Universidad Chapultepec
Aprendizaje Automático ML
Alumnos: Eduardo Daniel Coronado Dominguez Victoria Guevara Soria Maestro: Prof. Roberto Esquivel Jaime 24 de Septiembre del 2025
EDITA O ELIMINA ESTA LOCUCIÓN
Aprendizaje Automático ML
Por sus siglas en inglés “Machine Learning” es un algoritmo o sistema que aprende patrones a partir de datos para hacer predicciones o tomar decisiones sin ser programado explícitamente para cada tarea.
Lluvia de Ideas
Cuidados Postoperatorios
Riesgo de Caída de Pacientes
Riesgo de Lesiones por presión
Información extra dentro de una etiqueta (ej. href en <a>).
Lenguaje de marcado para estructurar páginas web.
Elemento que indica el tipo de contenido (ej. <p> para un párrafo).
Riesgo de infección del catéter venoso central.
Riesgo de Errores en Medicación
Aplicación para escribir HTML (ej. VS Code, Sublime Text).
Programa que interpreta el HTML y muestra la web.
Realizar un modelo de aprendizaje automático ML para la predicción de Infecciones asociadas a catéter venoso central es muy importante por varias razones clave:
Prevención temprana de infecciones
Apoyo a la toma de decisiones clínicas
Monitoreo y retroalimentación continua
Optimazión de Recursos
Mejora en la seguridad del paciente
Educación y concientización
Por lo que integrar ML en la práctica de enfermería mejora la prevención, optimiza recursos y eleva la seguridad del paciente, transformando datos complejos en decisiones clínicas efectivas.
Aplicación del Aprendizaje Automático ML
Contexto Las infecciones relacionadas con catéteres venosos centrales (CR-BSI) son una complicación grave en pacientes hospitalizados. La enfermería puede beneficiarse de herramientas de predicción temprana, permitiendo intervenciones preventivas oportunas. Objetivo Predecir el riesgo de infección del cateter venoso central en pacientes hospitalizados usando el modelo de aprendizaje automático, para guiar decisiones de enfermerí.
Aplicación del Aprendizaje Automático ML
Datos y Variables - Paciente: edad, sexo, comorbilidades
- Catéter: tipo, tiempo de inserción, número de días de uso, manipulaciones
- Indicadores clínicos: hipertermia, leucocitosis, resultados de hemocultivos previos
- Entorno: Tipo de unidad, higiene de manos, adherencia al protocolo de inserción
Algoritmo sugerido Clasificación binaria: Riesgo bajo VS Riesgo alto Tipo: Regresión Lógistica
Aplicación del Aprendizaje Automático ML
Proceso ML
Aplicación del Aprendizaje Automático ML
Evaluación
Aplicación del Aprendizaje Automático ML
Evaluación
Esquema Aprendizaje Automático ML: Predicción de riesgo de infección de catéter venoso central (CVC)
Conclusión
La utilización de un modelo de aprendizaje automático (ML) para predecir el riesgo de infección en catéteres venosos centrales ofrece un recurso valioso para la práctica clínica en enfermería. Permite anticipar complicaciones, al identificar de manera temprana a los pacientes con mayor probabilidad de desarrollar infecciones. Contribuye a la toma de decisiones basadas en datos, apoyando protocolos de vigilancia, higiene y cuidado del catéter. Mejora la seguridad del paciente, al reducir tasas de infección, estancia hospitalaria y costos asociados. Favorece una enfermería más proactiva y preventiva, integrando tecnología en la atención diaria.
Referencias
Rajkomar, A., Dean, J., & Kohane, I. (2019). Machine learning in medicine. NEJM, 380(14), 1347–1358.Sendak, M. P., et al. (2020). The human side of ML in health care. NPJ Digital Medicine, 3(1).
Tus contenidos gustan, pero solo enganchan si son interactivos. Capta la atención de tu público con una fotografía o ilustración interactiva.
Tus contenidos gustan, pero solo enganchan si son interactivos. Capta la atención de tu público con una fotografía o ilustración interactiva.
Tus contenidos gustan, pero solo enganchan si son interactivos. Capta la atención de tu público con una fotografía o ilustración interactiva.
Tus contenidos gustan, pero solo enganchan si son interactivos. Capta la atención de tu público con una fotografía o ilustración interactiva.
Tus contenidos gustan, pero solo enganchan si son interactivos. Capta la atención de tu público con una fotografía o ilustración interactiva.
Tus contenidos gustan, pero solo enganchan si son interactivos. Capta la atención de tu público con una fotografía o ilustración interactiva.
