Herramienta para predecir el riesgo por exposición a radiaciones ionizantes en trabajadores del sector de la salud utilizando técnicas de Machine Learning

Exposure 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 radiatio...

Full description

Saved in:

Bibliographic Details
Main Author:	Rincón Arévalo, Guido Marcelo
Other Authors:	Sánchez Camargo, Claudia Liliana
Format:	Tesis y disertaciones (Maestría y/o Doctorado)
Language:	spa
Published:	Universidad Antonio Nariño 2022
Subjects:	Predicción Riesgo Exposición Radiación Ionizante Salud Aprendizaje automático 600 Prediction Risk Radiation Exposure Ionizing Health Machine learning
Online Access:	http://repositorio.uan.edu.co/handle/123456789/6616
Tags:	Add Tag No Tags, Be the first to tag this record!

_version_	1812647700885143552
author	Rincón Arévalo, Guido Marcelo
author2	Sánchez Camargo, Claudia Liliana
author_facet	Sánchez Camargo, Claudia Liliana Rincón Arévalo, Guido Marcelo
author_sort	Rincón Arévalo, Guido Marcelo
collection	DSpace
description	Exposure 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.
format	Tesis y disertaciones (Maestría y/o Doctorado)
id	repositorio.uan.edu.co-123456789-6616
institution	Repositorio Digital UAN
language	spa
publishDate	2022
publisher	Universidad Antonio Nariño
record_format	dspace
spelling	repositorio.uan.edu.co-123456789-66162024-10-09T23:00:03Z Herramienta para predecir el riesgo por exposición a radiaciones ionizantes en trabajadores del sector de la salud utilizando técnicas de Machine Learning Rincón Arévalo, Guido Marcelo Sánchez Camargo, Claudia Liliana Rodríguez Suarez, César Augusto Predicción Riesgo Exposición Radiación Ionizante Salud Aprendizaje automático 600 Prediction Risk Radiation Exposure Ionizing Health Machine learning Exposure 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. La 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. Doctor(a) en Ciencia Aplicada Doctorado Presencial Investigación 2022-05-21T13:29:43Z 2022-05-21T13:29:43Z 2021-12-01 Tesis y disertaciones (Maestría y/o Doctorado) info:eu-repo/semantics/acceptedVersion http://purl.org/coar/resource_type/c_db06 http://purl.org/coar/version/c_970fb48d4fbd8a85 Tesis/Trabajo de grado - Monografía - Doctorado http://repositorio.uan.edu.co/handle/123456789/6616 Aguirre 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=10633610 Altshuller, G. (1999). The Innovation Algorithm: TRIZ, Systematic Innovation and Technical Creativity. In Technical Innovation Center, INC. ARL-SURA. (2017). Metodología ARL SURA para la identificación de peligros, evaluación y valoración de riesgos. Badel, 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.2017.10.008 Barrientos, 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. Battineni, 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/jpm10020021 Bazyka, 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.0000000000000868 Beauchamp, T., & Childress, J. (2012). Principles of Biomedical Ethics (7th ed.). Oxford University Press. Bernard, M. (2018). The Key Definitions of Artificial Intelligence (AI) That Explain Its Importance. Forbes. Biau, G., & Fr, G. B. (2012). Analysis of a Random Forests Model. Journal of Machine Learning Research, 13, 1063–1095. instname:Universidad Antonio Nariño reponame:Repositorio Institucional UAN repourl:https://repositorio.uan.edu.co/ spa Acceso abierto Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) https://creativecommons.org/licenses/by-nc-nd/4.0/ info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 application/pdf application/pdf application/pdf Universidad Antonio Nariño Doctorado en Ciencia Aplicada Doctorado en Ciencia Aplicada Bogotá - Circunvalar
spellingShingle	Predicción Riesgo Exposición Radiación Ionizante Salud Aprendizaje automático 600 Prediction Risk Radiation Exposure Ionizing Health Machine learning Rincón Arévalo, Guido Marcelo Herramienta para predecir el riesgo por exposición a radiaciones ionizantes en trabajadores del sector de la salud utilizando técnicas de Machine Learning
title	Herramienta para predecir el riesgo por exposición a radiaciones ionizantes en trabajadores del sector de la salud utilizando técnicas de Machine Learning
title_full	Herramienta para predecir el riesgo por exposición a radiaciones ionizantes en trabajadores del sector de la salud utilizando técnicas de Machine Learning
title_fullStr	Herramienta para predecir el riesgo por exposición a radiaciones ionizantes en trabajadores del sector de la salud utilizando técnicas de Machine Learning
title_full_unstemmed	Herramienta para predecir el riesgo por exposición a radiaciones ionizantes en trabajadores del sector de la salud utilizando técnicas de Machine Learning
title_short	Herramienta para predecir el riesgo por exposición a radiaciones ionizantes en trabajadores del sector de la salud utilizando técnicas de Machine Learning
title_sort	herramienta para predecir el riesgo por exposicion a radiaciones ionizantes en trabajadores del sector de la salud utilizando tecnicas de machine learning
topic	Predicción Riesgo Exposición Radiación Ionizante Salud Aprendizaje automático 600 Prediction Risk Radiation Exposure Ionizing Health Machine learning
url	http://repositorio.uan.edu.co/handle/123456789/6616
work_keys_str_mv	AT rinconarevaloguidomarcelo herramientaparapredecirelriesgoporexposicionaradiacionesionizantesentrabajadoresdelsectordelasaludutilizandotecnicasdemachinelearning