https://manglar.uninorte.edu.co:443 El repositorio digital DSpace captura, almacena, indexa, preserva y distribuye materiales de investigación en formato digital. Wed, 17 Jun 2026 22:31:28 GMT 2026-06-17T22:31:28Z http://hdl.handle.net/10584/14148 ¿Cómo están los principales indicadores de salud mental en jóvenes de educación superior en Colombia? Estudio Salud Mental Lemos Hoyos, Mariantonia; Cárdenas Niño, Lucila; Arango Bustamante, María Salomé; Marulanda León, Marisol Zulay; Sepúlveda Ramírez, María Camila; Pino Villegas, Arley; Bruges Martínez, Loraine Stephany; Chamorro Coneo, Ana María; González Saavedra, Diana; Galindo Becerra, Tatiana; Sáenz Nicholls, Felipe; Cuadros Parada, Ivette Zamara; Céspedes Guevara, Julián; Sánchez, José Eduardo Tue, 16 Jun 2026 00:00:00 GMT http://hdl.handle.net/10584/14148 2026-06-16T00:00:00Z http://hdl.handle.net/10584/14147 Variantes genéticas y marcadores de severidad en cáncer de mama: prueba de concepto para la identificación, caracterización y estratificación de riesgo en mujeres del Área Metropolitana de Barranquilla, Atlántico Martínez Olivares, Lilibeth El cáncer de mama constituye una entidad clínicamente heterogénea, en la cual la severidad clínica al momento del diagnóstico refleja la interacción compleja de factores clínico-epidemiológicos y patológicos. En contextos de ingresos medios, como América Latina, la limitada disponibilidad de información integrada y de enfoques analíticos contextualizados ha dificultado la caracterización sistemática de esta heterogeneidad y el desarrollo de modelos de estratificación de riesgo adaptados a poblaciones locales. En este marco, la presente tesis aborda la necesidad de representar y analizar la severidad clínica basal del cáncer de mama desde una perspectiva multidimensional y metodológicamente rigurosa. El objetivo general fue evaluar factores clínico-epidemiológicos y patológicos asociados a la severidad clínica basal del cáncer de mama, desarrollar modelos de aprendizaje automático con fines exploratorios para estimar la probabilidad de severidad clínica y diseñar una prueba de concepto orientada a la estratificación de riesgo en mujeres del área metropolitana de Barranquilla, Atlántico, estableciendo una ruta metodológica para la futura incorporación de información genómica. Se realizó un estudio observacional analítico de base transversal en una cohorte de 482 mujeres con diagnóstico de cáncer de mama, utilizando información clínica, sociodemográfica, patológica, inmunohistoquímica y terapéutica disponible al momento del diagnóstico. En una primera fase se efectuó una caracterización clínica multidimensional de la cohorte. Posteriormente, se aplicaron métodos de clustering no supervisado para identificar perfiles latentes de severidad clínica basal. En una tercera etapa, se desarrollaron modelos supervisados para estimar de forma probabilística la severidad clínica, entendidos como herramientas predictivas exploratorias y no causales. Finalmente, se diseñó una prueba de concepto metodológica para un modelo integrador y escalable de estratificación de riesgo, concebido para incorporar en fases futuras información genómica y componentes ancestrales, sin generar resultados genéticos en la presente investigación. En conjunto, la tesis evidencia la marcada heterogeneidad clínica y patológica de la cohorte y la factibilidad metodológica de integrar múltiples dominios de información para representar la severidad clínica basal del cáncer de mama. Este trabajo aporta un marco analítico integrador y contextualizado, que sienta las bases metodológicas para el desarrollo futuro de estrategias de estratificación de riesgo adaptadas a poblaciones latinoamericanas y contribuye al fortalecimiento de la investigación traslacional en oncología. Thu, 01 Jan 2026 00:00:00 GMT http://hdl.handle.net/10584/14147 2026-01-01T00:00:00Z http://hdl.handle.net/10584/14146 CardIAc: Diseño de una solución basada en IA para la caracterización y análisis de enfermedades cardiovasculares en pacientes clínicos; CardIAc: Development of an AI-based solution for the characterization and analysis of cardiovascular diseases in clinical patients Estrada, Wilson; Yepes, Manuel; Rada, Efrain Las enfermedades cardiovasculares constituyen una de las principales causas de mortalidad a nivel global, con especial impacto en países en vía de desarrollo. Este informe presenta el diseño y desarrollo de CardIAc, el prototipo de una solución de ingeniería de datos basada en inteligencia artificial orientada a la caracterización y análisis de enfermedades cardiovasculares. El prototipo integra una arquitectura medallón implementada en Azure Databricks con procesos ETL orquestados mediante