nam a22 7a 4500 50576 50576 20260520062838.0 260406e2025 ck |||fsm||| 00| 0 spa d CO-NeUS spa rda spa 161900 Brand Carvajal, Briyid Thaliana aut Propuesta de diseño de un modelo de Machine Learning basado en predictores mixtos para la estimación del beneficio neto: Caso de estudio " E.S.E Hospital San Francisco de Asis" Briyid Thaliana Brand Carvajal, Mery Viviana Rebolledo Horta; Datos electrónicos (1 archivos:1637 MG) Neiva: Universidad Surcolombiana, 2025 1 CD-ROM (80 páginas); tablas o cuadros; 12 cm txt rdamedia c rdacarrier cd cd rda Tesis Administrador Financiero Universidad Surcolombiana. Facultad de Economía y Administración. Administrador Financiero 2025 Resumen -- Introducción -- Marco teórico -- Marco contextual -- Presentación y análisis de resultados -- Conclusiones "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." 161901 Rebolledo Horta, Mery Viviana aut 144069 Bernal Cerquera, Francisco Rivelino, ths 21 Th AF 25 Administración Financiera Regresión Lineal 161902 161903 Modelo Machine Learning E.S.E Hospital San Francisco de Asis Local CD Th AF 25 Th 0 0 Local 0 TPOS 80 80 2026-04-06 Th AF 25 900000029869 2026-04-06 CD 0 0 Local 0 TPOS 80 80 2026-04-06 Th AF 25 900000029870 2026-04-06 Ej.2 CD