Download Minería de datos en Body Sensor Networks

1
Minería de datos en Body Sensor Networks
D. J. de la Parra – Universidad de Palermo
TUTOR: Lic. Pablo Alejandro Lena (MBA)

Abstract—En este trabajo se estudia la aplicación de conceptos
de datawarehousing y minería de datos en body sensor networks.
Se describen algunos aspectos que involucran la implementación
de este tipo de redes, haciendo un resumen de los tipos de sensores
empleados y los modos de transmisión que se utilizan
actualmente. Luego se introduce el concepto de datawarehouse,
donde se revisan las diferencias con las bases de datos relacionales
y se detalla las distintas alternativas de implementación.
Finalmente se presenta la posibilidad de analizar, utilizando
técnicas de minería de datos, la información transmitida por una
body sensor network, en una aplicación en el ámbito de la salud.
Index Terms— Body Sensor Networks, Data analysis, Data
warehouses, Data mining, Biomedical telemetry, Health
information management.
I. NOMENCLATURA
BAN: Acrónimo de Body area network
BSN: Acrónimo de Body sensor network
Zigbee: Especificación de protocolos de comunicación
inalámbrica basados en el standard IEEE 802.15.4
HL7: Especificaciones para intercambio de información
clínica
DWH: Acrónimo de Datawarehouse
DSS: Acrónimo de Decision Support System
II. INTRODUCCIÓN
E
l desarrollo continuo de nuevas tecnologías de
comunicación inalámbrica, sumado a la creciente
miniaturización de los sensores utilizados para medir distintos
signos vitales en el cuerpo humano, han dado origen a un
número creciente de aplicaciones expertas en el ámbito de la
salud. Estas aplicaciones se utilizan fundamentalmente para
monitorear distintas variables fisiológicas o físicas en
determinados grupos poblacionales, por ejemplo para atender
en sus domicilios a personas con enfermedades crónicas, o en
enfermos internados en hospitales o también para gente de los
llamados grupos de riesgo (por ejemplo, las personas mayores)
[1].
En todos estos casos, las señales fisiológicas tomadas por los
sensores, se pueden procesar y enviar de modo inalámbrico
hacia dispositivos que pueden concentrar esta información y
luego enviarla vía internet a los distintos centros de atención.
Se puede observar que, en la medida que la tecnología permita
hacer a estos sensores cada vez más accesibles y cómodos de
utilizar, su uso será cada vez mayor.
Considerando este pronóstico a futuro, uno de los desafíos a
enfrentar es el manejo de la gran cantidad de datos que se van
a generar.
Una de las opciones es contar con un sistema de
datawarehouse que permita almacenar toda la información
proveniente de las distintas BSN, para luego poder hacer
análisis con las distintas herramientas de DSS o datamining
existentes.
Una correcta estructura de datos, ofrece una gran ventaja que
ayuda a simplificar el análisis estadístico. Es menester
investigar el diseño de una infraestructura adecuada, con
recomendaciones referidas a la construcción y diseño de un
datawarehouse[2].
A continuación, en el capítulo III se realizará una breve
descripción de los distintos tipos de sensores para BSN,
incluyendo un resumen de las nuevas tecnologías que van a
permitir que el uso de estas redes sea cada vez más sencillo de
implementar. También se presentan las distintas alternativas
disponibles en lo referente a las comunicaciones entre los
nodos de las BANs. En el capítulo IV, se hace un repaso de la
situación actual en las redes BSN y se realizará una
descripción de los principios de diseño de un DWH que nos va
a permitir, en el capítulo V, comentar un caso de aplicación
existente en el cual se detallará el modo de explotar los datos
recogidos de una red BSN y aplicarlos en el ámbito de la
salud.
III. SENSORES PARA BODY SENSOR NETWORKS
Últimamente, hay un gran avance en el desarrollo de nuevas
tecnologías para la fabricación de sensores.
