Palavras-chave
Factores de riesgo
Ciencia de datos
Desarrollo tecnológico
Colombia
Como Citar
Resumo
Introducción: las enfermedades cardiovasculares son la primera causa de muerte en el mundo. Por tanto, muchas investigaciones han sido dirigidas hacia la predicción del riesgo cardiovascular, con el fin de poder evitarlo. Asimismo, se ha buscado la implementación de sistemas que involucren el análisis de datos automatizados que permita que la información se ponga a disposición, no solo del personal administrativo y directivo, sino también del personal clínico, para mejorar el control de las patologías. Objetivo: construir una herramienta para la caracterización poblacional y la evaluación del riesgo cardiovascular en pacientes del centro-occidente de Colombia. Materiales y métodos: se propone la construcción de una plataforma de análisis de datos sociodemográficos y clínicos. El modelo general de diseño de la plataforma es el desarrollo evolutivo, que entrelaza actividades de especificación, desarrollo y validación. La plataforma presenta un modelo vista-controlador que permite la creación de plantillas dinámicas distribuidas en
módulos de acceso controlados por perfiles de usuario. Resultados: se implementó el cálculo automatizado del riesgo de enfermedad cardiovascular y la emisión de alertas tempranas, lo cual mejoró la gestión de los procesos clínicos, así como el apoyo a la toma de decisiones administrativas, a través de la conformación de dos módulos interactivos en la plataforma. Conclusiones: la unión de saberes clínicos, administrativos y de ingeniería permitió la consolidación de una herramienta que contribuye en el monitoreo y trazabilidad de los pacientes, orientando la priorización de posibles intervenciones que impacten en la salud de estos.
Referências
Organización Mundial de la Salud. Enfermedades cardiovasculares. OMS [Internet]. 2020. Disponible en: https://www.who.int/es/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds)
Mendis S, Puska P, Norrving B. Global atlas on cardiovascular disease prevention and control [Internet]. 1st ed. France. World Health Organization; 2011. Available from: https://apps.who.int/iris/handle/10665/44701
Virani SS, Alonso A, Benjamin EJ, Bittencourt MS, Callaway CW, Carson AP, et al. Heart disease and stroke statistics—2020 Update: A report from the American Heart Association. Circulation. 2020; 141(9): e139–e596. doi: https://doi.org/10.1161/CIR.0000000000000757
Timmis A, Townsend N, Gale CP, Torbica A, Lettino M, Petersen SE, et al. European Society of Cardiology: Cardiovascular Disease Statistics 2019. Eur Heart J. 2020; 41(1): 12–85. doi: https://doi.org/10.1093/eurheartj/ehz859
Organización Panamericana de la Salud. Las ENT de un vistazo: Mortalidad de las enfermedades no transmisibles y prevalencia de sus factores de riesgo en la Región de las Américas. OPS; 2019. Disponible en: https://iris.paho.org/handle/10665.2/51752
Organización Panamericana de la Salud. Enfermedades no transmisibles: hechos y cifras. OPS; 2019. Disponible en: https://iris.paho.org/handle/10665.2/51482
Silverio A, Cavallo P, De Rosa R, Galasso G. Big Health Data and Cardiovascular Diseases: A Challenge for Research, an Opportunity for Clinical Care. Front Med (Lausanne). 2019; 6: 36. doi: https://doi.org/10.3389/fmed.2019.00036
Dawber TR, Moore FE, Mann GV. II. Coronary heart disease in the Framingham study. Int J Epidemiol. 2015; 44(6): 1767–1780. doi: https://doi.org/10.1093/ije/dyv346
O’Donnell CJ, Elosua R. Factores de riesgo cardiovascular. Perspectivas derivadas del Framingham Heart Study. Rev Esp Cardiol. 2008; 61(3): 299–310.
Torres Fernández JP, Gallo Mendoza JG, Hallo Alvear RF, Abcarius JJ, Muriel Páez MH, Fernández Lorenzo A. Gestión de la información como herramienta para la toma de decisiones en salud: escenarios más probables. Revista Cub de Investigaciones Biomédicas. 2017; 36(3): 1–10.
Verduzco Reyes G, Bautista Thompson E, Ruiz Vanoye JA, Fuentes Penna A. Modelos de tecnologías del Big Data Analytics y su aplicación en salud. Rev Pistas Edu. 2017; 128: 1583-1599.
