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:

[email protected]

[email protected]

CONTACTO EN LA

INSTITUCION:

Carrera de Ingeniería en Sistemas

Computacionales

Nombre: Ab. Juan Chávez Atocha

Teléfono: 2307729

E-mail: [email protected]

X

mailto:[email protected]



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.


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.


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


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


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 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


CARRERA DE INGENIERÍA EN SISTEMAS COMPUTACIONALES


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


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.



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



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.



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



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



“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



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



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



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


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



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)



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



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



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



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


Fuente: https://orange.biolab.si/static/images/orange_title_scaled.png

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


Fuente: https://orange.biolab.si/static/images/features/prog/channel-

completion.png

https://orange.biolab.si/static/images/features/prog/channel-completion.png

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


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



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



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



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



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



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



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



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



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



Gráfico Nº10

Creación De Intervalos Mediante Los Puntos De Corte



53

Interpretación y Análisis de los resultados del Metaanálisis

Variable: Portales Bibliográficos

Cuadro Nº19

Frecuencias de la variable Portales bibliográficos



Gráfico Nº11 Gráfico de barras número y porcentaje de los portales bibliográficos



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



Gráfico Nº12 Gráfico de barras y numero porcentaje tipo de 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



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



Gráfico Nº14

Gráfico de barras y numero porcentaje modelo computacional



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



Gráfico Nº15 Gráfico de barras y numero porcentaje método Fuzzy aplicado



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



Gráfico Nº16

Gráfico de barras y numero porcentaje técnicas estadísticas



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



Cuadro Nº26

Frecuencias de la variable NUM_FUZZY_LOGIC


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


Gráfico Nº18

Diagrama de cajas NUM_FUZZY_LOGIC


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


Cuadro Nº28

Frecuencias de la palabra repetida algoritmo



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


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


“priorización clínica”

Cuadro Nº29

Estadísticos variable cuantitativa priorización clínica



Cuadro Nº30

Frecuencias de la palabra repetida Priorización clínica



ESTADÍSTICOS

NUM_PRIORIZACION_CLINICA (agrupado) N Válido 80

Perdidos 0

Media 1,15

Error estándar de la media ,076

Mediana 1,00

Moda 1


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


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


“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


Varianza ,200

Asimetría 8,944

Curtósis 80,000

Mínimo 1

Máximo 5

Percentiles 25 1,00

50 1,00

75 1,00



Cuadro Nº32

Frecuencias de la palabra repetida valoración clínica



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









cero (80.00).

74


“Triage”

Cuadro Nº33

Estadísticos variable cuantitativa triage


Cuadro Nº34

Frecuencias de la variable NUM_TRIAGE



ESTADÍSTICOS

NUM_TRIAGE (AGRUPADO) N Válido 80

Perdidos 0

Media 1,41

Mediana 1,00

Moda 1


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









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



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



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



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 //


‖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


‖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 //


‖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 //


‖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 //


‖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


‖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 //


‖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 //


‖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 //


‖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


‖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 //


‖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 //


‖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 //


‖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


‖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 //


‖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 //


‖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 //


‖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


‖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 //


‖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 //


‖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 //


‖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


‖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



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



Gráfico Nº24 Dispersión de datos separados en 2 cluster



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


Fuente: Datos de la investigación

101

IMÁGENES DEL METAANÁLISIS DESARROLLADO EN MICROSOFT EXCEL

universidad de guayaquilrepositorio.ug.edu.ec/bitstream/redug/19617/1/b-cisc-ptg.1265 orr… ·...

Documents