En el ámbito de las BSN, podemos mencionar tanto la
nanotecnología, que trabaja con dispositivos a nivel molecular
(medidas en escalas nanométricas, 1x10-9 m) como la
tecnología MEMS (Micro Electromechanical Systems), que
produce dispositivos con medidas desde los 20 micrones hasta
1 mm [4].
En la figura 1 se puede observar la magnitud relativa entre las
dimensiones de la nanotecnología y de los dispositivos
MEMS.
Con respecto a los sensores para BSN, podemos clasificarlos
en dos grandes grupos, sensores implantables y sensores de
uso externo.
2
Los sensores implantables están teniendo una gran evolución
debido principalmente a los avances en el desarrollo de las
nanotecnologías como se mencionó anteriormente.
Pero si bien se han experimentado estos sensores en el corto
plazo (días), todavía no hay mucha información acerca del
comportamiento de estos sensores en el largo plazo (de
semanas a meses) [1].
Figura 1 - Escala de magnitudes
Las características generales que deben tener los sensores que
se utilizan en BSN son:




Bajo consumo
Poco peso
Tamaño reducido
Conectividad fiable
El consumo de un sensor se puede obtener como la suma del
consumo del sensor en sí, la de los componentes que procesan
la señal y del emisor inalámbrico (figura 2). En todas estas
etapas,
el
requerimiento
de
potencia
depende
fundamentalmente de la característica de la señal que se esté
utilizando, sobre todo su velocidad de operación.
de ellas por ejemplo, es captar la energía del medio ambiente,
incluso del propio cuerpo humano. Dentro de estas
investigaciones se pueden mencionar captores de energía de
movimiento, de vibración, de flujo de aire, de diferencia de
temperatura, campos electromagnéticos ambientales y
radiaciones tanto de luz visible como de infrarrojo [5].
En lo que respecta a la arquitectura de comunicaciones, las
redes BSN se presentan en general como un conjunto de nodos
autónomos sobre el cuerpo del paciente. Estos conforman una
red que puede ser de tipo estrella, con un nodo central y uno o
más nodos periféricos, o una red entre iguales, donde todos los
nodos tienen la misma jerarquía.
Estos nodos transmiten sus datos de modo inalámbrico, usando
UMTS (Universal Mobile Telecommunications System) o
GPRS (General Packet Radio Service) hacia una central que
sirve de intermediario entre los pacientes y los proveedores de
atención médica.
El advenimiento de sensores inalámbricos que pueden formar
redes inteligentes, no sería posible sin la disponibilidad de
transceptores económicos de baja potencia. Estos pueden
transmitir datos en tiempo real hasta distancias del orden de
los 5 metros. [1]
Actualmente, se está realizando un gran esfuerzo en
estandarizar los protocolos en las distintas capas del modelo
OSI de comunicaciones.
En la tabla 1 se observan algunas diferencias entre las
tecnologías Zigbee y Bluetooth.
Radio/MAC std.
Banda de Frec.
Veloc. Transm.
Alcance
Consumo
Topología
Zigbee
IEEE 802.15.4
868Mhz /
915Mhz/
2.4Ghz
20 – 250 Kbps
30 m
30 mW
Estrella, Mesh
Bluetooth
IEEE 802.15.1
2.4 Ghz
50 – 200 Kbps
30 m
10mW
Estrella
Tabla 1 - Tecnologías de comunicación
Figura 2 - Requerimiento de energía
En su gran mayoría, las tasas de transferencia de bits son muy
bajas, lo que redunda en un bajo requerimiento energético.
El mayor consumo se da frecuentemente en la etapa de
transmisión por radio. En lo que respecta a la conversión
analógica a digital, ya se están consiguiendo dispositivos de
consumos tan bajos como 1µW (microwatt).
En general, la alimentación de estos sensores se realiza a
través de baterías. Pero se están investigando alternativas. Una
Es deseable la integración de los distintos sensores y
dispositivos de redes de los distintos fabricantes. Ya que todos
los dispositivos que estamos utilizando son de transmisión
inalámbrica, el protocolo de comunicaciones inalámbrico es
uno de los puntos más importantes en dicha integración.
