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;
By: Brand Carvajal, Briyid Thaliana [autor]
.
Contributor(s): Rebolledo Horta, Mery Viviana [autor] | Bernal Cerquera, Francisco Rivelino [Asesor de tesis].
Neiva: Universidad Surcolombiana, 2025Description: 1 CD-ROM (80 páginas); tablas o cuadros; 12 cm.Content type: texto Media type: computadora Carrier type: disco de la computadoraSubject(s): Administración Financiera -- Regresión Lineal | Modelo Machine Learning -- E.S.E Hospital San Francisco de AsisDDC classification: Th AF 25 | Item type | Current location | Collection | Call number | Copy number | Status | Date due | Barcode | Item holds |
|---|---|---|---|---|---|---|---|---|
e-Tesis
|
Biblioteca Central | Tesis y Trabajos de Grado | Th AF 25 (Browse shelf) | Available | 900000029869 | |||
|
e-Tesis
|
Biblioteca Central | Tesis y Trabajos de Grado | Th AF 25 (Browse shelf) | Ej.2 | Available | 900000029870 |
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."
There are no comments for this item.