000			nam a22 7a 4500
999			_c50576 _d50576
005			20260520062838.0
008			260406e2025 ck |||fsm||| 00| 0 spa d
040			_aCO-NeUS _bspa _erda
041			_aspa
100	1		_9161900 _aBrand Carvajal, Briyid Thaliana _eaut
245	1	0	_aPropuesta 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;
256			_aDatos electrónicos (1 archivos:1637 MG)
264	1		_aNeiva: _bUniversidad Surcolombiana, _c2025
300			_a1 CD-ROM (80 páginas); _btablas o cuadros; _c12 cm
336			_2rdacontent _atxt _btxt
337			_2rdamedia _ac _bcd
338			_2rdacarrier _acd _bcd
347			_2rda _atexto _bpdf
502			_aTesis _bAdministrador Financiero _cUniversidad Surcolombiana. Facultad de Economía y Administración. Administrador Financiero _d2025
505			_aResumen -- Introducción -- Marco teórico -- Marco contextual -- Presentación y análisis de resultados -- Conclusiones
520			_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."
700	1		_9161901 _aRebolledo Horta, Mery Viviana _eaut
700	1		_9144069 _aBernal Cerquera, Francisco Rivelino, _eths
082	0	4	_221 _aTh AF 25
650		0	_aAdministración Financiera _xRegresión Lineal _9161902
650		0	_9161903 _aModelo Machine Learning _zE.S.E Hospital San Francisco de Asis
942			_2Local _cCD _hTh AF 25 _kTh