02789nam a22002777a 450000500170000000800410001704000220005804100080008010000410008824502490012925600460037826400450042430000550046933600080052433700160053233800230054834700080057150201380057950501310071752014430084870000390229170000460233008200170237665000520239365000660244520260520062838.0260406e2025    ck  |||fsm||| 00| 0 spa d  aCO-NeUSbspaerda  aspa1 aBrand Carvajal, Briyid Thalianaeaut10aPropuesta de diseño de un modelo de Machine Learning basado en predictores mixtos para la estimación del beneficio neto:bCaso de estudio " E.S.E Hospital San Francisco de Asis"cBriyid Thaliana Brand Carvajal, Mery Viviana Rebolledo Horta;  aDatos electrónicos (1 archivos:1637 MG)1 aNeiva:bUniversidad Surcolombiana,c2025  a1 CD-ROM (80 páginas);btablas o cuadros;c12 cm  atxt  2rdamediaac  2rdacarrieracdbcd  2rda  aTesisbAdministrador FinancierocUniversidad Surcolombiana. Facultad de Economía y Administración. Administrador Financierod2025  aResumen -- Introducción -- Marco teórico -- Marco contextual -- Presentación y análisis de resultados -- Conclusiones   a"Este estudio presenta una propuesta de diseño de un modelo de machine learning basada en predictores mixtos para la estimación del beneficio Neto en el E.S.E. Hospital San Francisco de Asís. El objetivo es optimizar la estimación del Beneficio Neto en el
E.S.E. Hospital San Francisco de Asís mediante un modelo de machine learning basado en predictores mixtos. La metodología empleada fue de enfoque cuantitativo con técnica de machine learning aplicado a datos operativos y financieros del E.S.E. Hospital San
Francisco de Asís. Se utilizó algoritmos de regresión Random Forest y modelos de predicción avanzados. Los resultados demostraron que el costo operativo, el tiempo de servicio, la edad de los pacientes y la calidad percibida de la atención son variables clave
de estimación beneficio neto. Se aplicaron criterios de limpieza y validación de los datos obtenidos, a fin de garantizar su confiabilidad del modelo. Posteriormente a la evaluación de distintos algoritmos, Random Forest reveló la mayor precisión (R2=0,76), resaltando
como el predictor más influyente en la rentabilidad de E.S.E. HOSPITAL SAN FRANCISCO DE ASÍS al costo operativo. Seguidamente, se recomienda implementar
monitoreo de las variables en tiempo real, actualizar periódicamente el conjunto de datos, además de explorar más algoritmos como redes neuronales y optimizar los protocolos de la calidad de datos."
1 aRebolledo Horta, Mery Vivianaeaut1 aBernal Cerquera, Francisco Rivelino,eths04221aTh AF 25 0aAdministración FinancieraxRegresión Lineal 0aModelo Machine LearningzE.S.E Hospital San Francisco de Asis