Difference between revisions of "Dataton"
| Line 1: | Line 1: | ||
= Dataton = | = Dataton = | ||
| + | == Dataton URJC 2018: Predicción de hígado graso no alcohólico == | ||
| + | La '''Enfermedad Hepática del Hígado Graso No Alcohólico''' se refiere a una de acumulación de grasa en las células hepáticas cuyo origen no es el consumo excesivo de alcohol. Esta enfermedad tiene una prevalencia de más del 30% en los países desarrollados. De esta forma se convierte en la enfermedad hepática más común del mundo [1]. Esta enfermedad puede avanzar, en su forma más grave, hacia cirrosis e insuficiencia hepática [2]. | ||
| + | |||
| + | El enlace a la competición está disponible [https://www.kaggle.com/c/dataton-urjc-2018 link aquí]. | ||
| + | |||
| + | === Objetivo de la competición === | ||
| + | El objetivo principal de la competición es ser capaz de predecir la '''Enfermedad Hepática del Hígado Graso No Alcohólico''' utilizando un conjunto de variables que caracterizan a cada paciente: variables demográficas, peso, talla, y un conjunto de variables clínicas. El objetivo final es predecir si el paciente posee la enfermedad (1) o no la posee (0). | ||
| + | |||
| + | En última instancia, el objetivo sería identificar factores que influyen decididamente en el desarrollo de la enfermedad. | ||
| + | |||
| + | === Referencias === | ||
| + | [1]. Briohny W. Smith & Leon A. Adams. "Review Article.Non-alcoholic fatty liver disease". Critical Reviews in Clinical Laboratory Sciences. Vol 48(3):97-113. 2011 | ||
| + | |||
| + | [2]. [https://www.mayoclinic.org/es-es/diseases-conditions/nonalcoholic-fatty-liver-disease/symptoms-causes/syc-20354567 Enfermedad hepática del hígado graso no alcohólico. Clínica Mayo]. | ||
| + | |||
| + | === Agradecimientos === | ||
| + | Agradecemos al Hospital Universitario de Móstoles su colaboración en la recopilación y adecuación de los datos para la competición. | ||
| + | |||
| + | |||
== Dataton URJC 2017: Predicción de la mortalidad en accidentes de tráfico == | == Dataton URJC 2017: Predicción de la mortalidad en accidentes de tráfico == | ||
La prevención de los accidentes de tráfico supone uno de los mayores retos de los gobiernos, y la sociedad, debido al alto coste humano y económico asociado. Las técnicas de análisis de datos y aprendizaje máquina (data analysis and machine learning) nos ofrecen una oportunidad única para analizar, entender y, en última instancia, predecir accidentes. En este contexto, los datos recopilados de accidentes pasados permiten analizar en detalle los principales factores involucrados. Sin embargo, debido a diferentes factores, el análisis de dichos datos y su utilización para futuras predicciones supone un verdadero reto desde el punto de vista de data analysis. | La prevención de los accidentes de tráfico supone uno de los mayores retos de los gobiernos, y la sociedad, debido al alto coste humano y económico asociado. Las técnicas de análisis de datos y aprendizaje máquina (data analysis and machine learning) nos ofrecen una oportunidad única para analizar, entender y, en última instancia, predecir accidentes. En este contexto, los datos recopilados de accidentes pasados permiten analizar en detalle los principales factores involucrados. Sin embargo, debido a diferentes factores, el análisis de dichos datos y su utilización para futuras predicciones supone un verdadero reto desde el punto de vista de data analysis. | ||
| Line 18: | Line 37: | ||
Agradecemos la amable contribución de la Dirección General de Obras Públicas of the Consellería de Infraestructuras y Transporte (Generalitat Valenciana) por proporcionar los datos de accidentalidad y resolver todas nuestras dudas. | Agradecemos la amable contribución de la Dirección General de Obras Públicas of the Consellería de Infraestructuras y Transporte (Generalitat Valenciana) por proporcionar los datos de accidentalidad y resolver todas nuestras dudas. | ||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
= Jornadas sobre Cronicidad = | = Jornadas sobre Cronicidad = | ||
Revision as of 12:26, 15 October 2018
Contents
Dataton[edit]
Dataton URJC 2018: Predicción de hígado graso no alcohólico[edit]
La Enfermedad Hepática del Hígado Graso No Alcohólico se refiere a una de acumulación de grasa en las células hepáticas cuyo origen no es el consumo excesivo de alcohol. Esta enfermedad tiene una prevalencia de más del 30% en los países desarrollados. De esta forma se convierte en la enfermedad hepática más común del mundo [1]. Esta enfermedad puede avanzar, en su forma más grave, hacia cirrosis e insuficiencia hepática [2].
