Propuesta de validación de datos abiertos y detección de patrones en salud con machine learning: aplicación en el proyecto INCUCAI (donación y trasplante de órganos y tejidos)
- Autores
- Martínez, Roxana; Acha, Santiago; Bateca, Carlos; Agnelli, Victoria; Clavijo, Eugenio; Gribaudo, Maximiliano; Lujan, Agustín; Tsiros, Sebastián; Negrotto, Pedro
- Año de publicación
- 2025
- Idioma
- español castellano
- Tipo de recurso
- documento de conferencia
- Estado
- versión publicada
- Descripción
- En el contexto de los datos abiertos, la calidad de la información es crucial, especialmente en sectores sensibles como la salud. Aunque existen diversas guías sobre la publicación de datos abiertos, poco se ha explorado sobre la validación específica de los datos en áreas críticas, como el sistema de donación y trasplante de órganos. Este proyecto, en esta línea de investigación, propone un enfoque innovador para la validación de datos abiertos y la detección de patrones mediante técnicas de Machine Learning, aplicados específicamente al Proyecto INCUCAI. Se busca mejorar la integridad y precisión de los datos relacionados con la donación y trasplante de órganos y tejidos, facilitando una toma de decisiones más eficiente y fundamentada. A través de este estudio, se desarrollan métodos para validar conjuntos de datos públicos en el ámbito de la salud y se aplican algoritmos predictivos para identificar patrones relevantes que optimicen los procesos de asignación y distribución de órganos. Esta propuesta no solo contribuirá a la mejora de políticas de salud pública, sino que también apoyará la transparencia en la gestión de datos sensibles. Este trabajo, no solo desarrolla prototipos de software en validaciones de datos específicos, sino que, además, permite estudiar modelos predictivos (aprendizaje automático) que pueden brindar un mejor análisis para la toma de decisiones.
Red de Universidades con Carreras en Informática - Materia
-
Ciencias Informáticas
datos abiertos
métricas de calidad de datos
machine learning
predicciones a partir de patrones - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/4.0/
- Repositorio
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/183798
Ver los metadatos del registro completo
id |
SEDICI_e8050ca8ecf69a3361353cfb0f1bf816 |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/183798 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
spelling |
Propuesta de validación de datos abiertos y detección de patrones en salud con machine learning: aplicación en el proyecto INCUCAI (donación y trasplante de órganos y tejidos)Martínez, RoxanaAcha, SantiagoBateca, CarlosAgnelli, VictoriaClavijo, EugenioGribaudo, MaximilianoLujan, AgustínTsiros, SebastiánNegrotto, PedroCiencias Informáticasdatos abiertosmétricas de calidad de datosmachine learningpredicciones a partir de patronesEn el contexto de los datos abiertos, la calidad de la información es crucial, especialmente en sectores sensibles como la salud. Aunque existen diversas guías sobre la publicación de datos abiertos, poco se ha explorado sobre la validación específica de los datos en áreas críticas, como el sistema de donación y trasplante de órganos. Este proyecto, en esta línea de investigación, propone un enfoque innovador para la validación de datos abiertos y la detección de patrones mediante técnicas de Machine Learning, aplicados específicamente al Proyecto INCUCAI. Se busca mejorar la integridad y precisión de los datos relacionados con la donación y trasplante de órganos y tejidos, facilitando una toma de decisiones más eficiente y fundamentada. A través de este estudio, se desarrollan métodos para validar conjuntos de datos públicos en el ámbito de la salud y se aplican algoritmos predictivos para identificar patrones relevantes que optimicen los procesos de asignación y distribución de órganos. Esta propuesta no solo contribuirá a la mejora de políticas de salud pública, sino que también apoyará la transparencia en la gestión de datos sensibles. Este trabajo, no solo desarrolla prototipos de software en validaciones de datos específicos, sino que, además, permite estudiar modelos predictivos (aprendizaje automático) que pueden brindar un mejor análisis para la toma de decisiones.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/pdf210-214http://sedici.unlp.edu.ar/handle/10915/183798spainfo: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:UNLP2025-09-29T11:50:13Zoai:sedici.unlp.edu.ar:10915/183798Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:50:13.531SEDICI (UNLP) - Universidad Nacional de La Platafalse |
dc.title.none.fl_str_mv |
Propuesta de validación de datos abiertos y detección de patrones en salud con machine learning: aplicación en el proyecto INCUCAI (donación y trasplante de órganos y tejidos) |
title |
Propuesta de validación de datos abiertos y detección de patrones en salud con machine learning: aplicación en el proyecto INCUCAI (donación y trasplante de órganos y tejidos) |
spellingShingle |
Propuesta de validación de datos abiertos y detección de patrones en salud con machine learning: aplicación en el proyecto INCUCAI (donación y trasplante de órganos y tejidos) Martínez, Roxana Ciencias Informáticas datos abiertos métricas de calidad de datos machine learning predicciones a partir de patrones |
