Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ESCUELA DE POSGRADO
TESIS
“ANÁLISIS INTELIGENTE DE DATOS CON REDES NEURONALES ARTIFICIALES
PARA LA DETERMINACIÓN DE FACTORES QUE INFLUYEN EN EL
COMPORTAMIENTO DE LAS ATENCIONES MEDICAS REALIZADAS AL USUARIO
EXTERNO DEL HOSPITAL REGIONAL DOCENTE MATERNO INFANTIL - EL CARMEN”
PRESENTADA POR:
HUANCAYO – PERU
2013
ASESOR:
Mg. HENRY MAQUERA QUISPE
II
DEDICATORIA
III
AGRADECIMIENTOS
A todos aquellos que siempre que cuando se les pide un consejo o apoyo son
incondicionales en proporcionarlo.
IV
RESUMEN
En los últimos años el hospital regional docente materno infantil El Carmen ha tenido
muchos cambios y en especial una variación no controlada en el comportamiento de los
clientes externos, fluctuaciones que en principio han venido disminuyendo la cantidad de
atenciones realizadas en los diferentes consultorios de manera progresiva, los mismos
que afectan de manera sustancial al crecimiento y desarrollo del mismo.
Para lograr tal propósito se utilizó el algoritmo de redes neuronales artificiales como
herramienta de minería de datos para el análisis inteligente de los datos, este algoritmo
permitió analizar los cientos de miles de registros procesados en el Sistema de
Información de Salud HIS (Health Information System). Sistema de información en el que
se registra todos los detalles relacionados con una atención médica en consultorios
externos; el que se brinda a un usuario externo.
Identificado los factores que tienen relación directa con la variación del número de
atenciones en los consultorios externos e incluidos en los protocolos médicos de atención
al usuario externo; se evaluó posteriormente los indicadores hospitalarios sujetos de
investigación, obteniéndose un incremento importante en sus respectivos valores. Los
mismos que permitieron validar el presente trabajo de investigación.
V
ABSTRACT
In recent years the regional hospital maternal child teacher El Carmen has had many
changes and in particular a variation not controlled in the behavior of external customers,
fluctuations which in principle have been decreasing the amount of attention in different
clinics of progressively, which affect substantially to the growth and development of the
same.
The present research work change the declining trend in the number of attentions in
different external clinics, which are given to the external customers. Through the
identification of external users considered relevant in health care and factors that should
be considered critics, those who were adopted and put into practice by all staff that
provides health care.
To achieve such purpose was used the algorithm of artificial neural network as a data
mining tool for intelligent analysis of data, this algorithm allowed to analyze the hundreds
of thousands of records processed in the information system of health HIS (Health
Information System). Information system which records all details related to health care in
outpatients; that is provided to an external user.
Identified factors that have direct relation with the variation of the number of attentions in
the external and offices included in medical attention to the external user protocols;
subsequently assessed subject research hospital indicators, resulting in a significant
increase in their respective values. The same ones that allowed to validate the present
research work.
VI
ÍNDICE
RESUMEN
ABSTRACT
INTRODUCCIÓN
CAPITULO I
GENERALIDADES
1.1. Reseña Histórica del Hospital Regional Docente Materno Infantil El Carmen 1
1.2. Descripción del Problema 6
1.2.1. Problema General 11
1.2.2. Problemas específicos 11
1.3. Justificación 11
1.3.1. Justificación Teórica 11
1.3.2. Justificación Práctica 12
1.3.3. Relevancia 12
1.3.3.1. Relevancia económica 12
1.3.3.2. Relevancia social 12
1.3.4. Delimitación espacial temporal 12
1.3.4.1. Delimitación espacial 12
1.3.4.2. Delimitación temporal 12
1.4. Referencia Teórica 13
1.4.1. Antecedentes 13
1.5. Objetivos 20
1.5.1. Objetivo General 20
1.5.2. Objetivos Específicos 20
1.6. Hipótesis 21
1.6.1. Hipótesis General 21
1.6.2. Hipótesis Específicas 21
1.6.3. Operacionalización de variables e indicadores de las hipótesis 21
1.6.3.1. Variables 21
1.6.3.2. Operacionalización de las Variables 21
1.6.3.3. Indicadores 22
1.7. Diseño Metodológico 23
1.7.1. Tipo y nivel de la investigación 23
1.7.2. Elección del Diseño Básico de investigación 23
1.7.3. Definición de las unidades de análisis 23
1.7.4. Técnicas de recolección de información 23
1.7.5. Cobertura de las técnicas. Universo y Muestra 23
1.7.6. Técnicas de análisis de los datos 24
1.7.7. Fuentes de información 24
VII
CAPITULO II
MARCO TEORICO
CAPITULO III
METODOLOGIA PARA EL DESARROLLO DE MINERIA DE DATOS
CAPÍTULO IV
ANALISIS DE RESULTADOS
CONCLUSIONES 110
RECOMENDACIONES 111
REFERENCIAS BIBLIOGRÁFICAS 108
ANEXOS 113
IX
ÍNDICE DE TABLAS
Tabla Nº 1.1 Principales indicadores hospitalarios por años. 7
Tabla Nº 1.2 Atenciones en consultorios externos por años. 8
Tabla Nº 1.3 Concentración en consultorios externos por Dptos. y servicios. 9
Tabla Nº 1.4 Productividad en consultas externas por años. 10
Tabla Nº 1.5 Variables e indicadores. 22
Tabla Nº 3.1 Estructura de la tabla CAPITULO.dbf. 51
Tabla Nº 3.2 Estructura de la tabla CATEGORIA.dbf. 51
Tabla Nº 3.3 Estructura de la tabla CIE.dbf. 52
Tabla Nº 3.4 Estructura de la tabla CODIENF.dbf. 52
Tabla Nº 3.5 Estructura de la tabla DETACT.dbf. 52
Tabla Nº 3.6 Estructura de la tabla CONDTRAB.dbf. 53
Tabla Nº 3.7 Estructura de la tabla CONFIGUR.dbf. 53
Tabla Nº 3.8 Estructura de la tabla CPT.dbf. 53
Tabla Nº 3.9 Estructura de la tabla DISA.dbf. 53
Tabla Nº 3.10 Estructura de la tabla DIGITAD.dbf. 54
Tabla Nº 3.11 Estructura de la tabla DIST.dbf. 54
Tabla Nº 3.12 Estructura de la tabla DPTO.dbf. 54
Tabla Nº 3.13 Estructura de la tabla GRUPO.dbf. 54
Tabla Nº 3.14 Estructura de la tabla GRUPETA.dbf. 54
Tabla Nº 3.15 Estructura de la tabla ESTABLEC.dbf. 55
Tabla Nº 3.16 Estructura de la tabla HIS1XXXX.dbf. 55
Tabla Nº 3.17 Estructura de la tabla HIS3XXXX.dbf. 52
Tabla Nº 3.18 Estructura de la tabla HISAXXXX.dbf. 57
Tabla Nº 3.19 Estructura de la tabla HISAMINSA.dbf. 58
Tabla Nº 3.20 Estructura de la tabla ID_ACT.dbf. 58
Tabla Nº 3.21 Estructura de la tabla LOG.dbf. 59
Tabla Nº 3.22 Estructura de la tabla LOLTES.dbf. 59
Tabla Nº 3.23 Estructura de la tabla MENSAJE.dbf. 59
Tabla Nº 3.24 Estructura de la tabla MICRORED.dbf. 60
Tabla Nº 3.25 Estructura de la tabla MSTRPERS.dbf. 60
Tabla Nº 3.26 Estructura de la tabla OBSERVA.dbf. 60
Tabla Nº 3.27 Estructura de la tabla PERIODO.dbf. 60
Tabla Nº 3.28 Estructura de la tabla PROFESIO.dbf. 61
Tabla 3.29 Estructura de la tabla PROV.dbf. 61
X
Tabla Nº 3.30 Estructura de la tabla RED.dbf. 61
Tabla Nº 3.31 Estructura de la tabla SITUACIO.dbf. 61
Tabla Nº 3.32 Estructura de la tabla TABVAR.dbf. 62
Tabla Nº 3.33 Estructura de la tabla SERVSAL.dbf. 62
Tabla Nº 3.34 Algoritmos por tarea en minería de datos. 69
Tabla Nº 3.35 Columnas de entrada y de predicción. 82
Tabla Nº 4.1 Financiador de Salud. 88
Tabla Nº 4.2 Atributo - valor factor financiamiento - primer valor. 90
Tabla Nº 4.3 Atributo - Valor factor financiamiento - segundo valor. 91
Tabla Nº 4.4 Atributo - Valor factor financiamiento - tercer valor. 92
Tabla Nº 4.5 Atributo - Valor factor financiamiento - cuarto valor. 93
Tabla Nº 4.6 Atributo - Valor factor tiempo de atención - primer valor. 95
Tabla Nº 4.7 Atributo - Valor factor tiempo de atención - segundo valor. 96
Tabla Nº 4.8 Atributo - Valor factor tiempo de atención - tercer valor. 97
Tabla Nº 4.9 Atributo - Valor factor tiempo de atención - cuarto valor. 98
Tabla Nº 4.10 Atributo - Valor factor tiempo de espera - primer valor. 100
Tabla Nº 4.11 Atributo - Valor factor tiempo de espera - segundo valor. 101
Tabla Nº 4.12 Atributo - Valor factor tiempo de espera - tercer valor. 102
Tabla Nº 4.13 Atributo - Valor factor tiempo de espera - cuarto valor. 103
Tabla Nº 4.14 Atenciones por años en consultorios externos. 105
Tabla Nº 4.15 Atenciones en consultorios externos por servicios. 105
Tabla Nº 4.16 Productividad en consultorios externos por años. 107
Tabla Nº 4.17 Concentración en consultorios externos año 2012. 108
Tabla Nº 4.18 Concentración en consultorios externos año 2013-I. 108
Tabla Nº 4.19 Concentración en consultorios externos por años. 108
XI
ÍNDICE DE FIGURAS
Figura Nº 2.1: Jerarquía del Conocimiento. 26
Figura Nº 2.2: Proceso de KDD. 28
Figura Nº 2.3 - Componentes de una Neurona. 41
Figura Nº 2.4 – Sinapsis. 41
Figura Nº 2.5 - Red Neuronal. 42
Figura Nº 3.1 Sistema de Información HIS. 48
Figura Nº 3.2 Tablas del sistema de información HIS. 50
Figura Nº 3.3 Consolidado de Datos del sistema de información HIS. 51
