TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje-...
Transcript of TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje-...
![Page 1: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/1.jpg)
TÉCNICAS DE
APRENDIZAJE MÁQUINA
PARA EL PROCESAMIENTO
DE DATOS EN MEDICINA
INTENSIVA
Joaquín Álvarez Rodríguez
Jefe de Servicio de Medicina Intensiva
Hospital Universitario de Fuenlabrada. Madrid
![Page 2: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/2.jpg)
![Page 3: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/3.jpg)
INTELIGENCIA ARTIFICIAL
Capacidad de un sistema para interpretar correctamente datos externos, para aprender de dichos datos y emplear esos conocimientos para lograr tareas y metas concretas a través de la adaptación flexible (Kaplan and Haenlein):
Big data
Minería de datos
Aprendizaje máquina o aprendizaje automático
![Page 4: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/4.jpg)
BIG DATA
Cantidad voluminosa de datos estructurados,
semiestructurados y no estructurados que tienen
el potencial de ser extraídos para obtener
información.
Volumen extremo
Variedad de fuentes
Velocidad a la que se obtienen y procesan
Veracidad de los datos
![Page 5: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/5.jpg)
MINERÍA DE DATOS
Minería de datos (data mining): extracción de información de un conjunto de datos y su transformación en información comprensible para su uso.
![Page 6: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/6.jpg)
APRENDIZAJE MÁQUINA
Aprendizaje máquina
(machine learning):
conjunto de herramientas
que obtienen algoritmos
que hacen posible el
aprendizaje.
![Page 7: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/7.jpg)
APRENDIZAJE MÁQUINA
Métodos supervisados: descubre relaciones
entre las variables de interés para uno o más
resultados. El resultado es conocido.
![Page 8: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/8.jpg)
APRENDIZAJE MÁQUINA
Métodos no supervisados: descubre patrones o
agrupamiento entre los datos sin conocer el
resultado.
![Page 9: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/9.jpg)
APRENDIZAJE MÁQUINA
Aprendizaje profundo (deep learning): Algoritmos de
aprendizaje automático, supervisado o no supervisado,
diseñados para extraer características de los datos y
representar la información en un orden jerárquico de
complejidad creciente llamados capas o nodos (neuronas).
![Page 10: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/10.jpg)
![Page 11: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/11.jpg)
MIS DATOS
70-80%
Training
30-20%
Test
MODELO
PROCESAMIENTO DE DATOS
![Page 12: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/12.jpg)
LÍNEAS DE TRABAJO EN APRENDIZAJE
MÁQUINA EN LA UCI DEL HUF
Predicción de pacientes en riesgo en planta
RGI
HITACHI America 2018 y 2019
IBM & Cognitive Experts
URJC – Departamento de Teoría de la Señal y
Comunicaciones y Sistemas Telemáticos y Computación
Predicción de la aparición de gérmenes
multirresistentes en la UCI
![Page 13: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/13.jpg)
PREDICCIÓN DE PACIENTES EN RIESGO
![Page 14: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/14.jpg)
AI PREDICTION OF CLINICAL DETERIORATION
PROOF OF CONCEPT (POC) - FINAL REPORT
HEALTHCARE ANALYTICS TEAM
Hitachi R&D (CSI-NA),
Hitachi America, Ltd.
