Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 9 vistas

    Presentacion Savia

    Cargado por

    Maristela Perea

    Copyright:

    © All Rights Reserved
    Descargue como PPTX, PDF, TXT o lea en línea desde Scribd

    Presentacion Savia

    Cargado por

    Maristela Perea
    9 vistas16 páginas

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PPTX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Copyright:

    © All Rights Reserved
    Descargue como PPTX, PDF, TXT o lea en línea desde Scribd
    Descargar como pptx, pdf o txt
    9 vistas16 páginas

    Presentacion Savia

    Cargado por

    Maristela Perea

    Copyright:

    © All Rights Reserved
    Descargue como PPTX, PDF, TXT o lea en línea desde Scribd
    Descargar como pptx, pdf o txt
    de 16

    TECHNOLOGY FOR LIFE

    Proporcionamos a las empresas soluciones


    tecnológicas para ser competitivas en la era de la
    transformación digital.
    1 Quiénes somos
    Quiénes somos
    2 Monitorización de pacientes crónicos con
    tecnologías disruptivas para mejorar la
    calidad de vida del paciente – QHealt -
    2.1. Objetivo del proyecto

    El principal objetivo del proyecto Q-Healt, es ayudar a las empresas y organismos sanitarios dotando de
    herramientas de analítica avanzada de datos, Inteligencia artificial y machine learning, en la mejora de la
    calidad de vida de los pacientes crónicos con el fin de reducir los costes asociados a la atención en el ciclo de
    vida de la cronicidad: prevención, atención temprana, asistencia y hospitalización.

    1. Procesamiento del lenguaje natural.


    2. Integración con dispositivos Iot.
    3. Machine learning
    4. Inteligencia artificial.
    2.2. Componentes

    1. Recolección de Datos
    • Fuentes de Datos: Datos históricos de consultas, fármacos, ayudas diagnosticas, etc.
    • APIs: Integración con red prestadora de servicios.
    • Iot: recolección de datos en tiempo real con dispositivos de monitoreo médico.

    2. Almacenamiento de Datos
    •Data Lake: Construcción de un repositorio central de datos clínicos para investigación.

    3. Procesamiento de Datos
    • ETL (Extract, Transform, Load)
    • Limpieza, normalización, y estandarización de Datos.

    4. Análisis Exploratorio de Datos (EDA)


    • Herramientas: Jupyter Notebooks, Pandas, Seaborn y Matplotlib para visualización y análisis inicial.
    • Objetivo: Identificar y entender patrones, tendencias y correlaciones entre individuos y patologías.
    2.2. Componentes

    5. Modelado
    • Algoritmos:
    • NLP: procesamiento del lenguaje natural para identificación de patrones en ayudas diagnosticas, consultas clínicas.
    • ML: Utilizando técnicas de detección de anomalías es posible identificar cambios sutiles en datos de clínicos que podrían pasar
    desapercibidos en evaluaciones médicas, facilitando un diagnóstico temprano.
    • ML: Uso de Algoritmos para el análisis de datos demográficos, estilos de vida y antecedentes familiares para identificar
    individuos en riesgo de desarrollar patologías congénitas.
    • ML: Análisis de factores ambientales, adherencia a la medicación y síntomas para prevenir episodios críticos de algunas
    patologías.

    6. Visualización y Reportes
    • Aplicación EPS: Sitio de gestión clínica por pacientes y/o grupo de pacientes con patologías comunes, control histórico de los signos
    vitales, prescripción farmacológica etc.
    • Aplicación paciente:
    • Dispositivo móvil: Monitoreo del paciente, agenda de citas, control de toma de medicamentos, promoción de estilos de vida
    saludable (recomendación de dietas, ejercicios, etc.).
    • Dispositivos Wearables: monitoreo en tiempo real mediante dispositivos inteligentes de signos vitales y estado de salud de los
    usuarios.
    3 Propuesta técnica y alcance para
    proyecto
    3.2. Cronograma de proyecto- Semana I

    • Fase I: Definición y presentación del proyecto (2024)


    • Presentación del proyecto a las partes interesadas.
    • Firma del acuerdo de voluntad de colaboración internacional.
    • Elaborar la documentación técnica del proyecto.
    • Presentación del proyecto a las entidades Europeas. (julio 17)

    • Fase II: Desarrollo del proyecto (2024-2025)


    • Recolección de datos históricos existentes.
    • Análisis clínico de los datos (I+D).
    • Priorización de patologías a intervenir (nivel de criticidad).
    • Toma de requerimientos clínicos para el desarrollo técnico.
    • Desarrollo de los algoritmos de ML, DL e IA.
    • Desarrollo de las interfaces de EPS y pacientes.
    • Validación de resultados de los modelos desarrollados.
    3.2. Cronograma de proyecto- Semana III

    • Fase III: Implementación del proyecto (2025- 2026)


    • Implementación de las interfaces de administración para EPS
    • Implementación de la interfaz móvil para pacientes.
    • Implementación de la interfaz para dispositivos Iot.
    • Monitoreo y ajuste de los modelos de IA.
    3.3. Wireframes del proyecto

    Para este proyecto, se necesitan varios wireframes que representen las diferentes funcionalidades y pantallas del
    sistema. A continuación, se detallan los wireframes esenciales:

    1.Dashboard Principal:
    Pantalla de Predicción de Precios
    2.Pantalla de Análisis de Sensibilidad
    3.Pantalla de Liderazgo de Mercado
    4.Pantalla de Configuración y Gestión de Datos
    4 Beneficios para Savia Salud EPS
    4.1. Atención Primaria en Salud

    1. Atención temprana: La implementación de tecnologías de Inteligencia Artificial, permite la identificación de


    síntomas y factores de riesgo en las etapas iniciales de las enfermedades, facilitando con ello una intervención
    oportuna que pueden mejorar los resultados de salud y reducir la progresión de enfermedades crónicas.

    2. Detección de pacientes en riesgo: analizar grandes volúmenes de datos demográficos, estilos de vida y
    antecedentes familiares para identificar individuos en riesgo de desarrollar estados críticos de patologías con
    un alto impacto en la cuenta de resultados.

    3. Gestión clínica en el nivel primario: El uso de los datos clínicos históricos análisis en tiempo real del estado de
    salud del paciente, garantizará una oportuna intervención del paciente incluso antes de llegar a desarrollar
    alguna patología. Esta gestión proactiva puede reducir significativamente las complicaciones y mejorar la
    calidad de vida.
    4.1. Atención Primaria en Salud

    4. Optimización de recursos en las rutas de atención primaria: La aplicación de machine learning puede
    ayudar a optimizar la asignación de recursos médicos, asegurando que se utilicen de manera eficiente y
    efectiva. Esto incluye la priorización de pacientes según su riesgo y la asignación adecuada de personal y
    equipos médicos.

    5. Impacto positivo en los indicadores de salud: La implementación de estrategias soportadas con el análisis
    de datos e inteligencia artificial, puede resultar en mejoras significativas en los indicadores de salud de la
    población tales como: tasas de hospitalización, mortalidad, adherencia al tratamiento farmacológico, y
    calidad de vida en general.
    +34 912 530 621
    [email protected]

    @qaleontech Qaleon @qaleontech @qaleontech www.qaleon.com

    También podría gustarte