Figura Nº 3.4 Base de datos relacional del sistema de información HIS. 63
Figura Nº 3.5 Datos acumulados y validados sistemas de información HIS. 63
Figura Nº 3.6 Asignación de columnas para importación de datos. 64
Figura Nº 3.7 Base de Datos Relacional en SQL Server. 65
Figura Nº 3.8 Tabla de hechos his_aten con registros. 65
Figura Nº 3.9 Tabla de hechos his_aten. 66
Figura Nº 3.10 Modelos de minería de datos. 70
Figura Nº 3.11 Estructura del modelo de minería de datos. 72
Figura Nº 3.12 Formulario de creación de conjunto de pruebas. 73
Figura Nº 3.13 Modelo de minería de datos. 75
Figura Nº 3.14 Visor de modelo de minería de datos. 80
Figura Nº 3.15 Campos de entrada y de predicción. 82
Figura Nº 3.16 Grafico de precisión de minería de datos. 83
Figura Nº 3.17 Grafico de elevación de minería de datos. 83
Figura Nº 3.18 Visor de modelo de minería de datos - financiamiento. 84
Figura Nº 3.19 Visor de modelo de minería de datos – tiempo de atención. 85
Figura Nº 4.1 Factores de decisión de usuario externo. 87
Figura Nº 4.2 Factor tipo de financiamiento. 89
Figura Nº 4.3 Factor financiamiento - primer valor. 90
Figura Nº 4.4 Factor financiamiento - segundo valor. 91
Figura Nº 4.5 Factor financiamiento - tercer valor. 92
Figura Nº 4.6 Factor financiamiento - cuarto valor. 93
Figura Nº 4.7 Factor tiempo de atención. 94
Figura Nº 4.8 Factor tiempo de atención – primer valor. 95
Figura Nº 4.9 Factor tiempo de atención – segundo valor. 96
Figura Nº 4.10 Factor tiempo de atención – tercer valor. 97
XII
Figura Nº 4.11 Factor tiempo de atención – cuarto valor. 98
Figura Nº 4.12 Factor tiempo de espera. 99
Figura Nº 4.13 Factor tiempo de espera – primer valor. 100
Figura Nº 4.14 Factor tiempo de espera – segundo valor. 101
Figura Nº 4.15 Factor tiempo de espera – tercer valor. 102
Figura Nº 4.16 Factor tiempo de espera – cuarto valor. 103
Figura Nº 4.17 Atenciones por años en consultorios externos. 105
Figura Nº 4.18 Atenciones en consultorios externos por servicios. 106
Figura Nº 4.19 Productividad en consultorios externos. 107
Figura Nº 4.20 Proyección de concentración en consultorios. 109
XIII
INTRODUCCIÓN
La Red Neuronal combina cada posible estado del atributo de entrada con cada posible
estado del atributo de predicción, y usa los datos de entrenamiento para calcular las
probabilidades pertinentes a cada valor evaluado. Posteriormente, se usa estas
probabilidades para la asociación, clasificación o la regresión, así como para predecir un
resultado del atributo de predicción basándose en los atributos de entrada.
En la presente Tesis se utiliza la capacidad que tienes las Redes Neuronal como
algoritmo de Minería de Datos para determinar con alto grado de precisión los factores
que influyen en el comportamiento de las atenciones médicas realizadas al usuario
externo del Hospital Regional Docente Materno Infantil - El Carmen, con el objetivo de
mejorar los indicadores hospitalarios de atención médica en una consulta externa
enmarcados en los estándares que propone el Ministerio de Salud y la Organización
mundial de la Salud, como también identificar los criterios que el usuario externo
considera relevante cada vez que recibe una atención médica, permitiendo así
incrementar el número de atenciones basado en la satisfacción del servicio.
XIV
En el primer capítulo se muestra los aspectos generales del trabajo de investigación
como datos generales del Hospital Regional Docente Materno Infantil El Carmen, el
problema, los objetivos y las hipótesis enmarcadas en la metodología de la investigación.
El Autor
XV
CAPITULO I
GENERALIDADES
1.1. Reseña Histórica del Hospital Regional Docente Materno Infantil El Carmen
El Hospital Regional Docente Materno Infantil El Carmen de Huancayo, de
Categoría II-E, tiene como Rol Estratégico brindar servicios de Salud Integral
Especializada, a la población referencial de la Región Junín, en los diferentes
niveles de atención con énfasis en la recuperación y rehabilitación en condiciones
de oportunidad, equidad, accesibilidad, defendiendo la vida y protegiendo la salud,
con servicios especializados en la atención de salud reproductiva, infantil y de
adolescente, propiciando la organización de los servicios funcionales desde la
perspectiva de necesidades del usuario, modernizando la gestión hospitalaria,
para la mejora de la calidad de los servicios y contribuir al fomento de los estilos
de vida saludables.
1
administrado por la municipalidad de Huancayo, luego en 1854 por la
Beneficencia Pública de Huancayo (SBPH) la cual se fundó posteriormente; los
límites del Hospital eran amplios ocupaba el actual Jr. Puno y la Av. Huancavelica,
entre las intersecciones del antiguo Jr. Callao actualmente Paseo La Breña, el Jr.
Junín y el Jr. Cuzco; cuando se inaugura el Jr. Puno, deja la parte norte con una
arboleda. Pero la falencia económica era el común denominador en el hospital tal
es así que muchos honorables de Huancayo y muchas comunidades del valle
decidieron colaborar con el mantenimiento del Hospital, por ejemplo Don Mariano
Giraldes, Juan Carvo como diputados lucharon para que varios impuestos
pasaran al hospital para su mantenimiento al igual que muchas comunidades
donaban alimentos.
En plena guerra con Chile el 5 de Febrero de 1882 Huancayo fue ocupado por
tropas chilenas, posesionándose de domicilios particulares, entre ellos el Hospital
fue ocupado por los “Carabineros de Yungay” del Ejército Chileno, después de las
victorias de Pucará, Marcavalle y Concepción, razón por la cual se le consideró
Hospital Militar recibiendo 500 billetes (libras peruanas) para su sostenimiento de
un total de 1500 que recaudó con tal fin; ya retirados los chilenos, el hospital
volvía a brindar sus servicios. El Médico Dr. Demetrio Gálvez no cobraba sueldo,
pues el apoyo del gobierno era ínfimo, la Beneficencia apoyaba en lo que podía,
más los ciudadanos y las personas justas eran los que realmente sostenían al
hospital.
2
La Sanidad Militar ocupo ambientes del Hospital “El Carmen”, en la década del 20
al 30 para la atención de sus pacientes y esto redundo en beneficio de los demás
pacientes, Benjamín Gutiérrez, José Solimano y Julio Badaracco apoyaron al
hospital, así como Moisés Marinovich, Federico Martinell, el Dr. Guillermo
Arozemena.
Don Félix Linares dono la sala de niños para el hospital, Don Humberto Costa
Lacroix obtuvo diversos donativos como los de Taylor, Fiori, Dorregaray, Priale,
los hermanos Klescovich, Alfaro, Mario Ruiz, etc. el Dr. Emilio Bravo y el Dr.
Gutiérrez eran los encargados de la Dirección. En 1933 Huancayo se convierte
en la capital del Dpto. de Junín con mucha tristeza para los Jaujinos y los de
Cerro de Pasco; se dio por cuestiones políticas y económicas, recordemos que se
vivía la época del crac mundial y los comerciantes Jaujinos estaban en crisis al
igual que los de Pasco, sin embargo muchos de ellos apoyaban a la aristocracia
gobernante de Leguía y Huancayo apoyaba a Sánchez Cerro y al APRA que eran
grupos populares y rivales en cada época.
En 1940 la Beneficencia alegando que los títulos del Hospital se habían perdido
en la nefasta guerra del pacífico, pide el título supletorio de todos los terrenos en
vista que ellos administraban dicho hospital y sin costarles ni un sol se volvieron
dueños de todos los terrenos del hospital. Sin embargo, la pobreza del hospital
era patente, el Dr. Luis Hanza ofreció mantener una sala, la Sociedad Industrial de
Huancayo 2 salas y el Dr. Bravo una sala. El Dr. Lisandro Menéndez presto
íntegramente su presupuesto para evitar que el hospital cierre. El Dr. Darío
Gonzáles Ledesma se hizo cargo del servicio externo y posteriormente es
nombrado como Director hasta 1963, en esa época Ricardo Tello Devoto era
secretario de la Beneficencia, pero los benefactores del hospital eran muchos
Don Benigno Peñaloza, Leonor Lecca, Cristina de Heroid, Genaro Ingunza, Lidio
Monilardi, Luis Hanza, Tino Balarin, etc.
Don Guillermo Almenara a nombre del IPSS tuvo la intención de comprar los
terrenos adyacentes al hospital “El Carmen” que habían sido cortados por el Jr.
Puno, para construir el Policlínico del IPSS de Huancayo, incluso se realizaron
documentos de compra venta, pero no se plasmó, el proyecto llegó a decir que en
dicho terreno se edificaría un moderno policlínico y que el terreno bastaba y
sobraba. Es así, como siempre el Hospital “El Carmen” trato de subsistir pese a
las adversidades que se le presentaba por el poco presupuesto que se le
asignaba año a año, iniciando más tarde los trabajadores una lucha sin desmayos
ni claudicaciones con el único objetivo de obtener el paso a la administración del
Ministerio de Salud para no tener que mendigar sus pagos mes a mes a sus
sacrificadas labores y atenciones.
