<?xml version="1.0" encoding="UTF-8"?>
<articles>
<article xmlns:xlink="http://www.w3.org/1999/xlink/">
  <front>
    <article-meta>
      <title-group>
        <article-title/>
      </title-group>
      <contrib-group>
        <contrib contrib-type="author">
          <name>
            <surname>Alcalá Nalvaiz</surname>
            <given-names>José Tomás</given-names>
          </name>
        </contrib>
        <contrib contrib-type="author">
          <name>
            <surname>Gimeno Miguel</surname>
            <given-names>Antonio</given-names>
          </name>
        </contrib>
      </contrib-group>
      <pub-date pub-type="pub">
        <year>2022</year>
      </pub-date>
      <self-uri xlink:href="http://zaguan.unizar.es/record/124531"/>
      <self-uri xlink:href="http://zaguan.unizar.es/record/124531/files/TAZ-TFM-2022-1430.pdf"/>
    </article-meta>
    <abstract>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;</abstract>
  </front>
  <article-type>TAZ</article-type>
</article>

</articles>