Lakeflow Jobs, un modelo predictivo XGBoost optimizado mediante ajuste de hiperparámetros, y una aplicación web desarrollada en React y Node.js con TypeScript. El modelo final alcanzó un ROC-AUC de 0.7997, un Recall de 77.54% y un F1-Score de 73.64%, priorizando la reducción de falsos negativos dada la naturaleza clínica del problema. El análisis de importancia de variables identificó la presión arterial sistólica como el factor predictivo más relevante, seguido del colesterol, la presión diastólica y la edad. La arquitectura propuesta es reproducible, escalable y adaptable a distintas instituciones médicas, contribuyendo a la toma de decisiones clínicas más oportunas e informadas.; Cardiovascular diseases are among the leading causes of mortality worldwide, with a particularly significant impact in developing countries. This report presents the design and development of CardIAc, a prototype data engineering solution based on artificial intelligence for the characterization and analysis of cardiovascular diseases. The prototype integrates a medallion architecture implemented in Azure Databricks with ETL processes orchestrated through Lakeflow Jobs, an XGBoost predictive model optimized via hyperparameter tuning, and a web application developed using React, Node.js, and TypeScript. The final model achieved a ROC-AUC of 0.7997, a Recall of 77.54%, and an F1-Score of 73.64%, prioritizing the reduction of false negatives due to the clinical nature of the problem. Variable importance analysis identified systolic blood pressure as the most relevant predictive factor, followed by cholesterol levels, diastolic blood pressure, and age. The proposed architecture is reproducible, scalable, and adaptable to different healthcare institutions, contributing to more timely and informed clinical decision-making. Sat, 06 Jun 2026 00:00:00 GMT http://hdl.handle.net/10584/14146 2026-06-06T00:00:00Z http://hdl.handle.net/10584/14144 Predicción temprana de huracanes utilizando aprendizaje automático y datos de IBTrACS; Early hurricane prediction using machine learning and ibtracs data Rodríguez, Aaron; Meza, David; Noriega, Edinson; Maestre, Juan Los huracanes son fenómenos meteorológicos altamente destructivos que generan importantes pérdidas humanas y económicas. Predecir su intensidad con antelación es un desafío debido a la complejidad de los factores atmosféricos, oceánicos y geográficos involucrados. Este proyecto propone un modelo de aprendizaje automático basado en Random Forest para predecir la intensidad de los huracanes utilizando datos históricos del conjunto IBTrACS. Se siguió el enfoque CRISP-ML(Q), que abarca todas las etapas, desde la comprensión del problema hasta la implementación del modelo. Tras analizar 18.354 observaciones históricas y aplicar un riguroso proceso de depuración, se utilizaron 2.638 registros completos para el entrenamiento. Las variables más relevantes incluyen el estado del huracán, los radios de viento de 64 nudos y las coordenadas geográficas. La solución incluye módulos de análisis, procesamiento, modelado y visualización, así como una plataforma web interactiva que clasifica la intensidad de los huracanes según la escala Saffir-Simpson. También se desarrolló un panel de control en Looker Studio para visualizar patrones geoespaciales históricos. Los resultados demuestran el potencial del aprendizaje automático para mejorar los sistemas de alerta temprana y la gestión del riesgo de huracanes.; Hurricanes are highly destructive meteorological phenomena that cause significant human and economic losses. Predicting their intensity in advance is a challenge due to the complexity of the atmospheric, oceanic, and geographic factors involved. This project proposes a machine learning model based on Random Forest to predict hurricane intensity using historical data from the IBTrACS dataset. The CRISP-ML(Q) methodology was followed, covering all stages from problem understanding to model deployment. After analyzing 18,354 historical observations and applying a rigorous data-cleaning process, 2,638 complete records were used for training. The most relevant variables include hurricane status, 64-knot wind radii, and geographic coordinates. The solution includes analysis, processing, modeling, and visualization modules, as well as an interactive web platform that classifies hurricane intensity according to the Saffir-Simpson scale. A dashboard was also developed in Looker Studio to visualize historical geospatial patterns. The results demonstrate the potential of machine learning to enhance early warning systems and hurricane risk management. Sat, 31 May 2025 00:00:00 GMT http://hdl.handle.net/10584/14144 2025-05-31T00:00:00Z