La mayoría de las plataformas actuales de BSN utilizan el
protocolo de comunicaciones IEEE 802.15.4. Este protocolo
fue desarrollado específicamente para estas redes de sensores
inalámbricos. Si bien el IEEE 802.15.4 sirve de base para el
desarrollo de Zigbee por ejemplo, que es un estándar muy
utilizado en los sensores inalámbricos, en cambio no tiene
soporte en los celulares o PDA que sirven de Gateway para las
comunicaciones. Estos últimos dispositivos utilizan, en
cambio, el estándar Bluetooth para las aplicaciones de redes de
área personal. [6]
3
Otro aspecto a considerar en lo que respecta a la transmisión
de datos entre los distintos nodos de de las BSN, es la
seguridad. En ese sentido, se debe impedir la lectura a
personas no autorizadas así como también garantizar la
integridad de los datos transmitidos.
Figura 3 - Interconexión entre nodos
En cuanto a la cantidad de datos que los distintos tipos de
sensores envían a la estación central, podemos guiarnos por la
siguiente tabla que nos muestra las tasas de transferencia
relativa:
Sensor
Acelerómetro/giróscopo
Azúcar en sangre
Presión arterial
Dióxido de carbono
ECG
EEG
EMG
Oxígeno
Humedad
Temperatura
Velocidad de transferencia
Alta
Alta
Baja
Muy baja
Alta
Alta
Muy alta
Baja
Muy baja
Muy baja
Tabla 2 - Tasas de Transferencia Relativa
Estos valores son útiles para prever el tamaño de la base de
datos que va a almacenar la información.
IV. SITUACIÓN ACTUAL
Los campos en los que se desenvuelve la informática en los
temas relacionados con la salud son:




Administración de los servicios de salud
Cuidados clínicos
Investigación médica
Entrenamiento
En cualquiera de estos ámbitos, la informática, y más
precisamente la Minería de Datos, puede aplicarse para
extender y mejorar las aplicaciones existentes.
Por ejemplo, una base centralizada permitirá a un médico tener
acceso a todos los registros relevantes del paciente, y una
aplicación de Minería de Datos puede dar a los mismos
médicos herramientas analíticas y de predicción que no son
evidentes a simple vista.
Podemos observar que resultaría muy beneficioso agregar a los
registros del paciente la información que proviene de las BSN,
ya que permitirá contar con muchos más datos de los que
habitualmente se utilizaban.
En la actualidad, todos los datos enviados por los sensores de
las BSN son utilizados fundamentalmente para el monitoreo de
pacientes y toma de decisiones en tiempo real. En esta
situación, y en primera instancia, no se necesita de ninguna
base de datos donde centralizar la información, ya que
inicialmente, los sistemas que trabajan con las redes BSN no
lo requieren.
Una vez utilizada la información transmitida por los sensores
de la BSN, en el mejor de los casos, se la guarda en la historia
clínica del paciente.
A continuación, se estudiarán las ventajas de tener sistemas
que partiendo de los datos “crudos” recibidos por todas las
BSN conectadas al mismo, nos permitan extraer información
relevante para el desarrollo de nuevas drogas, o para la
investigación de nuevas formas de diagnóstico, para mejorar
los sistemas de prevención, o incluso información útil para la
administración de un centro de salud.
La propuesta del trabajo es a partir de los datos generados en
los sensores, integrar toda la información producida por las
BSN en un Datawarehouse, desde donde se pueda luego, a
través de herramientas de análisis o de sistemas de Minería de
Datos, extraer la información útil contenida en el gran
volumen de datos disponible.
Existe una jerarquía que distingue los datos de la información.
Por medio del análisis de esa información, se busca obtener
conocimiento acerca de algún área en particular.
La relación entre datos, información y conocimiento se
representa habitualmente como una pirámide.
En dicha pirámide se observan dos dimensiones. Por un lado,
el eje horizontal representa la cantidad de datos, donde se
puede apreciar que hay una gran cantidad en la base y a
medida que subimos en la pirámide, termina convirtiéndose en
información muy resumida que se necesita para la toma de
decisiones.
