1233-1390-1-pb.pdf
TRANSCRIPT
![Page 1: 1233-1390-1-PB.pdf](https://reader036.vdocuments.co/reader036/viewer/2022071803/55cf9b18550346d033a4b64c/html5/thumbnails/1.jpg)
1 Instituto Superior de Medicina Militar “Dr. Luis Díaz Soto”
2 Instituto Superior Politécnico José A. Echeverría. (CUJAE). http://www.cujae.edu.cu
Minería de Datos aplicada a la Gestión Hospitalaria
Ing. Yaneisis Aznielles Quesada1, Ing. Daymi Wong Pérez1, Dr. Alejandro Rosete Suárez2
Resumen: El crecimiento desmedido del volumen de datos generado por los sistemas de gestión empresariales y la inadecuada exploración de los mismos, ha hecho necesario hace algunos años la creación de tecnologías que permitan su organización y procesamiento. Esta necesidad ha motivado el empleo de técnicas y herramientas de minería de datos, que posibiliten extraer conocimiento útil de la información almacenada. El Instituto Superior de Medicina Militar Dr. Luís Díaz Soto cuenta con el sistema de gestión hospitalaria “Galen”, que registra la información relacionada con los datos del paciente, resultados de los análisis que se le realizan, así como la información relacionada con el movimiento hospitalario. Sin embargo, no se aprovecha el conocimiento oculto en estos datos, que pueda sustentar determinadas acciones estratégicas trazadas por los directivos de las diferentes áreas del hospital. En el presente trabajo se describen aspectos relacionados con la minería de datos y su aplicación en el sector de salud.
Palabras clave: Minería de datos, Gestión hospitalaria, Informática médica, Gestión del conocimiento, Sistemas de información hospitalaria.
I. INTRODUCCIÓN
El volumen y variedad de información que se encuentra informatizada en bases de datos digitales ha crecido exponencialmente en las últimas décadas, de tal forma
que las empresas e instituciones en el mundo se han visto en ocasiones abarrotadas de datos históricos que no aprovechan al máximo. Esta información, bien tratada y analizada, puede reportar grandes beneficios a las organizaciones al explicar problemáticas aparentemente aleatorias y abrir nuevos horizontes y frentes de trabajo. Para dar respuesta a este tipo de problemas es empleado el proceso de KDD (Knowledge Discovery in Databases), que posibilita la extracción de conocimiento oculto en los datos.
II. EL PROCESO DE DESCUBRIR CONOCIMIENTO EN BASES DE DATOS (KDD)
KDD se denomina al descubrimiento de conocimiento en bases de datos; búsqueda de a partir de datos históricos. Este es un proceso iterativo e interactivo, iterativo ya que la salida de alguna de las fases puede hacer volver a pasos anteriores. [Zamarrón, 2006] KDD es la convergencia del aprendizaje automático, la estadística, el reconocimiento de patrones, la inteligencia artificial, las bases de datos, la visualización de datos, los sistemas para el apoyo a la toma de decisiones, la recuperación de información y otros muchos campos [Febles, 2001]. Este proceso consta de cinco fases: 1. Integración y Recopilación.
2. Selección, Limpieza y Transformación.
3. Minería de Datos.
4. Evaluación e Interpretación.
![Page 2: 1233-1390-1-PB.pdf](https://reader036.vdocuments.co/reader036/viewer/2022071803/55cf9b18550346d033a4b64c/html5/thumbnails/2.jpg)
1 Instituto Superior de Medicina Militar “Dr. Luis Díaz Soto”
2 Instituto Superior Politécnico José A. Echeverría. (CUJAE). http://www.cujae.edu.cu
5. Difusión y Uso.
Fig. 1 Fases del proceso de KDD [Hernández, 2004]
Integración y Recopilación
En esta fase se determinan las fuentes de información
que pueden ser útiles y dónde conseguirlas. Además,
se transforman todos los datos a un formato común
con el fin de unificar toda la información recuperada,
proceso que generalmente se realiza a través de los
almacenes de datos (datawarehouse). [Hernández,
2004]
Los almacenes de datos son muy útiles si se trabaja
con grandes volúmenes de datos, que varían con el
tiempo y además se desea realizar tareas de minería
con ellos. En cambio no son siempre necesarios, sobre
todo en los casos en que la información a minar se
encuentra en una única fuente.