6
PRINCIPALES INDICADORES HOSPITALARIOS POR AÑOS
HOSPITAL REGIONAL DOCENTE MATERNO INFANTIL "EL CARMEN " HUANCAYO
Años
N° Indicadores
2007 2008 2009 2010 2011
1 Consultas en 19753 20034 20657 20103 18628
Emergencia
2 Consultas Externas 32114 43997 37800 38167 29341
(Médico)
3 Camas Hospitalarias 155 155 155 155 155
4 Rendimiento de la cama 36.16 40.3 45.3 43.1 42.5
5 Grado de uso de la 74.5 75.9 82.3 80.8 80
cama
6 Promedio de 5.9 4.8 4.7 4.6 4.7
Permanencia
7 Nro. Egresos 5682 6239 7020 6687 6594
Hospitalarios
8 Tasa Mortalidad Infantil 2.4 2.4 2.2 2.7 3.4
Hospitalaria
9 Tasa de Mortalidad 6.4 4.3 7.6 13.3 1.1
Neonatal Precoz
Hospitalaria
10 Concentración en 1.5 1.4 1.6 1.8 1.5
Consultas
11 Médico por mil 0.27 0.4 0.37 1.2 1.2
habitantes
12 Obsteríz por mil 0.13 0.25 0.23 0.44 0.4
habitantes
13 Enfermera por habitante 0.56 0.68 0.66 0.19 0.19
14 Partos Normales en 1289 1463 1414 1389 1319
Hospital
16 Partos Distócicos en 321 417 517 589 498
Hospital
17 Fallecidos en Hospital 185 249 217 244 240
18 Tasa de Mortalidad 3.3 4 3.1 3.6 3.6
Bruta
19 Tasa de Mortalidad Neta 1.4 1.7 1.3 1.5 1.7
20 Tasa de Mortalidad 45.3 26.6 22.6 26.8 20.9
Perinatal
Fuente Oficina de estadística e informática del Hospital Regional Docente Materno Infantil El Carmen
7
mismo comportamiento que el resto de indicadores: Ha disminuido la tendencia en
los años 2010 y 2011 en comparación al año 2009.
8
CONCENTRACION EN CONSULTORIOS EXTERNOS POR DPTOS. Y SERVICIOS
HOSPITAL REGIONAL DOCENTE MATERNO INFANTIL “EL CARMEN” HUANCAYO
AÑOS
DPTOS/ SERVICIOS
N° 2008 2009 2010 2011
TOTAL 1.5 1.6 1.8 1.5
1 DPTO MEDICINA
Medicina General 1.3 1.3 1.4 1.4
Dermatología 1.9 1.7 1.9 2.1
Gastroenterología 1 1 1 1
Neurología 1.4 1.4 1.4 1.4
Neumología 0 0 2.1 1.9
Medicina Interna 0 0 1 1.4
Cardiología 1.9 1.8 1.9 2.1
2 DPTO. DE CIRUGIA
Cirugia General 1.7 1.7 1.8 1.6
Urología 0 1.6 0 0
Traumatología 1.9 1.9 2 1.8
Otorrino Laringología 1.6 1.7 1.7 1.5
Oftalmología 1.2 1.2 1.2 0
Cirugía Plástica 1.4 1.4 1.4 1.4
Neurocirugía 0 0 0 1.6
3 DPTO.PEDIATRIA 2.1 1.9 2.1 2.3
4 GCO.OBSTETRICIA 3.1 4.1 3.4 1.9
Fuente Oficina de estadística e informática del Hospital Regional Docente Materno Infantil El Carmen
DEPARTAMENTOS Horas
Productividad
N° /SERVICIOS 2007 2008 2009 2010 2011 Programadas
¿Cuáles son los criterios que el usuario externo considera relevante cada
vez que recibe una atención médica los cuales permitan incrementar el
número de atenciones en consultorios externos en el Hospital Regional
Docente Materno Infantil - El Carmen?
1.3. Justificación
1.3.1. Justificación Teórica
La presente investigación se justifica por que proporcionará todo el
fundamento teórico - práctico referido al uso de minería de datos con
modelos de redes neuronales artificiales en la identificación de los
factores relacionados con las atenciones médicas al usuario externo en
consultorios externos del Hospital Regional Docente Materno Infantil - El
Carmen.
11
1.3.2. Justificación Práctica
Esta investigación es necesaria para los responsables de la toma de
decisiones en el Hospital Regional Docente Materno Infantil - El Carmen,
porque permitirá revertir la tendencia decreciente de la cantidad de
atenciones que ha tenido en los últimos años.
1.3.3. Relevancia
1.3.3.1. Relevancia económica
Este proyecto es relevante económicamente porque permitirá
incrementar los ingresos económicos del Hospital Regional Docente
Materno Infantil - El Carmen; por las atenciones prestadas a los
usuarios externos.
12
1.4. Referencia Teórica
1.4.1. Antecedentes
En los últimos años se ha consolidado un nuevo campo dentro de las
ciencias de la computación que abarca un conjunto de metodologías
caracterizadas por su inspiración en los sistemas biológicos para resolver
problemas relacionados con el mundo real (reconocimiento de formas,
toma de decisiones, etc.), ofreciendo soluciones robustas y de fácil
implementación. Esta nueva forma de procesamiento de la información ha
sido denominada Computación Soft, para distinguirla del enfoque
algorítmico tradicional determinado por el binomio lógica booleana-
arquitectura Von Neumann que, en este caso, sería la Computación Hard.
Este conjunto de metodologías emergentes comprende la lógica borrosa ó
difusa, las redes neuronales, el razonamiento aproximado, los algoritmos
genéticos, la teoría del caos y la teoría del aprendizaje.
De entre estas metodologías, las Redes Neuronales Artificiales son las que
actualmente están causando un mayor impacto, debido a su extraordinaria
aplicabilidad práctica. Recientemente esta tecnología ha captado la
atención de los profesionales dedicados a la estadística y al análisis de
datos, los cuales comienzan a incorporar las redes neuronales al conjunto
de herramientas estadísticas orientadas a la clasificación de patrones y la
estimación de variables continuas.1
1
Montaño Moreno, Juan José. Redes Neuronales Artificiales aplicadas al Análisis de Datos [Tesis
Doctoral]. Palma de Mayorca, Editorial : Universitat De Les Illes Balears, 2002.
13
nueva problemática. Las tecnologías desarrolladas para el procesamiento
de la información han tenido un impacto revolucionario en la industria, en el
mundo de los negocios y en la prestación de servicios. Hoy en día existe
una gran variedad de sistemas de software comerciales que se basan en
las técnicas del Análisis Inteligente de Datos para llevar a cabo tareas
como: planeación económica, vigilancia e inteligencia empresarial, análisis
financiero, análisis de comportamiento, análisis de mercados y análisis de
perfiles de usuarios.
2
M.V. Guzmán, H. Carrillo, E. Villaseñor, E. Valencia , R. Calero. Minería de Datos con Redes
Neuronales Artificiales: Aplicación en Vacunas – Tuberculosis. Laboratorio de Dinámica no Lineal,
Facultad de Ciencias, UNAM, México. 2004
14
En una computadora neuronal el procesamiento es distribuido a toda una
red de procesadores denominados “neuronas” que realizan el cómputo en
paralelo. La propiedad de distribución y la capacidad de paralelizar los
procesos determinan las nuevas capacidades implicadas en el paradigma
neuronal. Desde el punto de vista del análisis inteligente de datos, el
procesamiento paralelo y distribuido es muy importante porque permite que
las redes neuronales sean capaces de llevar a cabo el procesamiento de
datos a una escala masiva.
Desde que el SOM fue introducido por T. Kohonen en el año 1982, sobre
este algoritmo se han producido una gran cantidad de artículos de
investigación, y basados en él, se han desarrollado diversas aplicaciones
de software para el análisis inteligente de datos, que han sido aplicadas a
la solución de una gran variedad de problemas.
3
M.V. Guzmán, H. Carrillo, E. Villaseñor, E. Valencia , R. Calero. Minería de Datos con Redes
Neuronales Artificiales: Aplicación en Vacunas – Tuberculosis. Laboratorio de Dinámica no Lineal,
Facultad de Ciencias, UNAM, México. 2004
15
este caso, de la obtención de modelos con fines predictivos, destacando
para ello las redes neuronales artificiales y los árboles de decisión.
4
Alfonso Palmer, Mauricio Beltrán, Juan José Montaño, Rafael Jiménez, Alberto Sesé y Javier
Franconetti. Aplicaciones de redes neuronales artificiales a datos de la Encuesta de gasto turístico
de las Islas Baleares. Universitat de les Illes Balears. Palma de Mallorca. 2005
16
momento de la admisión hasta las 24 horas siguientes. Cada uno de estos
índices caracteriza adecuadamente el estado fisiológico del paciente,
aunque se han realizado críticas fundadas respecto de la inclusión de
conocimiento clínico en el momento de la admisión, una gran cantidad de
trabajos intentan predecir estadía, usando métodos estadísticos lineales
multivariados. Estos estudios adolecen de una extrema simplificación del
modelo, que exige variables no correlacionadas, limitando el número de
variables y no permitiendo el tratamiento simultáneo de diferentes tipos de
variables (nominales, continuas o binarias). Estos modelos tampoco
consideran las complejas interacciones que existen entre las diferentes
variables. Las dificultades descritas aumentan en el caso de una UCI, por
la diversidad de la patología y por el compromiso de múltiples órganos y
sistemas.
5
Max Chacón P, Víctor Rocco M, Enrique Morgado A, Enzo Sáez H, Sergio Pliscoff M.
Identificación de los determinantes de la estadía en Unidades de Cuidados Intensivos usando
redes neuronales artificiales. Chile v.130 n.1 Santiago ene. 2010.