Por otra parte, si miramos el eje vertical, este nos indica que
en la base tenemos datos sin procesar, y a medida que
subimos, esos datos se convierten en información y en
conocimiento (Figura N° 2).
También se suele llamar a la parte inferior de la pirámide
como la operativa, y la superior como el soporte de las
decisiones estratégicas.
4
1. Sus datos están orientados a un determinado sujeto de
estudio.
2. Los datos están integrados, esto es, tienen nombres
consistentes, formatos determinados, etc. a pesar de
provenir de distintos orígenes.
3. El DWH permite hacer estudios a través del tiempo, ya
que mantiene la historia de los cambios.
Figura 4 - Pirámide del conocimiento
En este trabajo nos enfocamos en la parte media y superior de
la pirámide, ya que no consideramos las aplicaciones actuales
de monitoreo y alarma que, según lo explicado anteriormente,
se ubican en el entorno operativo, en la base de la pirámde.
Para poder concretar el objetivo de este estudio, en el área
estratégica como mencionamos, necesitamos considerar el uso
de un datawarehouse.
El datawarehouse es el corazón de cualquier sistema DSS
(Sistemas de soporte de decisiones).
Un DWH consiste básicamente en dos tipos de tablas:
 Tablas de hechos
 Tablas de dimensiones
Las tablas de hechos son las que almacenan los datos
numéricos, que se pueden sumarizar; por ejemplo, en nuestro
caso podríamos tener datos del tipo presión sistólica, o nivel
de glucosa, etc.
Por otra parte, tenemos las tablas que se llaman
Dimensionales, que son las que van a contener datos de las
dimensiones en las que se pueden interpretar los valores de las
tablas de hechos; por ejemplo, podríamos tener la dimensión
Tiempo, que nos permitiría observar la variación de la presión
sistólica o el nivel de glucosa a través de las horas del día.
La relación entre la tabla de hechos y las dimensiones se
observa en la figura 5.
Esta arquitectura de tablas se la conoce también como
esquema estrella, o modelo multidimensional.
Figura 5 - Relación entre tablas del DWH
El DWH tiene las siguientes características:
En estos sistemas, la carga de datos se realizan a través de
procesos llamados ETL (Extract, Transform and Load) los
cuales garantizan que se cumplan las condiciones vistas
anteriormente, de consistencia y variabilidad en el tiempo.
Generalmente, los datos de las tablas de hechos no son
actualizables, o sea que se insertan una vez y ese registro no se
modifica.
En la figura 6 se observa un esquema del proceso de carga de
datos.
Figura 6 - Esquema general DWH
Se observa a la derecha las bases de datos y archivos llamados
transaccionales u operacionales. En nuestro caso, estos datos
están almacenados en los distintos sistemas que componen una
solución de telemedicina. Por ejemplo, los datos producidos
por los sensores inalámbricos son transmitidos a un dispositivo
portátil (una PDA por ejemplo) y de allí pueden enviarse vía
internet a algún centro de asistencia donde debe existir una
aplicación que registre estos valores.
Luego, con cierta periodicidad, que habitualmente es cada día,
en un horario donde no haya mucha interferencia con las
transacciones de los sistemas y aplicaciones, corre el proceso
de ETL. Este consta de dos o tres etapas, según el diseño. En
un primer paso se copian las tablas del sistema transaccional a
un ambiente de almacenamiento intermedio llamado “staging”.
Este paso no es trivial, ya que los orígenes de datos pueden ser
de distintas fuentes y distintos fabricantes, cada uno con sus
protocolos, de modo que el ETL tiene que tener la capacidad
de poder leer desde distintos orígenes. Estos datos provienen
mayormente de bases de datos relacionales o de archivos de
texto plano. Una vez con los datos en este ambiente de staging,
se procede a la limpieza de los mismos, o sea, se deben
corregir todas las anomalías que puedan presentar en los
orígenes y aparte se normalizan todos los valores. Por ejemplo,
se podría dar que un sistema codifique los valores para el sexo
de los pacientes como „M‟ y „F‟, y en otro caso se guarden
como „Masculino‟ y „Femenino‟. Obviamente, en nuestro
5
DWH no podemos tener esas ambigüedades y debemos tener
consistencia en los datos.