Selección, Limpieza y Transformación
Debido a que los datos provienen en muchos casos de
diferentes fuentes, pueden contener valores errados o
faltantes. En esta fase se eliminan o corrigen los datos
que se detecten con errores o faltantes. Además, se
proyectan los datos para conseguir únicamente las
variables o atributos que van a ser relevantes, con el
objetivo de hacer más fácil la tarea propia de minería.
Es en esta fase donde el tipo de los datos puede
también modificarse para facilitar el uso de técnicas
que requieren tipos de datos específicos. [Hernández,
2004]
La calidad del conocimiento descubierto depende no
sólo del algoritmo de minería utilizado, sino también
de la calidad de los datos minados. Resulta
prácticamente imposible pasar por alto el pre-
procesamiento de los datos, pues una mala preparación
y calidad de la información, trae como consecuencia
que los patrones descubiertos no coincidan con la
realidad, y por consiguiente el significado de la
realización del proceso no sea útil. [Colomina, 2004]
Minería de Datos
La fase de minería de datos constituye el centro del
proceso de KDD, ya que se concentra en la búsqueda
de patrones, que tendrán una o varias formas de
![Page 3: 1233-1390-1-PB.pdf](https://reader036.vdocuments.co/reader036/viewer/2022071803/55cf9b18550346d033a4b64c/html5/thumbnails/3.jpg)
1 Instituto Superior de Medicina Militar “Dr. Luis Díaz Soto”
2 Instituto Superior Politécnico José A. Echeverría. (CUJAE). http://www.cujae.edu.cu
representación en dependencia del tipo de modelo
obtenido. [Hernández, 2004].
Antes de construir el modelo es necesario en esta
etapa:
• Determinar la tarea más apropiada de minería
que se aplicará.
• Elegir el tipo de modelo a utilizar, a partir de
la selección de la técnica de minería que
inferirá el mismo, en dependencia de la tarea
escogida anteriormente, y de la forma en que
se desee representar el conocimiento obtenido.
• Elegir el algoritmo de minería a utilizar en
dependencia de la técnica seleccionada.
En la construcción del modelo donde se evidencia el
carácter iterativo del proceso de KDD, pues hasta
encontrar hay que llegar a obtener aquel que resulte
más útil. En la búsqueda del mejor es posible
retroceder hasta fases anteriores del proceso KDD.
[Molina, 2006]
Evaluación e Interpretación
Durante esta fase los expertos analizan y valoran los
patrones, y de ser necesario se regresa a las fases
anteriores para una nueva iteración. Para la aprobación
del conocimiento obtenido, existen diferentes medidas
de evaluación de los modelos dependiendo de la tarea
de minería de datos seleccionada. [Hernández, 2004].
En muchos casos hay que evaluar también el contexto
donde el modelo se va a utilizar.
Difusión y Uso
En esta fase se hace uso del nuevo conocimiento y se
comunica a todos los posibles usuarios. Por tanto, es
necesaria la comunicación y distribución por distintos
medios de los resultados, ya que debe integrar el
know-how de la organización.
Además se aconseja medir que el modelo evoluciona
bien, aunque su desempeño sea óptimo. La
monitorización de los patrones debe realizarse, pues
resulta necesaria la reevaluación del modelo en
ocasiones, su re-entrenamiento o incluso su
reconstrucción total. [Hernández, 2004]
En conclusión, KDD puede emplearse como un medio
de recuperación de información, de la misma manera
que los agentes inteligentes realizan la recuperación de
información en el Web. Nuevos modelos o tendencias
en los datos podrán descubrirse usando estas técnicas.
KDD también puede utilizarse como una base para las
interfaces inteligentes del mañana, agregando un
componente del descubrimiento del conocimiento a
una máquina de bases de datos o integrando KDD con
las hojas de cálculo y visualizaciones. [Bressán, 2003]
III. MINERÍA DE DATOS EN EL ENTORNO DE SALUD
En el ámbito médico la aplicación de la minería de
datos tiene interés en varios campos:
1. En el ámbito clínico resulta de ayuda para la
identificación y diagnóstico de patologías. Asimismo
tiene importancia para el descubrimiento de posibles
interrelaciones entre diversas enfermedades.
2. Al nivel de medicina preventiva, resulta de interés
para la detección de pacientes con factores de riesgo
para sufrir una patología.
![Page 4: 1233-1390-1-PB.pdf](https://reader036.vdocuments.co/reader036/viewer/2022071803/55cf9b18550346d033a4b64c/html5/thumbnails/4.jpg)
1 Instituto Superior de Medicina Militar “Dr. Luis Díaz Soto”
2 Instituto Superior Politécnico José A. Echeverría. (CUJAE). http://www.cujae.edu.cu
3. Al nivel de gestión hospitalaria, se puede usar para
obtener predicciones temporales que permitiesen
optimizar los recursos disponibles y priorizar el uso de
los diversos tratamientos para una misma patología.
