<?xml version="1.0" encoding="UTF-8"?>
<collection>
<dc:dc xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:invenio="http://invenio-software.org/elements/1.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/ http://www.openarchives.org/OAI/2.0/oai_dc.xsd"><dc:language>spa</dc:language><dc:creator>Campo León, Elena</dc:creator><dc:creator>Alcalá Nalvaiz, José Tomás</dc:creator><dc:creator>Gimeno Miguel, Antonio</dc:creator><dc:title>Técnicas de aprendizaje automático en estudios epidemiológicos longitudinales. Aplicación a la Cohorte EpiChron de investigación en multimorbilidad.</dc:title><dc:identifier>TAZ-TFM-2022-1430</dc:identifier><dc:description>Se presentan las técnicas de Machine Learning, clúster difuso y reglas de asociación, aplicables a estudios longitudinales de tipo cohorte, en particular se aplica a una muestra  de pacientes  de entre 65 y 75 años durante los años 2010 a 2019, proveniente de la Cohorte EpiChron, de investigación en multimorbilidad, que contiene información de tipo médico sobre la población usuaria del sistema de salud público de Aragón.&lt;br /&gt;El objetivo final será la aplicación de estas técnicas para obtener una agrupación de enfermedades en diferentes clusters y construir trayectorias de multimorbilidad entre enfermedades que aparecen con un determinado patrón frecuente, es decir, determinar la secuencia temporal más probable en el diagnóstico.&lt;br /&gt;&lt;br /&gt;</dc:description><dc:publisher>Universidad de Zaragoza</dc:publisher><dc:date>2022</dc:date><dc:source>http://zaguan.unizar.es/record/124531</dc:source><dc:identifier>http://zaguan.unizar.es/record/124531</dc:identifier><dc:identifier>oai:zaguan.unizar.es:124531</dc:identifier></dc:dc>

</collection>