18
del gasto público, desarrollándose así en los últimos años campos como la
economía de la defensa, de la sanidad, del transporte o de la educación.
De igual manera y tal y como señala Albi (2000) “Las políticas públicas
tienen procedimientos de aplicación complejos y plantean dificultades
políticas, económicas y burocráticas. La intervención pública se desarrolla
a lo largo del tiempo, dentro de una realidad social, y su gestión, desde la
toma de decisiones hasta la ejecución de las mismas, presenta
19
complicaciones que ponen en peligro la eficiencia y la equidad necesarias
para el bienestar social”.6
1.5. Objetivos
1.5.1. Objetivo General
Determinar los factores que influyen en el comportamiento de las
atenciones médicas realizadas al usuario externo, los que permiten
incrementar las atenciones en el Hospital Regional Docente Materno
Infantil - El Carmen.
Identificar los criterios que el usuario externo considera relevante cada vez
que recibe una atención médica los cuales permitan incrementar el número
de atenciones en consultorios externos en el Hospital Regional Docente
Materno Infantil - El Carmen.
1.6. Hipótesis
1.6.1. Hipótesis General
Los factores que determinan el comportamiento de las atenciones médicas
en los consultorios externos del Hospital Regional Docente Materno Infantil
- El Carmen son la atención médico-paciente y la condición social-
económica del paciente.
6
Daniel Santín González. Eficiencia Técnica y redes neuronales: un modelo para el cálculo del
valor añadido en educación. Universidad Complutense de Madrid. Madrid - 2003.
20
1.6.2. Hipótesis Específicas
Si el personal de salud atiende una consulta médica considerando los
estándares de atención que propone la Organización Mundial de la salud
tales como tiempo de espera y tiempo de atención entonces mejorará los
indicadores de consultorios externos externo.
1.6.3.1. Variables
Unidad de
Variable Descripción Indicador
medida
22
1.7. Diseño Metodológico
1.7.1. Tipo y nivel de la investigación
Considerando el problema planteado en el presente trabajo, la
investigación a realizar es de tipo correlacional - causal, ya que mediante
el uso de un modelo de red neuronal artificial se determinaran los factores
que determinan el comportamiento de las atenciones médicas en los
consultorios externos del Hospital Regional Docente Materno Infantil - El
Carmen.
23
utilizando el modelo de análisis de datos de redes neuronales
artificiales; incluso para la validación de las hipótesis.
Fuentes secundarias:
Información estadística de salud del I.N.E.I.
Datos históricos del sistema de información HIS de otras
dependencias de salud.
24
CAPITULO II
MARCO TEORICO
2.1 Estado del arte
2.1.1 Descubrimiento de Conocimiento en Bases de Datos (KDD)
En los últimos años, ha existido un gran crecimiento en nuestras
capacidades de generar y reunir datos, debido básicamente a la gran
capacidad de procesamiento de las computadoras como también a su bajo
costo de almacenamiento. Sin embargo, dentro de estas enormes masas
de datos existe una gran cantidad de información oculta, de gran
importancia estratégica, a la que no se puede acceder por las técnicas
clásicas de recuperación de la información.
25
Empleando métodos analíticos avanzados para la explotación de datos, los
negocios incrementan sus ganancias, maximizan la eficiencia operativa,
reducen costos y mejoran la satisfacción del cliente.
26
de datos almacenados y organizados, pero a los cuales no se analizar
eficientemente en su totalidad.
Con las sentencias del lenguaje de consulta estructurado o SQL (por sus
siglas en inglés structured query language) se puede realizar un primer
análisis, aproximadamente el 80% de la información se obtiene con estas
técnicas. El 20% restante, que la mayoría de las veces, contiene la
información más importante, requiere la utilización de técnicas más
avanzadas. El Descubrimiento de Conocimiento en Bases de Datos (KDD)
apunta a procesar automáticamente grandes cantidades de datos para
encontrar conocimiento útil en ellos, de esta manera permitirá al usuario el
uso de esta información valiosa para su conveniencia.
27
2.1.4 Relación con otras disciplinas
Es importante describir la relación que se tiene KDD con otras disciplinas,
como por ejemplo:
28
En la figura 2.2 de se ilustra el proceso de KDD. Se estima que la
extracción de patrones (minería) de los datos ocupa solo el 15% - 20% del
esfuerzo total del proceso de KDD.
Las listas de discusión sobre este tema las forman investigadores de más de
ochenta países. Esta tecnología ha sido un buen punto de encuentro entre
personas pertenecientes al ámbito académico y al de los negocios. Minería de
datos es una tecnología compuesta por etapas que integra varias áreas y que no
se debe confundir con un gran software. Durante el desarrollo de un proyecto de
este tipo se usan diferentes aplicaciones software en cada etapa que pueden ser
estadísticas, de visualización de datos o de inteligencia artificial, principalmente.
Los algoritmos de Data Mining utilizan técnicas que han existido por lo
menos desde hace 10 años, pero que sólo han sido implementadas
recientemente como herramientas maduras, confiables, entendibles que
consistentemente son más performantes que métodos estadísticos
clásicos.
32
c. Las herramientas de la minería de datos ayudan a extraer el
mineral de la información en archivos corporativos o en registros
públicos, archivados
d. El usuario es, muchas veces un usuario final con poca o ninguna
habilidad de programación, para efectuar preguntas adhoc y
obtener rápidamente respuestas.
e. Hurgar y sacudir a menudo implica el descubrimiento de resultados
valiosos e inesperados.
f. Las herramientas de la minería de datos se combinan fácilmente y
pueden analizarse y procesarse rápidamente.
g. Debido a la gran cantidad de datos, algunas veces resulta
necesario usar procesamiento en paralelo para la minería de datos.
h. La minería de datos produce cinco tipos de información:
Asociaciones.
Secuencias.
Clasificaciones.
Agrupamientos.
Pronósticos.
2.3.2 Clasificadores
Existen diversos modelos de clasificación entre los que se encuentran los
árboles de decisión, los árboles de regresión, las redes neuronales y los
modelos genéticos. A continuación se definen algunos de estos modelos:
SI x es A
ENTONCES y es B
SI el servicio es bueno
ENTONCES el precio es aceptable
38
El valor "bueno" se representa con un número entre 0 y 1 (el
antecedente es una interpretación que retorna un único valor
entre 0 y 1). Por otro lado, "aceptable" se representa como un
conjunto difuso (el consecuente es una asignación del conjunto
difuso B a la variable de salida y). Aplicando un proceso de
difusión inverso al conjunto difuso se obtiene un único valor de
salida.
2.3.4 Aplicaciones
Ejemplos de aplicación incluyen la clasificación de tendencias en
mercados financieros, diagnóstico y tratamientos médicos, predicción de
respuestas de clientes y la identificación automatizada de objetos de
interés en grandes bases de datos de imágenes. Por ejemplo, para evaluar
el riesgo crediticio se clasifican los aspirantes a un crédito como de riesgo
bajo, medio o alto; en el diagnóstico médico los pacientes se clasifican de
acuerdo a los síntomas como padeciendo una determinada enfermedad,
etc.
41
2.3.9 Estructura de las Redes Neuronales
Una Red Neuronal Feed-Forward se compone de varias capas de
unidades de procesamiento simple, llamadas neuronas. El estado de una
neurona se representa por su activación, que es un valor numérico real,
típicamente en el rango [0,1] o en el rango [-1,1]. La capa de entrada de
una red contiene neuronas cuyas activaciones representan los valores de
los atributos del dominio donde la red es aplicada.
Una red utilizada para clasificación que solo tiene neuronas de entrada y
salida es capaz de representar únicamente límites de decisión lineales.
Para representar límites más complejos es necesario agregar neuronas
ocultas a la red. El rol de las neuronas ocultas es transformar el espacio
42
de entrada en otro espacio más propicio para que las neuronas de salida
puedan realizar discriminaciones lineales.
ENi = Σj wijaj + θi
43
2.3.10 Aprendizaje
El método de aprendizaje más utilizado es el algoritmo Backpropagation. El
aprendizaje en una red neuronal se basa en modificar los pesos y
umbrales de la red para minimizar una función de costo. La función de
costo siempre incluye un término correspondiente al error, que da una
medida de como se aproximan las predicciones de la red a las clases de
los ejemplos utilizados para entrenarla. Adicionalmente, puede incluir un
término que refleje una distribución preestablecida de los valores que
pueden tomar los parámetros. Usualmente, el entrenamiento finaliza antes
de que la función de costo alcance un mínimo local. Otro método consiste
en utilizar un conjunto de validación para monitorear la precisión en la
predicción de la red.
2.3.11 Comprensibilidad
Las hipótesis representadas por una red neuronal entrenada dependen de:
a. La topología de la red.
b. Las funciones de transferencia utilizadas para las neuronas
ocultas y de salida.
c. Los parámetros asociados con las conexiones en la red (por
ejemplo los pesos) y las neuronas (por ejemplo el valor umbral).
44
b. En redes multi-capa, los parámetros pueden representar relaciones
no lineales o no monótonas entre los atributos de entrada y el valor
a determinar. Esto hace que no sea posible determinar, en forma
aislada, el efecto de un atributo dado en el valor de salida obtenido.
Existen varios motivos por los que es deseable poder extraer reglas a partir
de una red neuronal:
Siempre que una red neuronal se utilice para resolver algún problema de
clasificación, existirá un procedimiento de decisión implícito para
determinar la clase a predecir para un caso dado. En general, una regla
extraída describe aproximadamente un conjunto de condiciones bajo las
cuales la red predice una clase.
46
CAPÍTULO III
METODOLOGÍA PARA EL DESARROLLO DE MINERIA DE DATOS
Son diversos los modelos que han sido propuestos para el desarrollo de proyectos de
Data Mining tales como SEMMA (Sample, Explore, Modify, Model, Assess) [SAS, 2003],
DMAMC (Definir, Medir, 32qAnalizar, Mejorar, Controlar) [Isixsigma, 2005], o CRISP-DM
(Cross Industry Standard Process for Data Mining) [CRISP-DM, 2000], sin embargo uno
de los modelos principalmente utilizados en los ambientes académico e industrial es el
modelo CRISPDM.
