EHR, las técnicas de aprendizaje automático han surgido como herramientas poderosas. Entre los enfoques diversos, las redes neuronales recurrentes (RNN, por sus siglas en inglés) han ganado prominencia debido a su capacidad para capturar dependencias secuenciales y manejar datos temporales de manera efectiva. Un modelo en particular basado en RNN que ha generado atención en los últimos años es el modelo Retain (REverse Time AttentIoN). Retain introduce un mecanismo de atención a las RNN, permitiendo al modelo enfocarse en las distintas visitas y características relevantes dentro de los EHR. En este artículo, nuestro objetivo es implementar un modelo para el apoyo de toma de decisiones del personal médico en el diagnóstico de múltiples enfermedades teniendo en cuenta Retain. Para esto se considera tres factores cruciales: métricas de desempeño, interpretabilidad y escalabilidad. Al evaluar estos aspectos, pretendemos arrojar luz sobre las fortalezas y limitaciones de cada enfoque que usemos, lo que finalmente guiará a los investigadores y profesionales para seleccionar un modelo adecuado para sus tareas de análisis de EHR"]},{"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":["Validación del modelo Retain para el análisis de registros médicos electrónicos en el cuidado de la salud"]}]}],"canonical_facts":{"dc:contributor.advisor":["Pajaro Hernandez, Juan Pablo"],"dc:creator":["Cardona Ramírez, Ernesto","Aya Perlaza, Juan Manuel","Herrera Fuentes, Laura Nathalia"],"dc:date.accessioned":["2024-12-09T13:46:59Z"],"dc:date.available":["2024-12-09T13:46:59Z"],"dc:description.abstract":["En las últimas décadas, el campo de la medicina ha presenciado un crecimiento tremendo en la colección y disponibilidad de registros electrónicos de salud (EHR, por sus siglas en inglés). Estos repositorios digitales integrales de información del paciente ofrecen valiosas perspectivas sobre la historia médica, diagnósticos, tratamientos y resultados. Sin embargo, utilizar de manera efectiva esta gran cantidad de datos para mejorar la atención al paciente y optimizar la toma de decisiones clínicas plantea importantes desafíos. Para abordar las complejidades del análisis de datos de EHR, las técnicas de aprendizaje automático han surgido como herramientas poderosas. Entre los enfoques diversos, las redes neuronales recurrentes (RNN, por sus siglas en inglés) han ganado prominencia debido a su capacidad para capturar dependencias secuenciales y manejar datos temporales de manera efectiva. Un modelo en particular basado en RNN que ha generado atención en los últimos años es el modelo Retain (REverse Time AttentIoN). Retain introduce un mecanismo de atención a las RNN, permitiendo al modelo enfocarse en las distintas visitas y características relevantes dentro de los EHR. En este artículo, nuestro objetivo es implementar un modelo para el apoyo de toma de decisiones del personal médico en el diagnóstico de múltiples enfermedades teniendo en cuenta Retain. Para esto se considera tres factores cruciales: métricas de desempeño, interpretabilidad y escalabilidad. Al evaluar estos aspectos, pretendemos arrojar luz sobre las fortalezas y limitaciones de cada enfoque que usemos, lo que finalmente guiará a los investigadores y profesionales para seleccionar un modelo adecuado para sus tareas de análisis de EHR"],"dc:format":["PDF"],"dc:format.mimetype":["application/pdf"],"dc:identifier.uri":["http://hdl.handle.net/10554/68825"],"dc:language.iso":["spa"],"dc:publisher":["Pontificia Universidad Javeriana"],"dc:rights.uri":["http://creativecommons.org/licenses/by-nc-nd/4.0/"],"dc:subject":["Redes Neuronales","Retain","Aprendizaje profundo","Registros electrónicos de salud","enfermedades","medicina","Redes Neuronales Recurrentes","Desempeño","Intrerpretabilidad","Escalabilidad"],"dc:title":["Validación del modelo Retain para el análisis de registros médicos electrónicos en el cuidado de la salud"]},"updated_at":"2026-08-21T22:21:56Z"}