Khedr A, Kholeif S, Saad F. An integrated business intelligence framework for healthcare analytics. Int J Adv Res Comput Sci Softw Eng. 2017; 7(5): 263-270. doi:10.23956/ijarcsse/SV7I5/0163
Diez Tetamanti JM, Rocha E, Munsberg G, Peixoto Castro JH, Neutzling AS, Jaime SF, et al. Desarrollo de un sistema georreferenciado para la gestión, movilidad y monitoreo de atención primaria de la salud comunitaria. Salud Colect. 2018; 14(1): 121–137. doi: https://doi.org/10.18294/sc.2018.1210
Leopold JA, Maron BA, Loscalzo J. The application of big data to cardiovascular disease: paths to precision medicine. J Clin Invest. 2020; 130(1): 29–38. doi: https://doi.org/10.1172/jci129203
Villarreal V, Samudio M. Plataforma para la autogestión de datos de pacientes hipertensos en Panamá. I+D Tecnológico. 2018; 14(1): 83–93.
Sakr S, Elgammal A. Towards a comprehensive data analytics framework for smart healthcare services. Big Data Research. 2016; 4(C): 44–58. doi: https://doi.org/10.1016/j.bdr.2016.05.002
Sánchez-Acevedo MA, Acosta-Chi ZA, Morales-Salgado MR. Cardiovascular risk detection through big data analysis. J Big Data Anal Transp. 2020; 5(2): 1-11.
Departamento Administrativo Nacional de Estadística. Censo Nacional de Población y Vivienda, 2018-Colombia. DANE; 2018. Disponible en: https://www.dane.gov.co/index. php/estadisticas-por-tema/demografia-y-poblacion/censo-nacional-de-poblacion-y-vivenda-2018
Secretaría de Salud, Gobernación del Valle del Cauca. Análisis de situación de salud Valle del Cauca. Gobernación del Valle del Cauca; 2019. Disponible en: https://www.valledelcauca.gov.co/documentos/12672/asis-municipios-2019/
Washburn RA, Smith KW, Jette AM, Janney CA. The physical activity scale for the elderly (PASE): development and evaluation. J Clin Epidemiol. 1993; 46(2): 153–162. doi: https://doi.org/10.1016/0895-4356(93)90053-4
Sommerville I. Ingeniería del software. Madrid: Pearson educación; 2005.
Burbeck S. Applications programming in smalltalk-80 (TM): How to use Model-View-Controller (MVC). Smalltalk-80 v2. ParcPlace. 1992; 5: 1–11.
Rondón Suárez LM. Calidad en el levantamiento de requerimientos en proyectos de software. Universidad Militar Nueva Granada; 2019. Disponible en: https://repository.unimilitar.edu.co/handle/10654/31989#~:text=El%20levantamiento%20de%20requerimientos%20es,con%20los%20requisitos%20del%20cliente
López-Caballero CA, Cuello SR. Efectividad metodológica para el levantamiento de requerimientos de aplicaciones web. Rev Ontare. 2016; 4(2): 71–98.
Pérez-Virgen HL, Salamando-Mejía CA, Valencia-Ayala LS. Levantamiento de requerimientos basados en el conocimiento del proceso. Rev Científica. 2012; 2(16): 42–51. doi: https://doi.org/10.14483/23448350.4022
Hansen GW, James VH. Diseño y administración de bases de datos. Madrid: Prentice Hall. 1998.
Enríquez JG, Casas SI. Usabilidad en aplicaciones móviles. Informes Científicos – UNOA. 2013; 5(2): 25-47.
Paniagua LA, Bedoya RD, Mera C. Un método para la evaluación de la accesibilidad y usabilidad en aplicaciones móviles. TecnoLógicas. 2020; 23(48): 98-116. doi: https://doi.org/10.22430/22565337.1553
Brooke J. SUS – A quick and dirty usability scale. Usability evaluation in industry. London: Taylor and Francis; 1996. p. 198-194.
Bangor A, Kortum PT, Miller JT. An empirical evaluation of the system usability scale. Int J Human-Comp Interact. 2008; 24(6): 574-594. doi: https://doi.org/10.1080/10447310802205776
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Copyright (c) 2022 Jhon Jairo Castañeda-Gonzalez, Genaro Daza-Santacoloma, Jorge Iván Castaño-Gutiérrez