ENTRAR            

		INSTRUMENTOS
		Resultados del Big Data aplicado a la gestión Obstétrica, una revisión narrativa María Isabel Fernández Aranda1 1Matrona de la Unidad de Ginecología y Obstetricia del Hospital Virgen del Rocío de Sevilla. Experta Universitaria en Estadística Aplicada a las Ciencias de la Salud, Nutrición en Salud Pública, Seguridad Alimentaria y Educación del Consumidor y Promoción de la Salud en la Comunidad. Sevilla, España Manuscrito recibido el 19.11.2016 Manuscrito aceptado el 27.2.2017 Tesela [Rev Tesela] 2017; 21
Cómo citar este documento
Fernández Aranda, María Isabel. Resultados del Big Data aplicado a la gestión Obstétrica, una revisión narrativa. Tesela [Rev Tesela] 2017; 21. Disponible en <https://www.index-f.com/tesela/ts21/ts11595.php> Consultado el

Resumen Introducción/Objetivos: En el campo de la salud el potencial del Big Data está en el procesamiento de datos digitalizados en los servicios sanitarios, procedentes de múltiples orígenes, para apoyar la toma de decisiones informadas y confiables del personal sanitario. En el presente artículo se analizan las aplicaciones actuales del Big Data en el campo Obstétrico y las mejoras y oportunidades que ofrece a la Matrona y la Gestante como gestoras y usuarias de servicios obstétricos. Método: se ha realizado una revisión narrativa de los artículos publicados entre Enero de 2000 y Enero de 2017 en las bases de datos PubMed, Cochrane, Hindawi, Elsevier y Cuiden. Resultados: se han considerado de interés 18 referencias bibliográficas. Conclusiones: Se ha encontrado innovadores avances en el proceso de diagnóstico y tratamiento de la gestante, la reducción de costes en las unidades de Obstetricia, la mejora del proceso de toma de decisiones y el mayor control asistencial. El uso de los datos contenidos en estas bases de datos nos permite mejorar la capacidad de predicción de la organización sanitaria y ayudar a promover iniciativas que aumenten la satisfacción de la gestante. Palabras clave: Minería de datos/ Procesamiento automático de datos/ Sistemas de Información en Salud/ Sistemas de Información administrativa/ Embarazo.		Abstract (Results of the Big Data applied to the Obstetric management, a narrative review) Introduction/Objectives: In the field of health, the potential of Big Data is in the processing of digitized data in health services, from multiple sources, to support the informed and reliable decision-making of health personnel. This article analyzes the current applications of Big Data in the Obstetric field and the improvements and opportunities offered to the Midwife and the Pregnant woman as obstetrical services managers and users. Method: A narrative review of the articles published between January 2000 and January 2017 has been carried out in PubMed, Cochrane, Hindawi, Elsevier and Cuiden databases. Results: 18 bibliographic references have been considered of interest. Conclusions: Innovative advances have been found in the process of diagnosis and treatment of pregnant women, cost reduction in Obstetrics units, improvement of the decision-making process and greater control of care. The use of the data contained in these databases allows us to improve the predictive capacity of the health organization and to help promote initiatives that increase the satisfaction of the pregnant woman. Key-words: Data mining/ Automatic Data Processing/ Health Information Systems/ Management Information Systems/ Pregnancy.
