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
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/183798
Acceder
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

Publicaciones similares