[Zamarrón, 2006]
En general se pueden emplear técnicas de minería de
datos en la medicina para:
• Identificación de terapias médicas
satisfactorias para diferentes enfermedades.
• Asociación de síntomas y clasificación
diferencial de patologías.
• Estudio de factores (genéticos, precedentes,
hábitos, alimenticios) de riesgo para la salud
en distintas patologías.
• Segmentación de pacientes para una atención
más inteligente según su grupo.
• Estudios epidemiológicos, análisis de
rendimientos de campañas de información,
prevención, sustitución de fármacos, entre
otros.
• Identificación de terapias médicas y
tratamientos erróneos para determinadas
enfermedades. [Molina, 2006]
Pueden citarse trabajos concretos relacionados con la
aplicación de la minería en el entorno de salud.
Tratamiento de la Tuberculosis (TBC)
El Tratamiento Acortado Estrictamente Supervisado
constituye el protocolo implementado en la República
Argentina, definido por la Organización Mundial de la
Salud. La finalidad: dar máxima prioridad al aumento
de la curación de enfermos de tuberculosis.
El trabajo tenía como objetivo: definir modelos
predictivos para responder a problemas clínicos de
diagnóstico, y problemas de gestión sanitaria
utilizando minería de datos.
Desarrollaron modelos que permitieron obtener
predicciones y brindaron una explicación de los
factores que conducen a las mismas. Emplearon el
árbol de decisión, técnica con gran potencial de
predicción y que explica las decisiones que conducen
a las mismas.
Se utilizan todas las variables disponibles como
predictoras. Eligieron un crecimiento automático del
árbol parametrizado. El árbol de decisión necesitaron
validarlo para evaluar el desempeño del árbol para
clasificar nuevas instancias de datos. Utilizaron dos
técnicas diferentes de validación. En la primera, la
base completa de datos puede dividirse en dos
subconjuntos. Un subconjunto se destina al
entrenamiento del árbol (muestra de entrenamiento) y
el otro se utiliza para la validación. Además,
utilizamos la técnica de cross-validation que permite
utilizar todos los datos para construir el modelo y no
reservar un porcentaje para la validación.
La aplicación de este modelo sobre los datos
recolectados en el periodo 1996-2005 por el Programa
de Control de la Tuberculosis de Región Sanitaria I
posibilitó plantear nuevas estrategias de gestión y
mejorar la calidad de producción de datos. [Sánchez,
2005]
Diagnóstico de accidentes cerebrovasculares agudos
(ACVAs)
![Page 5: 1233-1390-1-PB.pdf](https://reader036.vdocuments.co/reader036/viewer/2022071803/55cf9b18550346d033a4b64c/html5/thumbnails/5.jpg)
1 Instituto Superior de Medicina Militar “Dr. Luis Díaz Soto”
2 Instituto Superior Politécnico José A. Echeverría. (CUJAE). http://www.cujae.edu.cu
Para la obtención del proyecto que se describe a
continuación, el objetivo principal era la construcción
de un sistema de soporte a la decisión para el
diagnóstico de las causas de accidentes
cerebrovasculares agudos.
El sistema de soporte a la decisión desarrollado en este
proyecto consiste básicamente en un clasificador que
divide los ataques en una serie de clases, en función de
sus causas. En este caso, se definen cinco categorías,
asociadas a las causas más comunes de un ACVA, en
concreto arteriosclerosis, embolia, trombosis y
derrame cerebral, agrupándose en una quinta clase los
de causa desconocida o que no responden a ninguna de
las anteriores.
Este sistema ha sido desarrollado por la Technical
University of Crete y la Unit of Acute Stroke,
Therapeutic Clinic, “Alexandra” General Hospital. El
departamento de Ingeniería de DAEDALUS – Data,
Decisions and Language, S.A. [Daedalus, 2006]
Estudio de las alteraciones respiratorias durante el
sueño
Se trata fundamentalmente de involucrar un mayor
número de variables fisiológicas en el estudio de los
procesos fisiopatológicos que subyacen en las
alteraciones cardiopulmonares del sueño, con el fin de
encontrar nuevas relaciones causa/efecto que
simplifiquen la generación de nuevo conocimiento a
partir de la ingente cantidad de datos disponibles.