El enlace a la competición está disponible link aquí.
Objetivo de la competición[edit]
El objetivo principal de la competición es ser capaz de predecir la Enfermedad Hepática del Hígado Graso No Alcohólico utilizando un conjunto de variables que caracterizan a cada paciente: variables demográficas, peso, talla, y un conjunto de variables clínicas. El objetivo final es predecir si el paciente posee la enfermedad (1) o no la posee (0).
En última instancia, el objetivo sería identificar factores que influyen decididamente en el desarrollo de la enfermedad.
Referencias[edit]
[1]. Briohny W. Smith & Leon A. Adams. "Review Article.Non-alcoholic fatty liver disease". Critical Reviews in Clinical Laboratory Sciences. Vol 48(3):97-113. 2011
[2]. Enfermedad hepática del hígado graso no alcohólico. Clínica Mayo.
Agradecimientos[edit]
Agradecemos al Hospital Universitario de Móstoles su colaboración en la recopilación y adecuación de los datos para la competición.
Dataton URJC 2017: Predicción de la mortalidad en accidentes de tráfico[edit]
La prevención de los accidentes de tráfico supone uno de los mayores retos de los gobiernos, y la sociedad, debido al alto coste humano y económico asociado. Las técnicas de análisis de datos y aprendizaje máquina (data analysis and machine learning) nos ofrecen una oportunidad única para analizar, entender y, en última instancia, predecir accidentes. En este contexto, los datos recopilados de accidentes pasados permiten analizar en detalle los principales factores involucrados. Sin embargo, debido a diferentes factores, el análisis de dichos datos y su utilización para futuras predicciones supone un verdadero reto desde el punto de vista de data analysis.
En primer lugar, las bases de datos son muy grandes y heterogéneas. Los datos son registrados de forma manual, por lo que son propensos a errores o valores inadecuados [1].
El enlace a la competición está disponible link aquí.
Objetivo de la competición[edit]
El objetivo de la competición es predecir la gravedad de un accidente a partir de los datos sobre dicho accidente, recopilados por las autoridades siguiendo un formulario detallado.
La gravedad del accidente se clasifica como 0, cuando no ha habido muertes ni heridos de ningún tipo; o como 1, cuando ha habido algún herido o muerte.
Referencias[edit]
[1] Figuera, C., Lillo, J. M., Mora-Jimenez, I., Rojo-Álvarez, J. L., & Caamaño, A. J. (2011, October). Multivariate spatial clustering of traffic accidents for local profiling of risk factors. In Intelligent Transportation Systems (ITSC), 2011 14th International IEEE Conference on (pp. 740-745). IEEE.
Agradecimientos[edit]
Agradecemos la amable contribución de la Dirección General de Obras Públicas of the Consellería de Infraestructuras y Transporte (Generalitat Valenciana) por proporcionar los datos de accidentalidad y resolver todas nuestras dudas.
Jornadas sobre Cronicidad[edit]
I Jornadas sobre "Cronicidad: un reto a resolver desde el análisis de datos"[edit]
Este evento quiere ser, sobre todo, un punto de encuentro multidisciplinar que incolucre a numerosos expertos del sector salud, de manera que puedan aportar una perspectiva clínica, económica y empresarial. De esta forma se podrán sentar las bases de la situación actual de los pacientes crónicos y debatir/definir de forma conjunta las herramientas y próximos pasos para mejorar la calidad de vida de dichos pacientes, así como reducir los costes económicos asociados.
La participación de empresas directamente relacionadas con e-health permitirá abrir el campo de visión de las posibilidades laborales de los estudiantes de los ámbitos de ingeniería y ciencias de la salud.
Justificación de las jornadas: El gasto sanitario público supone casi el 6% del PIB en España, lo que hace del sector salud uno de los más importantes de nuestro sistema socioeconómico. El aumento de la esperanza de vida, unido a la prevalencia de patologías crónicas con la edad (más del 70% de los mayores de 65 años tienen al menos una patología crónica), hace que un volumen importante de los recursos se dedique a la atención a enfermos crónicos. De hecho, se estima que el 80% del gasto sanitario en España está dedicado a pacientes crónicos.
Desde un punto de vista técnico, disponer de herramientas que permitan caracterizar y predecir la evolución del estado de salud de los pacientes crónicos, podrá permitir, por un lado mejorar la calidad de vida de los pacientes, y por otro lado, implementar medidas para realizar una gestión más eficiente de los recursos disponibles.