48
información para la vigilancia epidemiológica en cuanto a morbilidad y de las
actividades preventivo-promocionales, realizadas tanto a nivel familiar.
Así mismo sirve para la consignación de actividades masivas de salud, que son
actividades fundamentalmente preventivas que se realizan en grandes grupos de
población, en las cuales hay uso y entrega de insumos que son específicos a cada
una de las estrategias sanitarias de salud en los que existen actividades masivas
de salud como por ejemplo en grupos organizados de la comunidad, jardines,
escuelas, colegios, institutos, universidades
50
Figura Nº 3.3 Consolidado de Datos del sistema de información HIS
51
Nombre de la Tabla: CIE
Descripción de la Tabla: Clasificación Internacional de Enfermedades (CIE).
Nombre de campo Tipo de dato del campo Comentario del campo
COD_CAT Character(3)
COD_ENF Character(3)
DESCRIPCIO Character(254)
Tabla Nº 3.3 Estructura de la tabla CIE.dbf
1= morbilidad; 2= actividad
preventiva promocional;3=otras
actividades grupales;
4=procedimientos;
5=diagnóstico con historia
clínica; 6=actividades en
animales; 7=actividades con
historia clínica;8=actividades
administrativas;9=actividades de
programa
COD_CAT Character(3)
Tabla Nº 3.4 Estructura de la tabla CODIENF.dbf
52
Nombre de la Tabla: CONDTRAB
Descripción de la Tabla: Esta entidad define las variantes que pueden presentar
la relación laboral del personal asistencial con el establecimiento. El
mantenimiento de esta tabla es local.
Nombre de campo Tipo de dato del campo Comentario del campo
COD_COND Character(2) Define el tipo de relación laboral
del personal asistencial con el
establecimiento: 00: No definido
01: Nombrado 02: Contratado
por Recursos Propios 03:
Contratado por Focalización 04:
Serumista 05: Residente 06:
Alumno 07: Interno
DESC_CONT Character(40)
Tabla Nº 3.6 Estructura de la tabla CONDTRAB.dbf
53
Nombre de la Tabla: DIGITAD
Descripción de la Tabla: Información del digitador.
Nombre de campo Tipo de dato del campo Comentario del campo
COD_DIG Numeric(3) Identificador de digitador
NOMBRE Character(40) Nombre del digitador
CLAVE Character(9) Contraseña/password del
digitador
Tabla Nº 3.10 Estructura de la tabla DIGITAD.dbf
54
Nombre de la Tabla: ESTABLEC
Descripción de la Tabla: Establecimiento de salud.
Nombre de campo Tipo de dato del campo Comentario del campo
COD_DIST Character(2) Distrito al que pertenece
COD_PROV Character(2)
COD_DISA Character(2)
COD_RED Character(2)
COD_MIC Character(2)
COD_ESTAB Character(9)
COD_2000 Numeric(4)
COD_DPTO Character(2)
DESC_ESTAB Character(60) Descripción del establecimiento
TIPOESTAB Character(1) Tipo de establecimiento
1=hospital; 2=Centro de salud;
3=Puesto de salud
Tabla Nº 3.15 Estructura de la tabla ESTABLEC.dbf
55
Nombre de la Tabla: HIS3XXXX
Descripción de la Tabla: Se empleara para la generación de reportes
consolidados mediante la acumulación temporal de datos.
Nombre de campo Tipo de dato del campo Comentario del campo
COD_ESTAB Character(9)
ANO Numeric(4)
MES Numeric(2)
DIA
FICHAFAM Character(10) Numero de historia clínica o act.
preventiva promocional (appxxx)
o act. sobre animales (aaaxxx)o
act masiva de salud (amsxxx)
COD_PROF Character(2)
COD_SERVSA Numeric(2)
ESTABLEC Character(1) Condición al establecimiento
N=nuevo; C=continuador;
R=reingreso
SERVICIO Character(1) Condición al servicio N=nuevo;
C=continuador;R=reingreso
SEXO Character(1) Sexo del atendido M=masculino
F=femenino
TIPOEDAD Character(1) Tipo de edad A=años;
M=meses; D=días
EDAD Numeric(2)
COD_DPTO Character(2)
COD_PROV Character(2)
COD_DIST Character(2)
CODIGO1 Character(6)
DIAGNOST1 Character(1)
LABCONF1 Character(3)
CODIGO2 character(6)
DIAGNOST2 Character(1)
LABCONF2 Character(3)
CODIGO3 character(6)
DIAGNOST3 Character(1)
LABCONF3 Character(3)
CODIGO4 character(6)
DIAGNOST4 Character(1)
LABCONF4 Character(3)
CODIGO5 character(6)
DIAGNOST5 Character(1)
LABCONF5 Character(3)
CODIGO6 character(6)
DIAGNOST6 Character(1)
LABCONF6 Character(3)
Tabla Nº 3.17 Estructura de la tabla HIS3XXXX.dbf
56
Nombre de la Tabla: HISAXXXX
Descripción de la Tabla: Corresponde a una atención/registro de una hoja HIS.
Nombre de campo Tipo de dato del campo Comentario del campo
COD_2000 Numeric(4)
ANO Numeric(4)
MES Numeric(2)
NOM_LOTE Character(3)
NUM_PAG Numeric(3)
NUM_REG Numeric(2)
DIA numeric(2)
FICHAFAM Character(10) Número de historia clínica o act.
preventiva promocional (appxxx)
o act. sobre animales (aaaxxx)o
act masiva de salud (amsxxx)
COD_DPTO Character(2)
COD_PROV Character(2)
COD_DIST Character(2) código abigeo
EDAD Numeric(2)
TIP_EDAD Character(1) A=año M=mes D=día
SEXO Character(2) Sexo del atendido M=masculino
F=femenino
ESTABLEC Character(1) Condición al establecimiento
N=nuevo; C=continuador;
R=reingreso
SERVICIO Character(1) Condición al servicio N=nuevo;
C=continuador; R=reingreso
DIAGNOST1 Character(1) tipo de diagnóstico D=definitivo
P=presuntivo R=repetitivo
LABCONF1 Character(3) Situación del diagnóstico
validado con la tabla situación
CODIGO1 Numeric(5) Código de diagnóstico
DIAGNOST2 Character(1)
LABCONF2 Character(3)
CODIGO2 Numeric(5)
DIAGNOST3 Character(1)
LABCONF3 Character(3)
CODIGO3 Numeric(5)
DIAGNOST4 Character(1)
LABCONF4 Character(3)
CODIGO4 Numeric(5)
DIAGNOST5 Character(1)
LABCONF5 Character(3)
CODIGO5 Numeric(5)
DIAGNOST6 Character(1)
LABCONF6 Character(3)
CODIGO6 Numeric(5)
ESTA_REG Character(1) Estado del registro 1= con
inconsistencias 2= sin
inconsistencias
Tabla Nº 3.18 Estructura de la tabla HISAXXXX.dbf
57
Nombre de la Tabla: HISMINSA
Descripción de la Tabla: Se empleara para el envío del MINSA.
Nombre de campo Tipo de dato del campo Comentario del campo
COD_2000 Numeric(4)
ANO Numeric(4)
MES Numeric(2)
DIA Numeric(2)
COD_PROF Character(2)
COD_SERVSA Numeric(2)
ESTABLEC Character(1) Condición al establecimiento
nuevo continua
SERVICIO Character(1) Condición al servicio nuevo
continua
SEXO Character(1) Sexo del atendido M=masculino
F=femenino
TIPOEDAD Character(1)
EDAD Numeric(2)
COD_DPTO Character(2)
COD_PROV Character(2)
COD_DIST Character(2)
CODIGO1 Numeric(5)
DIAGNOST1 Character(1)
LABCONF1 Character(2)
CODIGO2 Numeric(5)
DIAGNOST2 Character(1)
LABCONF2 Character(2)
CODIGO3 Numeric(5)
DIAGNOST3 Character(1)
LABCONF3 Character(2)
CODIGO4 Numeric(5)
DIAGNOST4 Character(1)
LABCONF4 Character(2)
CODIGO5 Numeric(5)
DIAGNOST5 Character(1)
LABCONF5 Character(2)
CODIGO6 Numeric(5)
DIAGNOST6 Character(1)
LABCONF6 Character(2)
Tabla Nº 3.19 Estructura de la tabla HISAMINSA.dbf
58
Nombre de la Tabla: LOG
Descripción de la Tabla: Registro de eventos del sistema: errores de digitación,
inconsistencias, envíos, recepciones, cierres, inicio de mes/año, etc.
Nombre de campo Tipo de dato del campo Comentario del campo
FECHA Date
TIPO_LOG Character(2) Tipo de registro: 1: error
digitación 2: inconsistencia 3:
envió 4: recepción 5: inicio de
periodo (mes/año)
DESC_LOG Character(2)
Tabla Nº 3.21 Estructura de la tabla LOG.dbf
59
Nombre de la Tabla: MICRORED
Descripción de la Tabla: Almacena información de Microredes de salud.
Nombre de campo Tipo de dato del campo Comentario del campo
COD_DISA Character(2)
COD_RED Character(2)
COD_MIC Character(2)
DESC_MICRO Character(40)
Tabla Nº 3.24 Estructura de la tabla MICRORED.dbf
60
Nombre de la Tabla: PROFESIO
Descripción de la Tabla: Esta entidad representa todas las profesiones de salud
a nivel profesional o técnico al cual cada trabajador asistencial del establecimiento
puede corresponder. Se incluirá además dentro de esta tabla la condición de
AGENTES COMUNITARIOS y las Ocupaciones al cual pueda referir un
AFILIADO. El mantenimiento de esta tabla es también local.