También en esta etapa se pueden hacer transformaciones, por
ejemplo, calcular la edad en base a la fecha actual y la fecha
de nacimiento, asignar algún valor por defecto a las columnas
que no traigan datos, etc.
Finalmente, se procede a la carga de estos datos que se
encuentran en la etapa de almacenamiento intermedio en el
DWH.
Una vez cargados los datos en el DWH, existen productos
comerciales para explotar dichos datos.
Podemos mencionar tres grandes utilidades operan sobre los
datos del DWH:
 Construir reportes y tableros
 Análisis estratégico de los datos (OLAP)
 Minería de datos
La Minería de Datos se la puede definir como la extracción de
información a partir de los datos almacenados en el DWH.
Además, las características de esta información es que está
implícita en el gran volumen de datos, no se la conoce
previamente y es potencialmente útil.
Hay varios autores que han desarrollado conceptos de Minería
de Datos para su aplicación en sistemas de salud.[3]
En [7] se presenta una implementación de DWH en medicina.
Dentro de las técnicas que se utilizan en Minería de Datos,
podemos mencionar:
 Clasificación
 Clustering
 Reglas asociativas
 Descubrimiento de patrones
 Regresión
 Detección de desvíos
Según el objetivo que se persiga, podemos ver cuáles son las
técnicas que se aplican (tabla 2).
Objetivo
Predicción
Clasificación
Exploración
Técnicas
Regresión
Redes Neuronales
Arboles de Decisión
Razonamiento basado en memoria
Arboles de Decisión
Redes Neuronales
Clustering
Clasificadores Bayesianos
Arboles de Decisión
Clustering
Tabla 3 - Técnicas de Minería de Datos
Las técnicas de Minería de Datos más utilizadas en medicina
son las de clasificación, por ejemplo los árboles de decisión.
De todos modos es difícil saber con anticipación cual es el
mejor algoritmo para cada caso. Por ejemplo, en [8] el autor
compara cinco algoritmos distintos de clasificación para
diagnóstico de ciertas afecciones de la piel. Sus resultados
muestran que la regresión logística y las redes neuronales son
las técnicas que mejores resultados dieron. Pero en otras
situaciones, con otros diagnósticos, los árboles de decisión
pueden ser los adecuados.
Otra consideración que hay que tener en el momento de
diseñar el DWH en medicina es la gran diferencia que existe
entre el tipo de datos que se presentan en el ambiente médico
con respecto a los sistemas que se utilizan normalmente en
ámbitos comerciales.
Por ejemplo, algo muy común en DWH orientados a negocios
es hacer lo que se denomina sumarización de los datos. Es el
caso de las ventas que se pueden agrupar por sucursal, y por
región, de modo de obtener una síntesis de las mismas.
En el caso de los DWH en medicina, hacer sumarizaciones con
datos fisiológicos de los pacientes, como por ejemplo, total de
presión sistólica en determinada institución, no tiene mucho
sentido si antes no se transforma la información de algún
modo, como veremos más adelante.
Ya existen muchas aplicaciones de Minería de Datos en salud.
Se pueden mencionar el control de infecciones en hospitales y
la identificación de pacientes de alto riesgo entre otras.
La propuesta que se presenta a continuación, en un caso
teórico de aplicación, es ampliar el ingreso de información
tradicional a través de terminales de PC, con los datos
provenientes de sensores pertenecientes a redes BSN.
V. CASO DE APLICACIÓN
En [9] se describen dos casos de aplicación de los sistemas de
análisis de datos en el ámbito de la salud.
En el primero se trata el manejo de reclamos de seguros y
costos de atención en una institución, mientras que en el
segundo ejemplo se hace análisis de los efectos y evolución de
una determinada droga administrada a pacientes.