15th Jun 2018
![Page 15: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/15.jpg)
![Page 16: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/16.jpg)
METHODS: USING AI TO FIND THE SIGNAL IN THE DATA
Extract Features
Population: positive cases
Population: negative cases
ClassifierLearned model
Predicted scores
New data
Patient demographics
Admissions, discharges, and transfers
Fluids in/out
Vital signs
Lab tests
Medication orders and administration
Diagnoses
Procedures
Medications on administration
Original data
• ~500 features were extracted
• The classifier selects a subset of features for the model
• The top ~50 features selected contains most of the
signal
![Page 17: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/17.jpg)
Selected Features
Labs
• Most recent value of each test – original & age-adjusted
• Count of each test since admission & in the past x days
• Avg/min/max of values over the above time windows
RFM (recency, frequency, monetary)
• Days since last discharge
• Number of admissions in the past week, …, past 2 years
• Count of labs over the above time windows
• Trend of number of lab orders
Demographics & Utilization
• Gender
• Age
• Number of previous admissions
• Previous LOS
• Previous discharge disposition
Medications administered
• Whether each ATC4 was administered in the past x days
Service codes
• At admission & most recent value
Fluids in/out and vital signs
• Most recent value
• Presence of wound drain and CVP
• Count and average value in the past x days
• Trend of fluid balance and urine output
Past diagnoses/comorbidities
• Modified Charlson and Elixhauser index
![Page 18: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/18.jpg)
Recall
Population = all hospital admissions, excluding neonatal
Target ICU = the first ICU transfer from a bed that is not an operating room or recovery bed
For each admission
Use learned model to compute scores at selected timestamps with new patient data
Select a score cutoff
Raise a flag if a score exceeds the cutoff
Calculate metrics at the admission level:
AUC, sensitivity, specificity
For true positives, advance warning = time between the first flag and the target
PREDICTION TARGET & EVALUATION APPROACH
![Page 19: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/19.jpg)
Hitachi AI Process: Signal (features) Model (HUF) Calibrate (HIL, HHE) Executable (Object Code)
Performance metrics are averaged across 3 hospitals
Mean Sensitivity (true positive rate): 81%TPR = TP/(TP + FN)
Mean Specificity (true negative rate): 75%TNR = TN/(TN + FP)
HITACHI MODEL FOR PREDICTING CLINICAL DETERIORATION
Seems like we’ve extracted a good signal, and also created an AI
model with good tradeoff flexibility…
![Page 20: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/20.jpg)
Hitachi Model:
Good performance
Tunable with good tradeoff possibilities Sensitivity vs Specificity
Alerts per day (about 10 unique patient alerts per day per hospital)
HITACHI MODEL PERFORMANCE – AVERAGED ACROSS 3 HOSPITALS
RBS
MAM
Hitachi
(HUF)
MEWS
Next, let’s see how the model performs with each of the three
hospitals…
![Page 21: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/21.jpg)
RESULTS SUMMARY
Goals:
SoW: Find and extract a signal from the data (done)
SoW: Perform better than rule-based systems (done)
Internal: Flexible with performance metric trade-offs possible (done)
Internal: AUC > 0.75 (done… latest results indicate 0.86)
![Page 22: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/22.jpg)
PREDICTION TARGET & EVALUATION APPROACH
![Page 23: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/23.jpg)
Time to target ICU transfer
HUF HIL HHE
1 2 3 4 5 6 7 8-14 >14 1 2 3 4 5 6 7 8-14 >14 1 2 3 4 5 6 7 8-14 >14
0%
20%
40%
60%
Days from admission to ICU transfer
Perc
enta
ge o
f adm
issio
ns
When ICU transfers happen,• For Hospitals 1 & 2, ~20% are within 1 day; ~67% within 1 week• For Hospital 3, 62% are within 1 day; ~85% within 1 week
![Page 24: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/24.jpg)
Results on sensitivity and advance warning
For both kinds of ICU transfers, the model is more sensitive.
We look at ICU transfers within 1 day and after 1 day separately
For ICU transfers after 1 day, the model detects earlier.The median advance warning is 3.6 days vs 2.9 days
Distribution of advance warning for ICU transfers after 1 dayHUF HIL HHE
< 1 day >= 1 day < 1 day >= 1 day < 1 day >= 1 day
0%
25%
50%
75%
Days to ICU transfer
Sensiti
vity Method
model
benchmark 3.43.6 3.85.1
1.5
2.8
HUF HIL HHE
model benchmark model benchmark model benchmark
0.1
10.0
Advance w
arn
ing (
days)
![Page 25: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/25.jpg)
AI PREDICTION OF CLINICAL DETERIORATION
PROOF OF CONCEPT (POC) - FINAL REPORT
HEALTHCARE ANALYTICS TEAM
Hitachi R&D (CSI-NA),
Hitachi America, Ltd.