La aplicación de técnicas de minería de datos para el
estudio de las alteraciones respiratorias durante el
sueño puede plantearse en tres etapas bien
diferenciadas, que se corresponden con un incremento
en la dificultad y consiguiente grado de innovación
planteado: en una etapa inicial se pueden aplicar
técnicas convencionales de minería de datos,
posteriormente técnicas de minería de datos
supervisada, de modo que el médico guía la búsqueda
de hallazgos de interés mediante su asociación con
eventos fisiopatológicos conocidos; por último, se
pueden utilizar técnicas de Minería de Datos no
supervisada, de modo que se busca una agregación en
la identificación de manifestaciones a partir de la
definición de índices de similitud.
En todas las enfermedades anteriormente referidas,
síndrome de apnea del sueño, enfermedades
respiratorias obstructivas, enfermedades respiratorias
restrictivas e insuficiencia cardiaca, se producen
alteraciones respiratorias durante el sueño que tienen
un origen mulifactorial y son, por tanto, el resultado de
diferentes mecanismos fisiopatológicos.
La monitorización nocturna de estos pacientes muestra
la presencia de eventos comunes (apneas,
desaturaciones, arritmias cardiacas, etc.); sin embargo,
su asociación y características (duración, intensidad,
etc.) muestra patrones diferentes que pueden ser
específicos de cada entidad. El análisis de estos
patrones puede mostrarnos datos de interés de cada
una de los trastornos mencionados, desconocidos hasta
ahora mediante la aplicación de la mera inspección
visual del neumólogo. Podemos conocer la asociación
de diferentes patrones de distribución de eventos a
diferentes trastornos, facilitando un diagnóstico precoz
y un tratamiento más específico, y por tanto, más
eficaz, permitiendo mejorar el pronóstico de un amplio
conjunto de pacientes.
![Page 6: 1233-1390-1-PB.pdf](https://reader036.vdocuments.co/reader036/viewer/2022071803/55cf9b18550346d033a4b64c/html5/thumbnails/6.jpg)
1 Instituto Superior de Medicina Militar “Dr. Luis Díaz Soto”
2 Instituto Superior Politécnico José A. Echeverría. (CUJAE). http://www.cujae.edu.cu
Dicho estudio ha sido realizado por el Servicio de
Neumología del Hospital Universitario en Santiago de
Compostela. [Zamarrón, 2006]
Sistema de Información hospitalaria (Proyecto
IMPIVA)
IMPIVA fue desarrollado por el grupo MIP de la
Universidad Politécnica de Valencia en el hospital
Clínico Universitario de esa ciudad. Para ello se contó
con gran cantidad de datos históricos queriendo
optimizar la planificación de los recursos (personal,
quirófanos, material); además del ahorro de costos y
reducción de tiempo de espera de los pacientes.
Fueron utilizadas como herramientas para la consulta
de información KUBE y WEKA obteniendo datos
interesantes en el área seleccionada: Urgencias. [Bella,
2005]
La Historia Clínica Electrónica
Un ejemplo importante de aplicación de minería de
datos lo constituye la aplicación de metodologías y
herramientas sobre la Historia Clínica Electrónica de
pacientes adultos sometidos a procedimientos
quirúrgicos en una Institución de Salud, especializada
en enfermedades cardiovasculares, ubicada en la
ciudad de Bucaramanga, (Santander- Colombia).
Se aplicaron distintos algoritmos de minería (árboles
de decisión, redes neuronales), obteniendo como
resultado varios modelos de comportamiento respecto
a los pacientes. Finalmente, se procedió a la
evaluación de resultados y derivación de conclusiones.
[Colomina, 2004]
IV. MINERÍA DE DATOS APLICADA A LA GESTIÓN HOSPITALARIA
La continua mejora de los servicios prestados por las
instituciones hospitalarias y la creciente preocupación
de los ciudadanos por la salud, incrementan la
necesidad de contar con soluciones que den soporte a
la gestión administrativa de los pacientes y a las
actividades clínicas de los distintos departamentos y
servicios del centro hospitalario.
El Instituto Superior de Medicina Militar “Dr. Luís
Díaz Soto” cuenta con el sistema de gestión
hospitalaria “Galen”, que registra la información
procedente de los departamentos de: Registros
Médicos, Laboratorio y Banco de Sangre. Para ello
cuenta con módulos específicos mediante los cuales se
insertan datos del paciente, resultados de los análisis
que se le realizan, así como la información relacionada
con el movimiento hospitalario (ingresos, traslados de
sala o cama, egresos, entre otros).