Es en este último caso que pensamos que puede ser de gran
utilidad la inclusión de datos provenientes de los sensores de
las BANs.
En el caso mostrado, se realiza un estudio de una droga
llamada Nicardipina. El estudio se llama NICSAH y contiene
una gran variedad de datos y se observa la existencia de la
dimensión tiempo, donde se representa la duración del estudio.
Hay un conjunto de datos llamados “poblacionales” que
describen la información demográfica del paciente. Dicho
paciente aparece siempre bajo un número unívoco, el
id_paciente, de modo que no se conoce su nombre o
documento, sino que se lo identifica por ese número.
Los datos demográficos que figuran son por ejemplo la edad,
el sexo, la raza, etc.
Luego hay otro conjunto de datos con las mediciones de los
signos vitales durante el experimento. Cada registro en el
DWH corresponde a una sola de estas mediciones. Estos datos
con las mediciones de las señales fisiológicas también
identifican al paciente con el mismo id_paciente, para poder
vincularlo con las tablas poblacionales.
Hay una columna que se llama “Numeric Result” que es la que
contiene el valor del signo vital propiamente dicho, por
ejemplo se observa la presión sistólica, la presión diastólica, el
pulso, etc.
6
que significa más elementos a considerar para la evaluación
de los resultados.
VI. CONCLUSIONES
Figura 7 - Datos fisiológicos
Los datos demográficos nos permiten tener una gran variedad
de dimensiones, por ejemplo, podemos segmentar la población
de prueba por edad, por sexo, por raza, por zona geográfica,
etc.
El desafío es como agrupamos los datos vitales para que
tengan algún sentido. Como veíamos anteriormente, no
podemos sumar los valores de presión, o los latidos. Tampoco
sirve hacer promedio de los mismos, no tiene sentido. Lo que
sí se puede hacer es distribuir la presión en alta, normal o baja
por ejemplo, para cada paciente, y luego podemos examinar
que porcentaje de la población respondió con una suba o baja
de presión.
El resultado se observa en la figura 8, donde podemos ver que
se puede obtener la información acerca de cómo van
modificándose los porcentajes a lo largo del tiempo, que era
una de las dimensiones consideradas.
Es indudable que el uso de sistemas de análisis de datos va a
utilizarse cada vez más en ámbitos que no son los habituales
del campo de los negocios.
Contar con un DWH en instituciones de servicio médico nos
va a permitir acceder a información muy valiosa para mejorar
la atención a los pacientes y para mejorar también la
administración de hospitales y clínicas.
Con el advenimiento de las redes BSN tenemos una nueva
manera de ingresar datos en el sistema, y la información que se
dispone es cada vez más precisa. Los test de medicamentos
como el que presentamos en este trabajo, ya no tendrán que
estar limitados a pacientes en hospitales o clínicas, sino que
van a poder realizarse con los pacientes en sus domicilios, o
haciendo sus tareas habituales.
Con las herramientas de Minería de Datos, los profesionales
de la salud van a poder realizar diagnósticos más precisos, ya
que contarán con la inteligencia almacenada de miles de casos
realizados por otros colegas.
Esta manera de interactuar con los datos es en dos direcciones,
por un lado, miles de datos se van a almacenar desde los
sensores de las BSN en los DWH, pero por otra parte, y a raíz
de los análisis que se realicen, miles de datos también van a
salir del DWH en forma de conocimiento para consulta de
todo el cuerpo médico que pueda acceder a los mismos.
VII. FUTURAS LÍNEAS DE INVESTIGACIÓN
Figura 8 - Variación porcentual de valores fisiológicos
Tal como se armaron las tablas del DWH, y utilizando lo que
se denomina “drilling” podemos permitir al profesional de la
salud que analice los datos y pueda comparar y encontrar
diferencias entre los resultados en hombres o en mujeres, en
determinados rangos de edad, etc.
