Diseño de un modelo inteligente basado en aprendizaje automático para la predicción de enfermedades y mejora del proceso de atención en la clínica veterinaria SIRA PETS

Simple item page
dc.contributor.advisorNaranjo Robalino, José Ezequiel
dc.contributor.authorChiluisa Gutiérrez, Bryan Alexander
dc.contributor.authorPerdomo Unaucho, Ana Gabriela
dc.date.accessioned2026-10-21T21:14:26Z
dc.date.available2026-10-21T21:14:26Z
dc.date.issued2026-10-14
dc.descriptionEl estudio abordó las limitaciones de la gestión de información clínica en la veterinaria SIRA PETS, caracterizada por registros dispersos y no estandarizados que dificultaban la consulta de antecedentes y la identificación de enfermedades recurrentes. Su objetivo fue diseñar un modelo inteligente basado en aprendizaje automático para predecir enfermedades caninas y mejorar el proceso de atención. Se aplicó un enfoque cuantitativo mediante revisión documental retrospectiva, observación, depuración de datos, análisis de Pareto y clasificación supervisada. La población comprendió 500 registros clínicos caninos; se seleccionaron 396 de las siete enfermedades más frecuentes, equivalentes al 79,2 % del total. Se utilizaron veinticinco variables demográficas y clínicas previas al diagnóstico; se aplicó validación cruzada estratificada de cinco particiones. Se compararon los algoritmos árbol de decisión J48, Random Forest, Naive Bayes y máquina de soporte vectorial con núcleo de función de base radial, mediante métricas de clasificación. Random Forest obtuvo el mejor desempeño, con una exactitud de 0,9368 y un índice F1 ponderado de 0,9328. La prueba funcional con 72 casos adicionales generó predicciones para las siete enfermedades y mostró una concordancia inicial del 88,89 % con el criterio veterinario; constituyó una validación funcional inicial y no una validación clínica externa. Como propuesta de mejora, se integraron una ficha clínica estandarizada y un dashboard desarrollado en Streamlit para organizar el ingreso de datos, generar predicciones orientativas y apoyar la valoración veterinaria sin sustituir el juicio profesional. Además, la propuesta permitió estimar la mejora porcentual del proceso de atención mediante la comparación entre el proceso actual y el proceso propuesto.
dc.description.abstractThe study addressed the limitations of clinical information management at SIRA PETS Veterinary Clinic, which were characterized by scattered and non-standardized records that hindered access to patient history and the identification of recurrent diseases. Its objective was to design an intelligent machine learning-based model to predict canine diseases and improve the care process. A quantitative approach was applied through retrospective document review, observation, data cleaning, Pareto analysis, and supervised classification. The population comprised 500 canine clinical records; 396 records corresponding to the seven most frequent diseases were selected, representing 79.2% of the total. Twenty-five demographic and pre-diagnostic clinical variables were used, and five-fold stratified cross-validation was applied. The J48 decision tree, Random Forest, Naive Bayes, and support vector machine algorithms with a radial basis function kernel were compared using classification metrics. Random Forest achieved the best performance, with an accuracy of 0.9368 and a weighted F1-score of 0.9328. The functional test conducted with 72 additional cases generated predictions for the seven diseases and showed an initial agreement of 88.89% with veterinary judgment; this constituted an initial functional validation rather than an external clinical validation. As an improvement proposal, a standardized clinical record form and a dashboard developed in Streamlit were integrated to organize data entry, generate advisory predictions, and support veterinary assessment without replacing professional judgment. In addition, the proposal made it possible to estimate the percentage improvement in the care process by comparing the current process with the proposed process.
dc.format.extent141 páginas
dc.identifier.citationChiluisa Gutiérrez, B. A., & Perdomo Unaucho, A. G. (2026). Diseño de un modelo inteligente basado en aprendizaje automático para la predicción de enfermedades y mejora del proceso de atención en la clínica veterinaria SIRA PETS [Tesis de ingeniería, Universidad Técnica de Cotopaxi]
dc.identifier.otherUTC-CIYA-IND-2026-022-TS
dc.identifier.urihttps://repositorio.utc.edu.ec/handle/123456789/15944
dc.language.isoes
dc.publisherUniversidad Técnica de Cotopaxi (UTC). Ciencias de la Ingeniería y Aplicadas. Industrial
dc.subjectAprendizaje automático
dc.subjectPredicción de enfermedades veterinarias
dc.subjectApoyo a la decisión clínica
dc.subjectRandom forest y mejora de procesos.
dc.titleDiseño de un modelo inteligente basado en aprendizaje automático para la predicción de enfermedades y mejora del proceso de atención en la clínica veterinaria SIRA PETS
dc.typeThesis
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
UTC-CIYA-IND-2026-022-TS.pdf
Size:
4.71 MB
Format:
Adobe Portable Document Format
Description:
DOCUMENTO A TEXTO COMPLETO
Download
License bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
Titulación - Ingeniería Industrial