En dicho instituto la conducción de los procesos que
incluye la gestión hospitalaria se realiza de acuerdo a
la experiencia de los directivos y la manera en que
estos entienden el funcionamiento de los mismos; no
aprovechando el conocimiento oculto en los datos que
mantienen almacenados, que pudieran apoyar
determinadas líneas estratégicas trazadas para la
dirección. Las valoraciones de los directivos son en la
mayoría de las ocasiones acertadas, pero están sujetas
a apreciaciones subjetivas.
La poca información brindada por los reportes
generados del sistema de gestión que se emplea, desde
el punto de vista administrativo, y la incapacidad
general de las personas para procesar grandes
![Page 7: 1233-1390-1-PB.pdf](https://reader036.vdocuments.co/reader036/viewer/2022071803/55cf9b18550346d033a4b64c/html5/thumbnails/7.jpg)
1 Instituto Superior de Medicina Militar “Dr. Luis Díaz Soto”
2 Instituto Superior Politécnico José A. Echeverría. (CUJAE). http://www.cujae.edu.cu
volúmenes de información e identificar ciertos
patrones de comportamiento útiles para apoyar sus
decisiones, motivó la realización de esta investigación
en torno a un proceso de KDD, que posibilite la
extracción de conocimiento oculto en los datos
almacenados, a través de técnicas de minería, que sirva
de apoyo a la toma de decisiones conociendo datos
reales del funcionamiento del hospital.
El sistema Galen actualmente se encuentra instalado
en varios hospitales del país en apoyo al
funcionamiento del servicio de salud pública, por
decisión del Ministerio de Salud Publica (MINSAP).
A partir del año 2002 comenzó su explotación en el
Instituto Superior de Medicina Militar Dr. Luís Díaz
Soto, con lo cual se ha generado el gran volumen de
información que constituye la base de la investigación.
La base de datos del sistema está diseñada sobre el
gestor de Microsoft SQL Server. Entre los datos que se
almacenan y resultan de mayor interés para el estudio,
pueden citarse:
• Datos personales (pacientes, trabajadores)
• Información de los Ingresos (fecha de ingreso,
sala, diagnóstico, tipo de ingreso, médico que
realiza el ingreso)
• Información de los Egresos (fecha de
liberación de la cama)
• Información de las operaciones realizadas
(tipo de operación, calificación, fecha)
• Información de los exámenes
complementarios (resultados del laboratorio).
Con esta información se pretende determinar:
• Períodos de mayor cantidad de ingresos y
egresos.
• Causas de ingreso más frecuentes.
• Pacientes más atendidos en el hospital.
• Enfermedades de mayor incidencia por
localidades.
• Rangos de edades en los que los pacientes son
más propensos a presentar cierto tipo de
enfermedad.
• Correspondencia de los resultados de
laboratorio con las operaciones programadas.
V. CONCLUSIONES
La minería de datos constituye la fase fundamental del
proceso de KDD. Su aplicación mediante el empleo de
las técnicas y herramientas existentes, garantiza
obtener resultados relevantes en diversos entornos. En
los últimos tiempos su utilización se ha incrementado
debido al creciente volumen de datos generado por
diversas fuentes. Los logros alcanzados en los
diferentes ámbitos del sector de salud constituyen
ejemplos palpables del empleo de la minería.
Con la realización de este trabajo se define que la
información almacenada a través del sistema de
gestión hospitalaria Galen es valiosa para aplicar
minería.
Con la continuidad de esta investigación se esperan
resultados en vistas a obtener conocimiento que ayude
a los directivos en la conducción de los procesos, con
![Page 8: 1233-1390-1-PB.pdf](https://reader036.vdocuments.co/reader036/viewer/2022071803/55cf9b18550346d033a4b64c/html5/thumbnails/8.jpg)
1 Instituto Superior de Medicina Militar “Dr. Luis Díaz Soto”
2 Instituto Superior Politécnico José A. Echeverría. (CUJAE). http://www.cujae.edu.cu
el fin de mejorar la calidad asistencial, así como la
eficiencia en el empleo de los recursos.
VI. REFERENCIAS BIBLIOGRÁFICAS
[Bella, 2005] Bella Sanjuán, Antonio. “Minería de
datos en un sistema de Información Hospitalario”.
España, Grupo MIP - Universidad Politécnica de
Valencia, Hospital Clínico Universitario de Valencia,
Dimensión Informática, Departamento de Sistemas
Informáticos y Computación. 2005.