De este modo, vemos que si al paciente bajo estudio le
colocamos sensores constituyentes de una BSN, éstos van a
estar entregando las señales necesarias para el estudio
directamente al DWH, mientras la persona está realizando sus
actividades normales, sin tener que concurrir a un centro
especializado donde le midan los mismos parámetros.
Aparte de la comodidad que esto implica, también se observa
que se puede contar con muchos más datos para el estudio, lo
1. Con el creciente desarrollo de la nanotecnología, se
van a conseguir sensores cada vez más pequeños y
más fáciles de implantar. En ese contexto, va a ser
muy frecuente que las personas con algún síntoma de
riesgo para su salud va a poder tener estos sensores
disponibles que le indicarán cuando algún parámetro
fisiológico esté en alguna zona peligrosa, con lo cual
se podrán disminuir en gran medida los costos de
salud. Para ello, se podrá contar con un volumen muy
grande de datos en el DWH, que permitirá hacer el
análisis correspondiente para ver en qué situación se
puede clasificar al paciente.
2. En situaciones en las que actualmente se prueban
medicamentos nuevos, se cuenta con grupos de
control, los cuales deben concurrir periódicamente a
realizarse los chequeos correspondientes para evaluar
los resultados. Con las nuevas tecnologías de sensado
remoto, estos chequeos se podrán hacer con más
facilidad y se podrá contar con mucha más
información, lo que redundará en resultados más
precisos en las investigaciones.
3. Bases de datos y DWH compartidos entre distintas
instituciones, cargados con datos de distintos
parámetros fisiológicos obtenidos con las BSN, y
7
relacionados con los diagnósticos que los médicos
realizaron en el pasado, permitirán que otros médicos
en lugares remotos puedan acceder al conocimiento
implícito en esos DWH, pudiendo resolver
diagnósticos en los cuales se tiene poco conocimiento
local, mejorando de este modo la calidad de atención
a los pacientes.
VIII. AGRADECIMIENTOS
Quiero agradecer a mi tutor de cátedra, el Lic. Pablo Lena, por
haberme guiado y motivado en la investigación del trabajo
final de grado.
IX. REFERENCIAS
Libros:
[1]
[2]
[3]
Guang-Zhong Yang, PhD “Body sensor networks”, Springer- Verlag
Eds, London, 2006.
Ralph Kimball, Margy Ross"The Data Warehouse Toolkit", Wiley
Computer Publishing, 2002.
C. Baragoin, C. M. Andersen, S. Bayerl, G. Bent, J. Lee, C. Schommer
“Mining Your Own Business in Health Care Using DB2 Intelligent
Miner for Data”, IBM Corporation, International Technical Support
Organization, September 2001.
Papers:
[4]
[5]
[6]
[7]
[8]
[9]
Nader Najafi and Achiau Ludomirsky “Initial animal studies of a
wireless, batteryless MEMS implant for cardiovascular applications”,
Biomedical Microdevices, Kluwer Academic Publishers, 2004.
James Gilbert and Farooq Balouchi “Comparison of Energy Harvesting
Systems for Wireless Sensor Networks”, International Journal of
Automation and Computing, October 2008.
Víctor Custodio, Francisco J. Herrera, Gregorio López and José Ignacio
Moreno “A Review on Architectures and Communications
Technologies for Wearable Health-Monitoring Systems”, Sensors 2012,
12, 13907-13946.
Edward F. Ewen, MD; Carl E. Medsker, MS; Laura E. Dusterhoft, RN
“Data Warehousing in an Integrated Health System; Building the
Business Case”, Christiana Care Health System / Drexel University,
USA
Dreseitl, S., Machado, L. “A comparison of machine learning methods
for diagnosis of pigmented skin lesions”, Journal of Biomedical
Informatics, 34, 28-36
Leveille, John, “Healthcare Intelligence: The Challenge of OLAP for
Healthcare Data”, d-Wise Technologies, Inc., Raleigh, NC, USA
X. BIOGRAFIAS
Diego de la Parra nació en la ciudad de
Buenos
Aires,
Argentina.
Está
finalizando el último semestre de la
carrera de Licenciatura en Informática,
en la Universidad de Palermo.