De datos a decisiones: viabilidad del aprendizaje profundo en consumos médicos en el ámbito de las obras sociales

Autores
Lusso, Adriano M.; Acuña Bravo, Lara V.; Roger, Sandra Emilce
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
El Servicio de Obra Social de la Universidad Nacional del Comahue (SOSUNC) dispone de una considerable cantidad de datos relativos a los consumos medicos de sus afiliados. Este trabajo se enfoca en la aplicación de técnicas de reglas de asociación para la identificación de patrones en estos datos, que abarcan información sobre practicas médicas, prescripciones de medicamentos y fechas de consumo. El objetivo principal es la creacion de un corpus de datos que permita discernir las interrelaciones entre las patologías y los consumos asociados, con el fin de optimizar la toma de decisiones en la gestión de las coberturas médicas. La metodología propuesta incluye la integración con técnicas de Deep Learning, con el propósito de desarrollar modelos predictivos capaces de capturar relaciones complejas y no lineales presentes en los datos. Se busca que estos modelos ofrezcan una mayor capacidad de discriminación y una comprensión más profunda de los patrones de consumo. Por último, se busca proporcionar una herramienta que facilite a SOSUNC la anticipación de futuras necesidades y la optimizacion de la asignación de recursos, logrando así mejorar la calidad de la atención médica y la gestión integral de los recursos disponibles.
Red de Universidades con Carreras en Informática
Materia
Ciencias Informáticas
Minería de datos
Patrones
Asociación
Aprendizaje Automático
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/184273
Acceder
id SEDICI_198f3a377d3c501d87aa7d86eb452ef6
oai_identifier_str oai:sedici.unlp.edu.ar:10915/184273
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling De datos a decisiones: viabilidad del aprendizaje profundo en consumos médicos en el ámbito de las obras socialesLusso, Adriano M.Acuña Bravo, Lara V.Roger, Sandra EmilceCiencias InformáticasMinería de datosPatronesAsociaciónAprendizaje AutomáticoEl Servicio de Obra Social de la Universidad Nacional del Comahue (SOSUNC) dispone de una considerable cantidad de datos relativos a los consumos medicos de sus afiliados. Este trabajo se enfoca en la aplicación de técnicas de reglas de asociación para la identificación de patrones en estos datos, que abarcan información sobre practicas médicas, prescripciones de medicamentos y fechas de consumo. El objetivo principal es la creacion de un corpus de datos que permita discernir las interrelaciones entre las patologías y los consumos asociados, con el fin de optimizar la toma de decisiones en la gestión de las coberturas médicas. La metodología propuesta incluye la integración con técnicas de Deep Learning, con el propósito de desarrollar modelos predictivos capaces de capturar relaciones complejas y no lineales presentes en los datos. Se busca que estos modelos ofrezcan una mayor capacidad de discriminación y una comprensión más profunda de los patrones de consumo. Por último, se busca proporcionar una herramienta que facilite a SOSUNC la anticipación de futuras necesidades y la optimizacion de la asignación de recursos, logrando así mejorar la calidad de la atención médica y la gestión integral de los recursos disponibles.Red de Universidades con Carreras en Informática2025-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf38-41http://sedici.unlp.edu.ar/handle/10915/184273spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-575-267-2info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/182261info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-11-12T11:14:36Zoai:sedici.unlp.edu.ar:10915/184273Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-11-12 11:14:37.052SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv De datos a decisiones: viabilidad del aprendizaje profundo en consumos médicos en el ámbito de las obras sociales
title De datos a decisiones: viabilidad del aprendizaje profundo en consumos médicos en el ámbito de las obras sociales
spellingShingle De datos a decisiones: viabilidad del aprendizaje profundo en consumos médicos en el ámbito de las obras sociales
Lusso, Adriano M.
Ciencias Informáticas
Minería de datos
Patrones
Asociación
Aprendizaje Automático
title_short De datos a decisiones: viabilidad del aprendizaje profundo en consumos médicos en el ámbito de las obras sociales
title_full De datos a decisiones: viabilidad del aprendizaje profundo en consumos médicos en el ámbito de las obras sociales
title_fullStr De datos a decisiones: viabilidad del aprendizaje profundo en consumos médicos en el ámbito de las obras sociales
title_full_unstemmed De datos a decisiones: viabilidad del aprendizaje profundo en consumos médicos en el ámbito de las obras sociales
title_sort De datos a decisiones: viabilidad del aprendizaje profundo en consumos médicos en el ámbito de las obras sociales
dc.creator.none.fl_str_mv Lusso, Adriano M.
Acuña Bravo, Lara V.
Roger, Sandra Emilce
author Lusso, Adriano M.
author_facet Lusso, Adriano M.
Acuña Bravo, Lara V.
Roger, Sandra Emilce
author_role author
author2 Acuña Bravo, Lara V.
Roger, Sandra Emilce
author2_role author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Minería de datos
Patrones
Asociación
Aprendizaje Automático
topic Ciencias Informáticas
Minería de datos
Patrones
Asociación
Aprendizaje Automático
dc.description.none.fl_txt_mv El Servicio de Obra Social de la Universidad Nacional del Comahue (SOSUNC) dispone de una considerable cantidad de datos relativos a los consumos medicos de sus afiliados. Este trabajo se enfoca en la aplicación de técnicas de reglas de asociación para la identificación de patrones en estos datos, que abarcan información sobre practicas médicas, prescripciones de medicamentos y fechas de consumo. El objetivo principal es la creacion de un corpus de datos que permita discernir las interrelaciones entre las patologías y los consumos asociados, con el fin de optimizar la toma de decisiones en la gestión de las coberturas médicas. La metodología propuesta incluye la integración con técnicas de Deep Learning, con el propósito de desarrollar modelos predictivos capaces de capturar relaciones complejas y no lineales presentes en los datos. Se busca que estos modelos ofrezcan una mayor capacidad de discriminación y una comprensión más profunda de los patrones de consumo. Por último, se busca proporcionar una herramienta que facilite a SOSUNC la anticipación de futuras necesidades y la optimizacion de la asignación de recursos, logrando así mejorar la calidad de la atención médica y la gestión integral de los recursos disponibles.
Red de Universidades con Carreras en Informática
description El Servicio de Obra Social de la Universidad Nacional del Comahue (SOSUNC) dispone de una considerable cantidad de datos relativos a los consumos medicos de sus afiliados. Este trabajo se enfoca en la aplicación de técnicas de reglas de asociación para la identificación de patrones en estos datos, que abarcan información sobre practicas médicas, prescripciones de medicamentos y fechas de consumo. El objetivo principal es la creacion de un corpus de datos que permita discernir las interrelaciones entre las patologías y los consumos asociados, con el fin de optimizar la toma de decisiones en la gestión de las coberturas médicas. La metodología propuesta incluye la integración con técnicas de Deep Learning, con el propósito de desarrollar modelos predictivos capaces de capturar relaciones complejas y no lineales presentes en los datos. Se busca que estos modelos ofrezcan una mayor capacidad de discriminación y una comprensión más profunda de los patrones de consumo. Por último, se busca proporcionar una herramienta que facilite a SOSUNC la anticipación de futuras necesidades y la optimizacion de la asignación de recursos, logrando así mejorar la calidad de la atención médica y la gestión integral de los recursos disponibles.
publishDate 2025
dc.date.none.fl_str_mv 2025-04
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/184273
url http://sedici.unlp.edu.ar/handle/10915/184273
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-987-575-267-2
info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/182261
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
38-41
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1848605854959403008
score 13.25334

Publicaciones similares