Selección de las variables psicosociales que caracterizan el desempeño de funciones ejecutivas en situaciones cotidianas, a través de un modelo de predicción etaria
Professor Advisor
dc.contributor.advisor
Velásquez Silva, Juan
Author
dc.contributor.author
Canto Gajardo, José Ignacio
Associate professor
dc.contributor.other
Ruiz Moreno, Rocío
Associate professor
dc.contributor.other
Henríquez Chaparro, Fernando
Admission date
dc.date.accessioned
2021-08-03T14:52:51Z
Available date
dc.date.available
2021-08-03T14:52:51Z
Publication date
dc.date.issued
2021
Identifier
dc.identifier.uri
https://repositorio.uchile.cl/handle/2250/181052
General note
dc.description
Memoria para optar al título de Ingeniero Civil Industrial
es_ES
Abstract
dc.description.abstract
Una Disfunción Ejecutiva (DE) es una alteración en alguna habilidad cognitiva, y puede ser progresiva en el tiempo, lo que significa que a mayor demora en el tratamiento de esta condición, más se acentúan los daños y se hacen más difícil de revertir. Una DE podría implicar déficits a la hora de consentir informadamente, en el juicio, y en la capacidad que tienen las personas de planificar y cumplir ciertos objetivos. Es por esto que es tan importante el correcto y rápido diagnóstico de Disfunción Ejecutiva. Sin embargo, los medios convencionales de diagnóstico tienen la gran limitación de poseer un bajo nivel ecológico, es decir, no son extrapolables a casos o situaciones cotidianas. El proyecto Neuronat desarrollado por la Facultad de Medicina de la Universidad de Chile y el Web Intelligence Centre propone una nueva herramienta de evaluación y diagnóstico de DE. Sin embargo, no se conoce el conjunto de variables psicosociales que dado un contexto cotidiano, representan de mejor manera una Disfunción ejecutiva.
Es por esto que en el presente trabajo de título se realizó un estudio de las variables obtenidas desde una plataforma llamada Neuronat, que sitúa a sus usuarios en un contexto cotidiano virtual, quienes deben resolver una serie de tareas en específico. Se sigue la metodología KDD (Knowledge Discovery in Databases), y utilizando técnicas de Feature Engineering, Feature Selection y Machine Learning, se seleccionó distintos conjuntos de variables que se utilizaron para entrenar varios modelos de clasificación.
El mejor modelo obtenido tiene un 100% de Accuracy y Recall para la muestra de entrenamiento y un 67% en la muestra de test, logrando resultados mucho mejores que el caso base de selección aleatoria de clases (25%). A pesar de lo anterior, debido a las condiciones poco controladas en la cual se tomaron los datos, se cree que estos no son de calidad, por lo tanto los resultados obtenidos no son de fiar en su totalidad, aunque si se tienen ciertos indicios de que con los datos obtenidos se puede detectar en cierta medida el desempeño de funciones ejecutivas.
Selección de las variables psicosociales que caracterizan el desempeño de funciones ejecutivas en situaciones cotidianas, a través de un modelo de predicción etaria