title_short |
Propuesta de validación de datos abiertos y detección de patrones en salud con machine learning: aplicación en el proyecto INCUCAI (donación y trasplante de órganos y tejidos) |
title_full |
Propuesta de validación de datos abiertos y detección de patrones en salud con machine learning: aplicación en el proyecto INCUCAI (donación y trasplante de órganos y tejidos) |
title_fullStr |
Propuesta de validación de datos abiertos y detección de patrones en salud con machine learning: aplicación en el proyecto INCUCAI (donación y trasplante de órganos y tejidos) |
title_full_unstemmed |
Propuesta de validación de datos abiertos y detección de patrones en salud con machine learning: aplicación en el proyecto INCUCAI (donación y trasplante de órganos y tejidos) |
title_sort |
Propuesta de validación de datos abiertos y detección de patrones en salud con machine learning: aplicación en el proyecto INCUCAI (donación y trasplante de órganos y tejidos) |
dc.creator.none.fl_str_mv |
Martínez, Roxana Acha, Santiago Bateca, Carlos Agnelli, Victoria Clavijo, Eugenio Gribaudo, Maximiliano Lujan, Agustín Tsiros, Sebastián Negrotto, Pedro |
author |
Martínez, Roxana |
author_facet |
Martínez, Roxana Acha, Santiago Bateca, Carlos Agnelli, Victoria Clavijo, Eugenio Gribaudo, Maximiliano Lujan, Agustín Tsiros, Sebastián Negrotto, Pedro |
author_role |
author |
author2 |
Acha, Santiago Bateca, Carlos Agnelli, Victoria Clavijo, Eugenio Gribaudo, Maximiliano Lujan, Agustín Tsiros, Sebastián Negrotto, Pedro |
author2_role |
author author author author author author author author |
dc.subject.none.fl_str_mv |
Ciencias Informáticas datos abiertos métricas de calidad de datos machine learning predicciones a partir de patrones |
topic |
Ciencias Informáticas datos abiertos métricas de calidad de datos machine learning predicciones a partir de patrones |
dc.description.none.fl_txt_mv |
En el contexto de los datos abiertos, la calidad de la información es crucial, especialmente en sectores sensibles como la salud. Aunque existen diversas guías sobre la publicación de datos abiertos, poco se ha explorado sobre la validación específica de los datos en áreas críticas, como el sistema de donación y trasplante de órganos. Este proyecto, en esta línea de investigación, propone un enfoque innovador para la validación de datos abiertos y la detección de patrones mediante técnicas de Machine Learning, aplicados específicamente al Proyecto INCUCAI. Se busca mejorar la integridad y precisión de los datos relacionados con la donación y trasplante de órganos y tejidos, facilitando una toma de decisiones más eficiente y fundamentada. A través de este estudio, se desarrollan métodos para validar conjuntos de datos públicos en el ámbito de la salud y se aplican algoritmos predictivos para identificar patrones relevantes que optimicen los procesos de asignación y distribución de órganos. Esta propuesta no solo contribuirá a la mejora de políticas de salud pública, sino que también apoyará la transparencia en la gestión de datos sensibles. Este trabajo, no solo desarrolla prototipos de software en validaciones de datos específicos, sino que, además, permite estudiar modelos predictivos (aprendizaje automático) que pueden brindar un mejor análisis para la toma de decisiones. Red de Universidades con Carreras en Informática |
description |
En el contexto de los datos abiertos, la calidad de la información es crucial, especialmente en sectores sensibles como la salud. Aunque existen diversas guías sobre la publicación de datos abiertos, poco se ha explorado sobre la validación específica de los datos en áreas críticas, como el sistema de donación y trasplante de órganos. Este proyecto, en esta línea de investigación, propone un enfoque innovador para la validación de datos abiertos y la detección de patrones mediante técnicas de Machine Learning, aplicados específicamente al Proyecto INCUCAI. Se busca mejorar la integridad y precisión de los datos relacionados con la donación y trasplante de órganos y tejidos, facilitando una toma de decisiones más eficiente y fundamentada. A través de este estudio, se desarrollan métodos para validar conjuntos de datos públicos en el ámbito de la salud y se aplican algoritmos predictivos para identificar patrones relevantes que optimicen los procesos de asignación y distribución de órganos. Esta propuesta no solo contribuirá a la mejora de políticas de salud pública, sino que también apoyará la transparencia en la gestión de datos sensibles. Este trabajo, no solo desarrolla prototipos de software en validaciones de datos específicos, sino que, además, permite estudiar modelos predictivos (aprendizaje automático) que pueden brindar un mejor análisis para la toma de decisiones. |
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/10915/183798 |
url |
http://sedici.unlp.edu.ar/handle/10915/183798 |
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 210-214 |
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_ |
1844616361437822976 |
score |
13.070432 |