Uso de Minería de Datos Para la Determinación de Perfiles Socioeconómicos y Sanitarios en la UNCAus

Abstract

El proyecto PI N° 91, aprobado por Res. N° 332/18 CS, se desarrolla con el fin de obtener información relevante que detecte variables relacionadas con los frecuentes problemas de salud en la ciudad de Presidencia Roque Sáenz Peña (Chaco, Argentina) y su área de influencia, relacionando los pacientes con su hábitat, ecología y salud. Para ello se trabaja con la información proveniente de las actividades curriculares de vinculación comunitaria que la carrera de Medicina de la UNCAus (Universidad Nacional del Chaco Austral) realiza en los distintos barrios de dicha ciudad y su zona de influencia; con dicha información se construye un almacén de datos (data warehouse) que es estudiado con técnicas de minería de datos (data mining), especialmente técnicas de agrupamiento (clusterización) y de árboles de decisión, a los efectos de conseguir los perfiles característicos relacionados con los distintos tipos de diagnósticos; en un principio se buscan modelos descriptivos de minería de datos, para pasar en el futuro a modelos predictivos, lo cual permitiría disponer de conocimiento que permitiría mejorar la toma de decisiones en cuanto a campañas de salud hacia la población de los barrios de la ciudad de P. R. Sáenz Peña.

Project PI N ° 91, approved by Res. N ° 332/18 CS, was developed in order to obtain relevant information that detects variables related to frequent health problems in the city of Presidencia Roque Sáenz Peña (Chaco, Argentina) and its area of influence, relating patients to their habitat, ecology, and health. For this, we work with the information coming from the curricular activities based on the relationship with the community that the Medicine undergraduate degree program of the UNCAus (National University of Chaco Austral) carries out in the different neighborhoods of the said city and its area of influence. With this information, a data warehouse was built and studied with data mining techniques, especially clustering techniques and decision trees, in order to achieve the characteristic profiles related to the different types of diagnosis. Initially, descriptive data mining models was sought and moved on to predictive models in the future. This would result to knowledge that would lead to better decision-making regarding health campaigns towards the population of the neighborhoods of the city of P.R. Sáenz Peña.