Nombre de campo Tipo de dato del campo Comentario del campo
COD_PROF Character(2)
DESC_PROF Character(40)
Tabla Nº 3.28 Estructura de la tabla PROFESIO.dbf
61
Nombre de la Tabla: TABVAR
Descripción de la Tabla: Tabla de validación para el campo FICHAFAM, deberá
ser consultado si es diferente de la Historia clínica 1) AMSXX= Actividad masiva
de salud 2) APPXX= Actividad preventiva promocional 3) AAAXX= Actividad sobre
animales Para el caso 2 y 3 no debe requerir datos del individuo sexo, edad.
Nombre de campo Tipo de dato del campo Comentario del campo
TABVALUE Character(10) AMS 01=inmunizaciones ...
TABDESC Character(40)
Tabla Nº 3.32 Estructura de la tabla TABVAR.dbf
62
Figura Nº 3.4 Base de datos relacional del sistema de información HIS.
63
En primera instancia se crea una base de datos en el Microsoft SQL SERVER
Management Studio, para luego realizar una importación de tablas, registros y
todos los componentes asociados a la base de datos en Microsoft Visual FoxPro.
Durante el proceso de migración también se realiza la selección y limpieza de los
datos con el objetivo de tener datos normalizados, tratamiento de valores
ausentes, reducción de volumen de datos entre otros.
64
Figura Nº 3.7 Base de Datos Relacional en SQL Server
Del mismo modo podemos apreciar la tabla que desde ahora será considerada la
tabla de hechos y que está compuesta de 902 455 registros.
65
Finalmente la base de datos está preparada para ser utilizada en un modelo de
minería de datos y en articular un modelo de redes neuronales.
66
3.4.1. Selección de la técnica de modelado
Para la etapa de selección de la técnica de modelado se realiza la
descripción de los algoritmos de minería de datos que tiene SQL Server a
través de su herramienta de Analysis Services.
67
La elección del mejor algoritmo para una tarea analítica específica puede
ser un desafío. Aunque se puede usar diferentes algoritmos para realizar la
misma tarea, cada uno de ellos genera un resultado diferente, y algunos
pueden generar más de un tipo de resultado. Por ejemplo, se puede usar
el algoritmo Árboles de decisión de Microsoft no solo para la predicción,
sino también como una forma de reducir el número de columnas de un
conjunto de datos, ya que el árbol de decisión puede identificar las
columnas que no afectan al modelo de minería de datos final.
68
La tabla siguiente proporciona sugerencias para los tipos de tareas para
las que se usa normalmente un algoritmo en particular.
7
http://msdn.microsoft.com/es-es/library/ms175595.aspx
69
3.4.2. Algoritmo de red neuronal Microsoft
El algoritmo de red neuronal combina cada posible estado del atributo de
entrada con cada posible estado del atributo de predicción, y usa los datos
de entrenamiento para calcular las probabilidades. Posteriormente, puede
usar estas probabilidades para la clasificación o la regresión, así como
para predecir un resultado del atributo de predicción basándose en los
atributos de entrada. Los modelos de minería de datos construidos con el
algoritmo de red neuronal pueden contener varias redes, en función del
número de columnas que se utilizan para la entrada y la predicción, o solo
para la predicción. El número de redes que contiene un único modelo de
minería de datos depende del número de estados que contienen las
columnas de entrada y las columnas de predicción que utiliza el modelo.
70
importante de datos de entrenamiento disponibles pero en los que no es
fácil derivar reglas mediante otros algoritmos.
El algoritmo de red neuronal crea una red formada por hasta tres niveles
de neuronas. Estas capas son una capa de entrada, una capa oculta
opcional y una capa de salida.
71
Nivel de salida: las neuronas de salida representan valores de
atributo de predicción para el modelo de minería de datos.
72
Cada neurona tiene una función no lineal sencilla asignada denominada
función de activación, que describe la relevancia o importancia de una
neurona determinada para ese nivel de una red neuronal. Las neuronas
ocultas usan una función tangente hiperbólica (tanh) para su función de
activación, mientras que las neuronas de salida usan una función
sigmoidea. Ambas son funciones no lineales continuas que permiten que la
red neuronal modele relaciones no lineales entre neuronas de entrada y
salida.
76
3.4.4.2. Métodos de puntuación
La puntuación es un tipo de normalización que, en el contexto
del entrenamiento de un modelo de red neuronal, hace
referencia al proceso de convertir un valor, como una etiqueta de
texto discreta, en un valor que se pueda comparar con otros
tipos de entradas y que se pueda pesar en la red. Por ejemplo, si
un atributo de entrada es Sexo y los valores posibles son
Hombre y Mujer, y otro atributo de entrada es Ingresos, con un
intervalo de valores variable, los valores para cada atributo no
son comparables directamente y, por consiguiente, deben estar
codificados a una escala común para que se puedan calcular los
pesos. Puntuar es el proceso de normalizar tales entradas para
los valores numéricos, específicamente, para un intervalo de
probabilidades. Las funciones usadas para la normalización
también ayudan a distribuir más uniformemente los valores de
entrada en una escala uniforme para que los valores extremos
no distorsionen los resultados del análisis.
77
La codificación de las salidas usa la función sigmoidea, que tiene
propiedades que la hacen muy útil para la predicción. Una de
esas propiedades es que, sin tener en cuenta cómo se ajusta la
escala de los valores originales, y sin tener en cuenta si los
valores son negativos o positivos, la salida de esta función es
siempre un valor entre 0 y 1, lo que resulta apropiado para la
estimación de probabilidades. Otra propiedad útil es que la
función sigmoidea tiene un efecto suavizador que hace que
cuando los valores se alejan del punto de inflexión, la
probabilidad del valor se aproxima lentamente a 0 o a 1.
HIDDEN_NODE_RATIO
Especifica la proporción entre neuronas ocultas y
neuronas de entrada y de salida. La siguiente fórmula
determina el número inicial de neuronas de la capa
oculta:
HIDDEN_NODE_RATIO * SQRT(Total input neurons *
Total output neurons)
El valor predeterminado es 4,0.
HOLDOUT_PERCENTAGE
Especifica el porcentaje de escenarios de los datos de
entrenamiento utilizados para calcular el error de
exclusión, que se utiliza como parte de los criterios de
78
detención durante el entrenamiento del modelo de
minería de datos.
El valor predeterminado es 30.
HOLDOUT_SEED
Especifica un número que se utiliza para inicializar el
generador pseudoaleatorio cuando el algoritmo
determina aleatoriamente los datos de exclusión. Si este
parámetro se establece en 0, el algoritmo genera la
inicialización basada en el nombre del modelo de
minería de datos, para garantizar que el contenido del
modelo permanece intacto al volver a realizar el
proceso.
El valor predeterminado es 0.
MAXIMUM_INPUT_ATTRIBUTES
Determina el número máximo de atributos de entrada
que se pueden proporcionar al algoritmo antes de
emplear la selección de características. La función de
selección de atributos de entrada se deshabilita cuando
este valor se establece en 0.
El valor predeterminado es 255.
MAXIMUM_OUTPUT_ATTRIBUTES
Determina el número máximo de atributos de salida que
se pueden proporcionar al algoritmo antes de emplear la
selección de características. La característica de
selección de atributos de salida se deshabilita cuando
este valor se establece en 0.
El valor predeterminado es 255.
MAXIMUM_STATES
Especifica el número máximo de estados discretos por
atributo que admite el algoritmo. Si en número de
estados de un atributo específico es mayor que el
número especificado para este parámetro, el algoritmo
79
utiliza los estados más frecuentes de este atributo y
trata al resto como estados que faltan.
El valor predeterminado es 100.
SAMPLE_SIZE
Especifica el número de escenarios que se van a utilizar
para realizar el entrenamiento del modelo. El algoritmo
utiliza el valor menor entre este número o el porcentaje
del total de escenarios que no están incluidos en los
datos de exclusión, según se especifica en el parámetro
HOLDOUT_PERCENTAGE. En otras palabras, si
HOLDOUT_PERCENTAGE se establece en 30, el
algoritmo utilizará el valor de este parámetro o un valor
igual al 70 por ciento del número total de casos, según
cuál sea menor.
El valor predeterminado es 10.000.
MODEL_EXISTENCE_ONLY
Indica que el modelo solo debe considerar si existe un
valor para el atributo o si falta un valor. No importa el
valor exacto.
Se aplica a las columnas del modelo de minería de
datos.
Normal
Indica que los valores de la columna se deben tratar
como si representasen la distribución normal o
gaussiana.
Uniforme
Indica que los valores de la columna se deben tratar
como si estuviesen distribuidos uniformemente; es
decir, la probabilidad de cualquier valor es más o menos
la misma y depende del número total de valores.
Logarítmica normal
81
Indica que los valores de la columna se deben tratar
como si estuviesen distribuidos según la curva
logarítmica normal; esto significa que el logaritmo de los
valores se distribuye normalmente.
3.4.4.6. Requisitos
Un modelo de red neuronal debe contener por lo menos una
columna de entrada y una columna de salida. El algoritmo de red
neuronal de Microsoft admite las columnas de entrada y de
predicción específicas que se enumeran en la tabla siguiente.
8
http://msdn.microsoft.com/es-es/library/ms175595.aspx
82
3.4.5. Evaluación del modelo
Seguidamente se interpretan los modelos de acuerdo al conocimiento
preexistente del dominio y los criterios de éxito preestablecidos. Se
procede a juzgar el modelo dentro del contexto del dominio. Dado el
conjunto de resultados evidencia que proporciona.
84
3.5.2. Proceso de revisión.
El proceso de revisión, se refiere a calificar al proceso entero de minería de
datos, con el objetivo de identificar elementos que pudieran ser mejorados.