<http://www.dsic.upv.es/~abella/papers/UCLM-
2005.pdf >. [Consulta: 12 de agosto de 2008].
[Bressán, 2003] Bressán, Giselda E. “Almacenes de
datos y minería de datos”. Julio,
2003.<http://exa.unne.edu.ar/depar/areas/informatica/S
istemasOperativos/MineriaDatosBre-ssan.htm>
[Consulta: 23 de julio de 2008].
[Colomina, 2004] Colomina Climent, Evaristo; Viché
Clavel, Ignacio; Cantoral Justo Fco. Javier; Monsalve
Torra, Ana Eddy. “Minería de datos sobre la historia
clínica de una institución de salud
colombiana”.Alicante, Universidad de Alicante,
Campus de San Vicente del Raspeig, Dpto. de Ciencia
de la Computación e Inteligencia Artificial. 2004.
<http://www.veterinaria.org/revistas/redvet/n010107/i
nformaticaensalud2007.pdf>. [Consulta: 13 de junio
de 2008].
[Daedalus, 2002] Daedalus SA. “Minería de Datos,
Documento básico DAEDALUS, Data Mining,
Daedalus White Paper”. España, Madrid, Empresa
“La Arboleda”, DAEDALUS - Data, Decisions and
Language, SA. 2002.
<http://www.daedalus.es/fileadmin/daedalus/doc/Mine
riaDeDatos/DAEDALUS-WP-Mineria_Datos.pdf>.
[Consulta: 15 de junio de 2008].
[Daedalus, 2006] Daedalus SA. “Minería de Datos
para diagnóstico de Accidentes Cerebro-vasculares”.
DAEDALUS - Data, Decisions and Language, SA.
2006.
<http://www.daedalus.es/fileadmin/daedalus/doc/Mine
riaDeDatos/DAEDALUS-MD19-
Accidentes_Cardiovasculares.pdf>. 2006. [Consulta:
15 de junio del 2008].
[Febles, 2001] Febles Rodríguez, Juan Pedro.
“Aplicación de la minería de datos en la
bioinformática”. Centro Nacional de Bioinformática.
13 de noviembre del 2001.
<http://bvs.sld.cu/revistas/aci/vol10_2_02/aci02202.ht
m>. [Consulta: 23 de junio de 2008].
[Hernández, 2004] Hernández Orallo, José; Ramírez
Quintana, José; Ferri Ramírez, César. “Introducción a
la Minería de Datos”. Departamento de Sistemas
Informáticos y Computación. Universidad Politécnica
de Valencia. Madrid, 2004.
[Molina, 2006] Molina López, José Manuel. M.;
García Herrero, Jesús. “Técnicas de Análisis de Datos,
Aplicaciones prácticas usando Microsoft Excel y
WEKA”. Madrid, Universidad Carlos III. 2006
<http://www.utpl.edu.ec/webutplanterior/oacademica/
carreras_ects/areatecnica/pensuns/sistemas/Inteligenci
a_Negocios.pdf>. [Consulta: 3 de junio del 2008].
[Sánchez, 2005] Sánchez, Marisa; Uremovich, Sonia;
Acrogliano, Pablo. Aplicación de la Minería de datos
![Page 9: 1233-1390-1-PB.pdf](https://reader036.vdocuments.co/reader036/viewer/2022071803/55cf9b18550346d033a4b64c/html5/thumbnails/9.jpg)
1 Instituto Superior de Medicina Militar “Dr. Luis Díaz Soto”
2 Instituto Superior Politécnico José A. Echeverría. (CUJAE). http://www.cujae.edu.cu
al Tratamiento de tuberculosis. Argentina,
Universidad Nacional del Sur, Bahía Blanca, Dpto. de
Ciencias de la Administración. 2005.
<http://www.bibliociencias.cu/gsdl/collect/eventos/ind
ex/assoc/HASH0196.dir/doc.pdf>. [Consulta: 24 de
junio de 2008].
[Zamarrón, 2006] Zamarrón Sanz, Carlos; García Paz,
Vanesa; Calvo Álvarez, Uxío; Pichel Guerrero,
Fernanda; Rodríguez Suárez, José Ramón. Aplicación
de la Minería de Datos al estudio de las alteraciones
respiratorias durante el sueño. Hospital Clínico
Universitario de Santiago de Compostela, Servicio de
Neumología. 2006.
<http://www.sogapar.org/pneuma/pneuma6/pneuma-n-
6-5c.pdf>. [Consulta: 13 de junio de 2008].