15th Jun 2018
![Page 26: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/26.jpg)
Departamento de Teoría de la Señal
y Comunicaciones y Sistemas
Telemáticos y Computación
![Page 27: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/27.jpg)
LÍNEAS DE TRABAJO EN APRENDIZAJE
MÁQUINA EN LA UCI DEL HUF
Predicción de pacientes en riesgo en planta
URJC – Departamento de Teoría de la Señal y
Comunicaciones y Sistemas Telemáticos y Computación
IBM & Cognitive Experts
Predicción de la aparición de gérmenes
multirresistentes en la UCI
![Page 28: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/28.jpg)
![Page 29: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/29.jpg)
NLP Procesamiento del lenguaje natural en las notas
clínicas evolutivas de los pacientes.
Hipótesis: las valoraciones de médicos y
enfermeras que se recogen en las notas clínicas
van por delante del deterioro manifiesto del
paciente
![Page 30: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/30.jpg)
Signos vitales
Expediente 1
Expediente M
...
Varia
ble
Méd
ica N
Varia
ble
Méd
ica 1
...
Ingre
so U
CI? S
I/NO
Base de entrenamiento
MLPEnriquecemiento
Extracción
Analítica/WIFI Variables Inferidas HIS
Medical Language Processing
Aprendizaje
Train
Eval
Modelo
ML
Modelo
ML
Predicción
Ap
ren
diz
aje
Su
perv
isad
o: L
abel
ALARMAS
UCI
Serie
Temporal
Histórica
Envío
Laboratorio
Expedientes y
Notas Médicas
HIS
![Page 31: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/31.jpg)
LÍNEAS DE TRABAJO EN APRENDIZAJE
AUTOMÁTICO EN LA UCI
Predicción de la aparición de gérmenes multirresistentes en la UCI
URJC – Departamento de Teoría de la Señal y Comunicaciones y Sistemas Telemáticos y Computación
2 TFG presentados y 2 en curso
3 presentaciones en congresos
4 solicitudes de ayudas presentadas:
KLINILYCS
MAPPING-UCI
APRENDIZ
Acciones Estratégicas en Salud del ISCIII
![Page 32: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/32.jpg)
KLINILYCS
Extracción de Conocimiento para Predicción de la
Evolución Clínica usando Análisis de Datos
Proyectos RETOS. Convocatoria 2016.
Ministerio de Economía y Competividad
Aprendizaje automático
![Page 33: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/33.jpg)
AES-2019
Predicción de Multirresistencia Antibiótica en
Pacientes Críticos Utilizando Aprendizaje
Automático y Optimización Robusta sobre Grafos
Proyectos de Desarrollo Tecnológico en Salud 2019
Ministerio de Ciencia, Innovación y Universidades
Aprendizaje automático y grafos
![Page 34: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/34.jpg)
MAPPING-UCI
Métodos de Aprendizaje Automático para
Predecir Infecciones por Gérmenes
Multirresistentes en la Unidad de Cuidados
Intensivos
Proyectos I+D de GENERACIÓN DE CONOCIMIENTO
Ministerio de Ciencia, Innovación y Universidades
Métodos de aprendizaje automático basado en
núcleos y aprendizaje profundo
![Page 35: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/35.jpg)
![Page 36: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/36.jpg)
![Page 37: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/37.jpg)
![Page 38: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/38.jpg)
![Page 39: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/39.jpg)
![Page 40: TÉCNICAS DE APRENDIZAJE MÁQUINA PARA EL … › Library › Content › Tecnicas de aprendizaje- Drager.pdfAPRENDIZAJE MÁQUINA PARA EL PROCESAMIENTO DE DATOS EN MEDICINA INTENSIVA](https://reader033.fdocuments.mx/reader033/viewer/2022060410/5f106acc7e708231d44901d0/html5/thumbnails/40.jpg)
TÉCNICAS DE
APRENDIZAJE MÁQUINA
PARA EL PROCESAMIENTO
DE DATOS EN MEDICINA
INTENSIVA
Joaquín Álvarez Rodríguez
Jefe de Servicio de Medicina Intensiva
Hospital Universitario de Fuenlabrada. Madrid