Por favor, use este identificador para citar o enlazar este ítem: http://repositorio.uan.edu.co/handle/123456789/6616
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorSánchez Camargo, Claudia Liliana-
dc.contributor.advisorRodríguez Suarez, César Augusto-
dc.creatorRincón Arévalo, Guido Marcelo-
dc.date.accessioned2022-05-21T13:29:43Z-
dc.date.available2022-05-21T13:29:43Z-
dc.date.created2021-12-01-
dc.identifier.urihttp://repositorio.uan.edu.co/handle/123456789/6616-
dc.description.abstractExposure to ionizing radiation induces biological changes that can trigger high-cost or catastrophic diseases in those who handle them, these changes are not immediate, they can take time to appear and additionally these diseases have diverse factors, however, the quantification of ionizing radiation, hazard analysis and radiation weighting manage to categorize risks and prevent them from materializing. Health institutions must comply with scattered radiation measures that can be absorbed by workers while performing the medical act or in the environment where they perform their functions. These measurements are made with equipment such as dosimeters to have a monthly surveillance and to know the exposure values of the workers. This research uses the results of the measurement of the worker and the work environment and performs a risk categorization with the results obtained from health institutions. With the use of Machine Learning, the risk of absorbed and dispersed radiation in the work environment is weighted and with these values it is possible to design a tool that allows knowing and predicting the risk of exposure in which a worker is occupationally exposed.es_ES
dc.description.tableofcontentsLa exposición a la radiación ionizante induce cambios biológicos que pueden desencadenar en enfermedades de alto costo o catastróficas en quien las manipula, estos cambios no son inmediatos, pueden tardar tiempo en aparecer, sin embargo, la cuantificación de la radiación ionizante, análisis de peligros y la ponderación del riesgo logran categorizarlos y evitar que puedan ser materializados. Las instituciones de salud deben cumplir con mediciones de radiación dispersa que pueden ser absorbidas por los trabajadores mientras realizan el acto médico o en el ambiente donde desarrollan sus funciones. Estas mediciones se realizan con equipos como los dosímetros para tener una vigilancia mensual y conocer valores de exposición de los trabajadores. Esta investigación utiliza los resultados de la medición del trabajador y del ambiente laboral y realiza una categorización del riesgo con los resultados obtenidos de las instituciones de salud. Con el uso de Machine Learning se realiza la ponderación del riesgo (predicción) de la radiación absorbida y la dispersa en el ambiente laboral y utilizando estos valores se logra diseñar una herramienta que permite conocer y predecir el riesgo de exposición en el que se encuentra un trabajador ocupacionalmente expuesto.es_ES
dc.language.isospaes_ES
dc.publisherUniversidad Antonio Nariñoes_ES
dc.sourceinstname:Universidad Antonio Nariñoes_ES
dc.sourcereponame:Repositorio Institucional UANes_ES
dc.sourceinstname:Universidad Antonio Nariñoes_ES
dc.sourcereponame:Repositorio Institucional UANes_ES
dc.subjectPredicciónes_ES
dc.subjectRiesgoes_ES
dc.subjectExposiciónes_ES
dc.subjectRadiaciónes_ES
dc.subjectIonizantees_ES
dc.subjectSaludes_ES
dc.subjectAprendizaje automáticoes_ES
dc.subject.ddc600es_ES
dc.titleHerramienta para predecir el riesgo por exposición a radiaciones ionizantes en trabajadores del sector de la salud utilizando técnicas de Machine Learninges_ES
dc.typeTesis - Trabajo de grado - Monografia - Doctoradoes_ES
dc.publisher.programDoctorado en Ciencia Aplicadaes_ES
dc.rights.accesRightsopenAccesses_ES
dc.subject.keywordPredictiones_ES
dc.subject.keywordRiskes_ES
dc.subject.keywordRadiationes_ES
dc.subject.keywordExposurees_ES
dc.subject.keywordIonizinges_ES
dc.subject.keywordHealthes_ES
dc.subject.keywordMachine learninges_ES
dc.type.spaTesis y disertaciones (Maestría y/o Doctorado)es_ES
dc.type.hasVersioninfo:eu-repo/semantics/acceptedVersiones_ES
dc.source.bibliographicCitationAguirre Gas, H. (1991). Evaluacion y garantia de la calidad de la atencion medica. Salud Publica de Mexico, 33(6), 623–629. http://www.redalyc.org/articulo.oa?id=10633610es_ES
dc.source.bibliographicCitationAltshuller, G. (1999). The Innovation Algorithm: TRIZ, Systematic Innovation and Technical Creativity. In Technical Innovation Center, INC.es_ES
dc.source.bibliographicCitationARL-SURA. (2017). Metodología ARL SURA para la identificación de peligros, evaluación y valoración de riesgos.es_ES
dc.source.bibliographicCitationBadel, A. E., Rico-Mesa, J. S., Gaviria, M. C., Arango-Isaza, D., & Hernández Chica, C. A. (2018). Radiación ionizante: revisión de tema y recomendaciones para la práctica. Revista Colombiana de Cardiología, 25(3), 222–229. https://doi.org/10.1016/j.rccar.2017.10.008es_ES
dc.source.bibliographicCitationBarrientos, R., Cruz, N., Acosta, H., Rabatte, I., Gogeascoechea, M., Pavón, P., & Blázques, S. (2009). Árboles de decisión como herramienta en el diagnóstico médico. Revista Medica UV, 9(2), 19–24.es_ES
dc.source.bibliographicCitationBattineni, G., Sagaro, G. G., Chinatalapudi, N., & Amenta, F. (2020). Applications of machine learning predictive models in the chronic disease diagnosis. Journal of Personalized Medicine, 10(21), 1–11. https://doi.org/10.3390/jpm10020021es_ES
dc.source.bibliographicCitationBazyka, D., Prysyazhnyuk, A., Gudzenko, N., Dyagil, I., Belyi, D., Chumak, V., & Buzunov, V. (2018). Epidemiology of Late Health Effects in Ukrainian Chornobyl Cleanup Workers. Health Physics, 115(1), 161–169. https://doi.org/10.1097/HP.0000000000000868es_ES
dc.source.bibliographicCitationBeauchamp, T., & Childress, J. (2012). Principles of Biomedical Ethics (7th ed.). Oxford University Press.es_ES
dc.source.bibliographicCitationBernard, M. (2018). The Key Definitions of Artificial Intelligence (AI) That Explain Its Importance. Forbes.es_ES
dc.source.bibliographicCitationBiau, G., & Fr, G. B. (2012). Analysis of a Random Forests Model. Journal of Machine Learning Research, 13, 1063–1095.es_ES
dc.description.degreenameDoctor(a) en Ciencia Aplicadaes_ES
dc.description.degreelevelDoctoradoes_ES
dc.publisher.facultyDoctorado en Ciencia Aplicadaes_ES
dc.audienceEspecializadaes_ES
dc.description.notesPresenciales_ES
dc.creator.cedula13001721269es_ES
dc.publisher.campusBogotá - Circunvalares_ES
dc.description.degreetypeInvestigaciónes_ES
Aparece en las colecciones: Doctorado en Ciencia aplicada

Ficheros en este ítem:
Fichero Tamaño  
2021_GuidoMarceloRincónArévalo.pdf3.68 MBVisualizar/Abrir
2021_GuidoMarceloRincónArévalo_Autorización.pdf
  Restricted Access
802.07 kBVisualizar/Abrir  Request a copy
2021_GuidoMarceloRincónArévalo_Acta.pdf
  Restricted Access
1.56 MBVisualizar/Abrir  Request a copy


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.