86
CAPITULO IV
ANALISIS DE RESULTADOS
4.1. Presentación de resultados.
Teniendo en cuenta el modelo de minería de datos obtenido mediante el análisis
de datos y las acciones implementadas en cada uno de los consultorios externos
que brindan el servicio de atención médica a los usuarios externos del Hospital
Regional Docente Materno Infantil El Carmen, se evalúan los resultados a fin de
validar las hipótesis planteadas en el presente trabajo de investigación.
Financiador de Salud
Código Financiador
1 Pagante - Ninguno
2 Seguro Integral de Salud
3 Essalud
Seguro Obligatorio para Accidentes de
4 Tránsito
5 Sanidad Fuerza Aérea del Perú
6 Sanidad Marina de Guerra del Perú
7 Sanidad Ejército Peruano
8 Sanidad Policía Nacional del Perú
9 Seguros Privados
10 Otros
Tabla Nº 4.1 Financiador de Salud
89
Figura Nº 4.3 Factor financiamiento - primer valor
Favorece Favorece
Atributo Valor
False True
Tie Aten 15,224 - 19,000 100
Tie Aten 6,000 - 9,786 97,35
Tie Esp 11,000 - 16,306 96,43
Tie Esp 23,693 - 29,000 94,64
Tie Aten 12,505 - 15,224 91,35
Tie Esp 16,306 - 19,999 91
Tie Aten 9,786 - 12,505 90,47
Tie Esp 19,999 - 23,693 89,87
Tabla Nº 4.2 Atributo - valor factor financiamiento - primer valor
90
Figura Nº 4.4 Factor financiamiento - segundo valor
Favorece Favorece
Atributo Valor
False True
Tie Aten 6,000 - 9,786 100
Tie Esp 23,693 - 29,000 97,99
Tie Aten 15,224 - 19,000 93,26
Tie Aten 9,786 - 12,505 88,9
Tie Esp 19,999 - 23,693 87,62
Tie Esp 11,000 - 16,306 86,52
Tie Aten 12,505 - 15,224 86,03
Tie Esp 16,306 - 19,999 85,81
Tabla Nº 4.3 Atributo - Valor factor financiamiento - segundo valor
91
Figura Nº 4.5 Factor financiamiento - tercer valor
Favorece Favorece
Atributo Valor
False True
Tie Esp 19,999 - 23,693 100
Tie Esp 23,693 - 29,000 99,34
Tie Aten 12,505 - 15,224 99,18
Tie Esp 11,000 - 16,306 98,43
Tie Aten 6,000 - 9,786 97,42
Tie Esp 16,306 - 19,999 96,72
Tie Aten 9,786 - 12,505 95,5
Tie Aten 15,224 - 19,000 88,65
Tabla Nº 4.4 Atributo - Valor factor financiamiento - tercer valor
92
Figura Nº 4.6 Factor financiamiento - cuarto valor
Favorece Favorece
Atributo Valor
False True
Tie Aten 6,000 - 9,786 100
Tie Aten 15,224 - 19,000 85,89
Tie Esp 11,000 - 16,306 72,7
Tie Esp 23,693 - 29,000 68,36
Tie Aten 9,786 - 12,505 50,17
Tie Aten 12,505 - 15,224 43,82
Tie Esp 16,306 - 19,999 43,76
Tie Esp 19,999 - 23,693 43,25
Tabla Nº 4.5 Atributo - Valor factor financiamiento - cuarto valor
93
a verdadero que representa si el usuario externo si está satisfecho por el
servicio recibido. Del mismo modo la sección de variables nos permitirá
correlacionar las otras variables tipo de financiamiento y tiempo de espera
para un determinado valor seleccionado por atributo, que en este caso es
el de tipo de tiempo de atención.
94
Figura Nº 4.8 Factor tiempo de atención – primer valor
Favorece Favorece
Atributo Valor
False True
Financ 1,000 - 1,046 100
Financ 1,046 - 1,603 67,07
Financ 1,603 - 2,160 26,26
Financ 2,160 - 4,082 16,47
Tie Esp 23,693 - 29,000 15,34
Tie Esp 19,999 - 23,693 8,34
Tie Esp 16,306 - 19,999 5,25
Tie Esp 11,000 - 16,306 3,57
Tabla Nº 4.6 Atributo - Valor factor tiempo de atención - primer valor
95
Figura Nº 4.9 Factor tiempo de atención – segundo valor
Favorece Favorece
Atributo Valor
False True
Financ 1,000 - 1,046 100
Financ 1,046 - 1,603 64,15
Financ 1,603 - 2,160 27,7
Tie Esp 23,693 - 29,000 10,32
Financ 2,160 - 4,082 8,89
Tie Esp 19,999 - 23,693 3,43
Tie Esp 16,306 - 19,999 1,05
Tie Esp 11,000 - 16,306 0,57
Tabla Nº 4.7 Atributo - Valor factor tiempo de atención - segundo valor
96
Figura Nº 4.10 Factor tiempo de atención – tercer valor
Favorece Favorece
Atributo Valor
False True
Financ 1,000 - 1,046 100
Financ 1,046 - 1,603 61,49
Financ 1,603 - 2,160 28,49
Financ 2,160 - 4,082 7,69
Tie Esp 23,693 - 29,000 2,42
Tie Esp 11,000 - 16,306 1,21
Tie Esp 19,999 - 23,693 0,65
Tie Esp 16,306 - 19,999 0,28
Tabla Nº 4.8 Atributo - Valor factor tiempo de atención - tercer valor
97
Figura Nº 4.11 Factor tiempo de atención – cuarto valor
Favorece Favorece
Atributo Valor
False True
Financ 1,000 - 1,046 100
Financ 1,046 - 1,603 60,89
Financ 1,603 - 2,160 23,26
Financ 2,160 - 4,082 13,77
Tie Esp 16,306 - 19,999 2,61
Tie Esp 19,999 - 23,693 2,17
Tie Esp 11,000 - 16,306 0,36
Tie Esp 23,693 - 29,000 0,09
Tabla Nº 4.9 Atributo - Valor factor tiempo de atención - cuarto valor
98
recibido. Del mismo modo la sección de variables nos permitirá
correlacionar las otras variables de financiamiento y tiempo de atención
para un determinado valor seleccionado por atributo, que en este caso es
el de tipo de tiempo de espera.
99
Figura Nº 4.13 Factor tiempo de espera – primer valor
Favorece Favorece
Atributo Valor
False True
Financ 1,000 - 1,046 100
Financ 1,046 - 1,603 58,58
Financ 1,603 - 2,160 26,79
Financ 2,160 - 4,082 12,09
Tie Aten 6,000 - 9,786 3,6
Tie Aten 12,505 - 15,224 1,15
Tie Aten 9,786 - 12,505 0,53
Tie Aten 15,224 - 19,000 0,37
Tabla Nº 4.10 Atributo - Valor factor tiempo de espera - primer valor
100
Figura Nº 4.14 Factor tiempo de espera – segundo valor
Favorece Favorece
Atributo Valor
False True
Financ 1,000 - 1,046 100
Financ 1,046 - 1,603 61,57
Financ 1,603 - 2,160 27,89
Financ 2,160 - 4,082 7,71
Tie Aten 6,000 - 9,786 5,62
Tie Aten 15,224 - 19,000 2,87
Tie Aten 9,786 - 12,505 1,04
Tie Aten 12,505 - 15,224 0,28
Tabla Nº 4.11 Atributo - Valor factor tiempo de espera - segundo valor
101
Figura Nº 4.15 Factor tiempo de espera – tercer valor
Favorece Favorece
Atributo Valor
False True
Financ 1,000 - 1,046 100
Financ 1,046 - 1,603 63,65
Financ 1,603 - 2,160 29,2
Tie Aten 6,000 - 9,786 9,03
Financ 2,160 - 4,082 7,71
Tie Aten 9,786 - 12,505 3,45
Tie Aten 15,224 - 19,000 2,42
Tie Aten 12,505 - 15,224 0,66
Tabla Nº 4.12 Atributo - Valor factor tiempo de espera - tercer valor
102
Figura Nº 4.16 Factor tiempo de espera – cuarto valor
Favorece Favorece
Atributo Valor
False True
Financ 1,000 - 1,046 100
Financ 1,046 - 1,603 67,6
Financ 1,603 - 2,160 27,55
Tie Aten 6,000 - 9,786 15,78
Financ 2,160 - 4,082 11,58
Tie Aten 9,786 - 12,505 9,87
Tie Aten 12,505 - 15,224 2,34
Tie Aten 15,224 - 19,000 0,1
Tabla Nº 4.13 Atributo - Valor factor tiempo de espera - cuarto valor
Luego de evaluar los diferentes factores que fueron analizados por la herramienta
de minería de datos, se concluye que uno de los factores que el usuario externo
considera más influyente al momento de tomar una decisión al requerir una
consulta médica en consultorios externos es el factor de financiamiento; y en
particular el que está cubierto por el seguro integral de salud. Cuando un usuario
externo es atendido por este medio de financiamiento, los factores como tiempo
de atención y tiempo de espera no son factores que toma en cuenta para que al
finalizar de la consulta médica considere estar satisfecho de haber recibido una
atención.
103
Cuando se evalúa el factor tiempo de atención, asociado al factor fuente de
financiamiento y en particular el que corresponde al usuario externo como
pagante, este factor si es considera influyente en la condición de satisfacción del
usuario externo. Del mismo modo para las fuentes de financiamiento como los que
brinda Essalud, Seguro Obligatorio de Accidentes de Tránsito, Sanidad Marina de
Guerra del Perú, Sanidad Fuerza Aérea del Perú, Sanidad Policía Nacional del
Perú, Seguros Privados y otros, el factor tiempo de atención también es un factor
influyente, pero en menor grado. Se considera además que para que una atención
médica esté considerada dentro de los estándares de salud según las directivas
del Ministerio de Salud, ésta debe ser de al menos 15 minutos.