Aprendizaje Automático ML
vhdz_66
Created on September 24, 2025
Start designing with a free template
Discover more than 1500 professional designs like these:
View
Microcourse: Team Cybersecurity
View
Microcourse: Key Skills for the Professional Environment
View
Microcourse: Introduction to HTML
View
The Meeting Microlearning
View
The Meeting Microlearning Mobile
View
Isometric video mobile
View
Circles video mobile
Explore all templates
Transcript
Universidad Chapultepec
Aprendizaje Automático ML
Alumnos: Eduardo Daniel Coronado Dominguez Victoria Guevara Soria Maestro: Prof. Roberto Esquivel Jaime 24 de Septiembre del 2025
EDITA O ELIMINA ESTA LOCUCIÓN
Aprendizaje Automático ML
Por sus siglas en inglés “Machine Learning” es un algoritmo o sistema que aprende patrones a partir de datos para hacer predicciones o tomar decisiones sin ser programado explícitamente para cada tarea.
Lluvia de Ideas
Cuidados Postoperatorios
Riesgo de Caída de Pacientes
Riesgo de Lesiones por presión
Información extra dentro de una etiqueta (ej. href en <a>).
Lenguaje de marcado para estructurar páginas web.
Elemento que indica el tipo de contenido (ej. <p> para un párrafo).
Riesgo de infección del catéter venoso central.
Riesgo de Errores en Medicación
Aplicación para escribir HTML (ej. VS Code, Sublime Text).
Programa que interpreta el HTML y muestra la web.
Realizar un modelo de aprendizaje automático ML para la predicción de Infecciones asociadas a catéter venoso central es muy importante por varias razones clave:
Prevención temprana de infecciones
Apoyo a la toma de decisiones clínicas
Monitoreo y retroalimentación continua
Optimazión de Recursos
Mejora en la seguridad del paciente
Educación y concientización
Por lo que integrar ML en la práctica de enfermería mejora la prevención, optimiza recursos y eleva la seguridad del paciente, transformando datos complejos en decisiones clínicas efectivas.
Aplicación del Aprendizaje Automático ML
Contexto Las infecciones relacionadas con catéteres venosos centrales (CR-BSI) son una complicación grave en pacientes hospitalizados. La enfermería puede beneficiarse de herramientas de predicción temprana, permitiendo intervenciones preventivas oportunas. Objetivo Predecir el riesgo de infección del cateter venoso central en pacientes hospitalizados usando el modelo de aprendizaje automático, para guiar decisiones de enfermerí.
Aplicación del Aprendizaje Automático ML
Datos y Variables
- Paciente: edad, sexo, comorbilidades
- Catéter: tipo, tiempo de inserción, número de días de uso, manipulaciones
- Indicadores clínicos: hipertermia, leucocitosis, resultados de hemocultivos previos
- Entorno: Tipo de unidad, higiene de manos, adherencia al protocolo de inserción
Algoritmo sugerido Clasificación binaria: Riesgo bajo VS Riesgo alto Tipo: Regresión LógisticaAplicación del Aprendizaje Automático ML
Proceso ML
Aplicación del Aprendizaje Automático ML
Evaluación
Aplicación del Aprendizaje Automático ML
Evaluación
Esquema Aprendizaje Automático ML: Predicción de riesgo de infección de catéter venoso central (CVC)
Conclusión
La utilización de un modelo de aprendizaje automático (ML) para predecir el riesgo de infección en catéteres venosos centrales ofrece un recurso valioso para la práctica clínica en enfermería. Permite anticipar complicaciones, al identificar de manera temprana a los pacientes con mayor probabilidad de desarrollar infecciones. Contribuye a la toma de decisiones basadas en datos, apoyando protocolos de vigilancia, higiene y cuidado del catéter. Mejora la seguridad del paciente, al reducir tasas de infección, estancia hospitalaria y costos asociados. Favorece una enfermería más proactiva y preventiva, integrando tecnología en la atención diaria.
Referencias
Rajkomar, A., Dean, J., & Kohane, I. (2019). Machine learning in medicine. NEJM, 380(14), 1347–1358.Sendak, M. P., et al. (2020). The human side of ML in health care. NPJ Digital Medicine, 3(1).
Tus contenidos gustan, pero solo enganchan si son interactivos. Capta la atención de tu público con una fotografía o ilustración interactiva.
Tus contenidos gustan, pero solo enganchan si son interactivos. Capta la atención de tu público con una fotografía o ilustración interactiva.
Tus contenidos gustan, pero solo enganchan si son interactivos. Capta la atención de tu público con una fotografía o ilustración interactiva.
Tus contenidos gustan, pero solo enganchan si son interactivos. Capta la atención de tu público con una fotografía o ilustración interactiva.
Tus contenidos gustan, pero solo enganchan si son interactivos. Capta la atención de tu público con una fotografía o ilustración interactiva.
Tus contenidos gustan, pero solo enganchan si son interactivos. Capta la atención de tu público con una fotografía o ilustración interactiva.