Finalmente para la evaluación del tiempo de espera, sólo para el caso en el que la
atención médica del usuario externo es financiada por el seguro integral de salud,
éste no se considera influyente, en cambio para los que son pagantes y demás
como Essalud, Seguro Obligatorio de Accidentes de Tránsito, Sanidad Marina de
Guerra del Perú, Sanidad Fuerza Aérea del Perú, Sanidad Policía Nacional del
Perú, Seguros Privados y otros, si es un factor que se considera influyente.
106
comportamiento decreciente que se evidenciaba en la baja del número de
atenciones. Este objetivo ha sido realizado, como se ha podido apreciar en el
capítulo III; se tiene identificado los factores que influyente al momento de brindar
una atención médica en consultorios externos.
Años Horas
2007 2008 2009 2010 2011 2012 2013 Programadas
Atenciones 43203 44048 39943 38167 37526 83277 57312 51756
Productividad 0.83 0.85 0.77 0.74 0.73 1.61 1.11
Fuente: Elaboración Propia
Atendidos Atenciones
Grupo Etareo Concentración
Total Total Consultas
NIÑOS 11209 29351 2.62
ADOLESCENTES 1052 2479 2.36
JOVENES 7494 22628 3.02
ADULTOS 10083 26339 2.61
ADULTOS MAYORES 1185 2480 2.09
TOTAL GENERAL 31023 83277 2.68
Fuente: Elaboración Propia
Atendidos Atenciones
Grupo Etareo Concentración
Total Total Consultas
NIÑOS 9394 16686 1.78
ADOLESCENTES 715 1526 2.13
JOVENES 5094 15711 3.08
ADULTOS 6214 21277 3.42
ADULTOS MAYORES 814 2112 2.59
TOTAL GENERAL 22231 57312 2.58
Fuente: Elaboración Propia
AÑOS
2008 2009 2010 2011 2012 2013
Concentración 1.5 1.6 1.8 1.5 2.68 2.58
Fuente: Elaboración Propia
108
Figura Nº 4.20 Proyección de concentración en consultorios
109
CONCLUSIONES
4. Las áreas de Gestión de la Calidad y Promoción de la Salud son las que permitieron la
implantación de los resultados de la presente investigación en los protocolos de atención
médica de los diferentes consultorios externos, así mismo permitió mejorar las
deficiencias encontradas como diagnóstico del programa de salud individual en el plan
estratégico del Hospital Regional Docente Materno Infantil El Carmen.
110
RECOMENDACIONES
3. El Hospital Regional Docente Materno Infantil El Carmen no solo cuenta con el sistema
HIS; adicional a ello cuenta con un sistema de egresos hospitalarios, un sistema de
emergencias y sistema informático perinatal que tienen características similares por que
se registra información del usuario externo cuando llega a hospitalizarse o a emergencia,
los datos de estos sistemas también deberían ser analizados con redes neuronales
artificiales para mejorar los indicadores de Hospitalización.
111
REFERENCIAS BIBLIOGRÁFICAS
112
REFERENCIAS ELECTRONICAS
1. http://www.ecured.cu/index.php/Redes_neuronales_artificiales
Redes Neuronales Artificiales – Último acceso 15/07/2013 17:00
2. http://www.electronica.com.mx/neural/
Redes Neuronales Artificiales – Último acceso 21/04/2013 19:00
3. http://www.docstoc.com/docs/108536243/Redes-Neuronales-Artificiales
Conceptos de Redes Neuronales Artificiales – Último acceso 22/05/2013 22:00
4. http://msdn.microsoft.com/es-es/library/ms174949.aspx
Conceptos de Minería de Datos – Último acceso 20/08/2013 22:00
5. http://msdn.microsoft.com/es-es/library/ms174941.aspx
Algoritmo de Red Neuronal de Microsoft – Último acceso 19/07/2013 20:00
6. http://msdn.microsoft.com/es-es/library/cc645783.aspx
Minería de Datos para Redes Neuronales – Último acceso 19/07/2013 22:00
7. http://msdn.microsoft.com/es-es/library/cc645876.aspx
Consultas de Modelos de Red Neuronal – Último acceso 25/08/2013 19:00
8. http://www.microsoft.com/en-us/sqlserver/solutions-technologies/business-
intelligence/analysis.aspx
Microsoft SQL Server – Analysis Services – Último acceso 25/08/2013 22:00
9. http://technet.microsoft.com/en-us/library/ms141026.aspx
Microsoft SQL Server – Integration Services – Último acceso 28/08/2013 20:00
10. http://technet.microsoft.com/en-us/library/ms187875.aspx
Microsoft SQL Server – Database Engine – Último acceso 28/08/2013 21:00
113
ANEXOS
114
Anexo N° 01
Objetivos Estratégico General por Programas
OBJETIVO GENERAL 1
PROGRAMA: 064 SALUD INDIVIDUAL
Fortalecer los servicios hospitalarios especializados de salud para garantizar la calidad
de la atención y la accesibilidad de la población usuaria.
OBJETIVO GENERAL 2
PROGRAMA: 063 SALUD COLECTIVA
Al 2010 El Hospital El Carmen acredita como Centro Laboral Saludable, que
promueva la cultura preventiva y promocional de la salud.
OBJETIVO GENRAL 3
PROGRAMA: 003 ADMINISTRACION
Fortalecer un modelo de gestión moderna que nos permita contar con una adecuada
cultura organizacional, personal competente, infraestructura y equipamiento.
115
Programa 2 : Salud Colectiva Actividades
Prevalencia de las enfermedades transmisibles 1. Desarrollar Planes de sensibilización dirigidos al
y el crecimiento de los no transmisibles. personal que permita crear una cultura
saludable.
Escasa participación ciudadana en salud 2. Mejorar la disposición final de los residuos sólidos
hospitalarios.
Población con estilos de vida inadecuadas. 3. Mejorar el Sistema de prevención y control de
Infecciones Intrahospitalarias.
Deficiente atención en salud integral en 4. Implementar la seguridad e higiene ambiental del
enfermedades crónicas degenerativas establecimiento de salud.
deficiente sistema de saneamiento básico 5. Implementar servicios preventivos promocionales
intrahospitalario para la atención de las afecciones crónicas
degenerativas.
6. Reformular y ejecutar el Plan de socialización
para el ejercicio de deberes y derechos en salud.
7. Establecer convenios con los medios de
comunicación masiva para la difusión de
programas preventivos de la salud y de
protección de deberes y derechos.
Programa 3 : Administración Actividades
Inadecuada Infraestructura Hospitalaria. 1. Desarrollar Planes de Capacitación permanente
para el personal a todo nivel.
No se cuenta con el Título de propiedad de los 3. Elaborar perfiles de proyecto de inversión para la
capacitación y especialización de recursos
terrenos.
humanos.
Inadecuada cultura organizacional 4. Formular perfiles de proyectos de inversión
Publica para mejorar la Infraestructura
hospitalaria.
Escasa identificación institucional de los 5. Formular perfiles de proyecto para renovación e
implementación de Equipos médicos
trabajadores
hospitalarios.
Modelo de gestión tradicional 7. Lograr el saneamiento físico legal de los bienes
inmuebles.
Incipiente uso de Guías de atención. 8. Formular perfil de proyecto de inversión para
ampliar la red informática en todos los servicios.
Inadecuada distribución de recursos
9. Implementar y Mejorar los programas de software
humanos, materiales y equipos.
de los diferentes servicios.
Escaso trabajo en equipo multidisciplinario 11. Desarrollar planes para el cambio de actitudes y
práctica de valores.
Documentos de gestión inadecuados y
12. Realizar campañas de sensibilización contra la
desactualizados.
corrupción.
Insuficientes programas de de motivación e
13. Implementación de programas de motivación e
incentivos.
incentivos.
14. Realizar una adecuada distribución de los
recursos humanos, materiales equipos y
ambientes en los servicios.
Fuente: Oficina de Planificación.
116
Anexo N° 02
Migración de Datos de Visual FoxPro a Microsoft SQL Server
1. Paso: Creación de Base de Datos en SQL Server.
117
3. Paso: Selección de un origen de datos. Para nuestro caso el origen de datos debe
ser de Microsoft Visual FoxPro.
118
5. Paso: Seleccionamos las base de datos destino, en este caso la que se encuentra
en Microsoft SQL Server.
119
7. Paso: Seleccionamos el conjunto de tablas que serán importadas
120
121
9. Paso: Se realiza finalmente el proceso de conversión de datos.
122
11. Paso: Finalizamos el proceso, revisando antes el listado de actividades que
realizará la herramienta de migración.
123
13. Paso: Verificamos la existencia de la base de datos en Microsoft SQL Server
124
14. Paso: Luego se procede a elaborar el diagrama de base de datos.
125
Anexo N° 03
Creación del Modelo de Minería de Datos con Analisis Services
SQL Server
1. Paso: Crear unn nuevo proyecto de Analisis Services.
126
3. Paso: Creación de un origen de datos por medio del asistente.
127
5. Paso: Seleccione la conexión de datos.
128
7. Paso: proporcione el nombre del origen de datos.
129
9. Paso: crear una vista del origen de datos.
130
11. Paso: Seleccione la tabla de hechos del sistema.
131
13. Paso: Nombre la vista de origen de datos.
132
15. Paso: Inicie el asistente para minería de datos.
133
17. Paso: Cree una estructura de minería de datos.
134
19. Paso: Seleccione la vista del origen de datos..
135
21. Paso: Especifique el tipo de tablas que se utilizara en el análisis.
136
23. Paso: seleccione campos clave de entrada y de predicción.
137
25. Paso: Presione botón detectar para que la herramienta realice la selección.
138
27. Paso: Nombre su modelo de red neuronal.
28. Paso: Utilice el visor de modelo de minería de datos para validar su entrada y
salida.
139
29. Paso: Procese e implemente el modelo de minería de datos.
140
31. Paso: Visualizará el progreso del proceso.
141
33. Paso: Con el visor de modelo de minería de datos puede evaluar las variables de
entrada y de salida.
142