Bibliografía 1. En.oxforddictionaries.com, The Oxford English Dictionary's [sede web]. Oxford: en.oxforddictionaries.com; 2017 [acceso 11 febrero 2017]. Disponible en: https://en.oxforddictionaries.com/definition/information_explosion. 2. Wikipedia [base de datos de Internet]. San Francisco, California, Estados Unidos. Fundación Wikipedia [acceso 11 febrero 2017]. Disponible en: https://www.princeton.edu/~achaney/tmve/wiki100k/docs/Information_explosion.html. 3. Cox M, Ellsworth D. Application-Controlled Demand Paging for Out-of-Core. Proceedings of Visualization. 1997 ; (10): 1-12. Disponible en: https://www.nas.nasa.gov/assets/pdf/techreports/1997/nas-97-010.pdf. 4. Laney D. 3D Data Management: Controlling Data Volume, Valocity and Variety. Application Delivery Strategies. Meta Group. 2001;2 :1-4. File 949. Disponible en: https://blogs.gartner.com/doug-laney/files/2012/01/ad949-3D-Data-Management-Controlling-Data-Volume-Velocity-and-Variety.pdf. 5. Bryant R E, Katz R H, Lazowska E D. Big-Data Computing: Creating revolutionary breakthroughs in commerce, science, and society: A white paper prepared for the Computing Community Consortium committee of the Computing Research Association. 2008. Disponible en: https://www.cra.org/ccc/files/docs/init/Big_Data.pdf. 6. Global information infrastructure, internet protocol aspects and next-generation networks. Y.3600 : Big data - Requisitos y capacidades basados en la computación en la nube. [monografía en Internet]. Genova: Unión Internacional de Telecomunicaciones; 2015 [acceso 2 Abril 2017]. Disponible en: https://www.itu.int/rec/T-REC-Y.3600-201511-I/es. 7. Bellazzi R. Big data and biomedical informatics: a challenging opportunity. Yearbook of Medical Informatics. 2014;9:8-13. 8. Dios Rubio MA, Molina Pariente JM, Framiñán Torres JM, Domínguez Cañizares D. Gestión del conocimiento en el ámbito sanitario: revisión de la literatura. 4th International Conference on Industrial Engineering and Industrial Management, XIV Congreso de Ingeniería de Organización. 2010, Donostia- San Sebastián. 9. Baro E, Degoul S, Beuscart R. Toward a literature-driven definition of big data in healthcare. BioMed Research International. 2015; 2015:639021. 10. Stiglich P, Rajagopal H. Using Big Data for Improved Healthcare Operations and Analytics. Slide Share [Internet]. 30 de Mayo de 2012 [acceso 17 Diciembre 2016]. Disponible en: https://www.slideshare.net/perficientinc/using-big-data-for-improved-healthcare-operations-and-analytics. 11. Durairaj M, Ranjani V. Data Mining Applications In Healthcare Sector: A Study. International Journal of scientific & technology rersearch. 2013; 2(10): 29-35. 12. Fernández Cuesta A, Manrique Tejedor J, Echevarría Amado-Loriga P. Competencias de la Matrona. Colegio Oficial de Enfermeros de Lérida. AgInf. 2013; 65(17), 34-35. Disponible en: https://www.agoradenfermeria.eu/magazine/articles/033_coill_es.pdf. 13. Belle A, Thiagarajan R, Soroushmehr SM, Navidi F, Beard D, Najarian K. Big Data Analytics in Healthcare. BioMed Research International. 2015; Article ID 370194: 1-16. 14. Obenshain MK. Application of Data Mining Techniques to Healthcare Data. ICHE. 2004 ;25 (8): 690-695. 15. Desikan P, Hsu K, Srivastava J. Data mining for Healthcare management. SIAM International Conference on Data Mining. 2011, Mesa, Arizona, USA. 16. Niaksu O, Kurasova O. Data Mining Application in Healthcare Research vs Practice. CEUR Workshop Proceedings. 2012; 924: 58-70. 17. Chye Koh H, Tan G. Data Mining Applications in Healthcare. JHIM. 2005; 19 (2): 64-72. 18. Pereira S, Portela F, Santos MF, Machado J, Abelha A. Predicting Type of Delivery by Identification of Obstetric Risk Factors through Data Mining. Procedia Computer Science. 2015; 64: 601-609. 19. Brandão A, Pereira E, Portela F, Santos MF, Abelha A, Machado J. Predicting the risk associated to pregnancy using data mining. ICAART. 2015; 178: 1-8. 20. Brandão A, Pereira E, Portela F, Santos MF, Abelha A, Machado J. Managing Voluntary Interruption of Pregnancy using Data Mining. Procedia Technology. 2014; 16: 1297-1306. 21. Ray J, Diamond P, Singh G, Bell C. Brief overview of maternal triglycerides as a risk factor for pre-eclampsia. BJOG. 2006; 113:379-386. 22. Kenny LC, Broadhurst DI, Dunn W, Brown M, North RA, McCowan L, et al. Robust Early Pregnancy Prediction of Later Preeclampsia Using Metabolomic Biomarkers. Hypertension. 2010;56:741-749. 23. Gülçin E, Karahocaa A, Uçara T. Dosage planning for diabetes patients using data mining methods. Procedia Computer Science. 2011; 3: 1374-1380. 24. Aljumah A, Ahamad MG, Khubeb Siddiqui M. Application of data mining: Diabetes health care in young and old patients. Computer and Information Sciences. 2013; 25: 127-136. 25. Breaulta JL, Goodallc CR, Fos PJ. Data mining a diabetic data warehouse. Artificial Intelligence in Medicine. 2002; 26:37-54. 26. Chen HY, Chuang CH, Yang YJ, Wuc TP. Exploring the risk factors of preterm birth using data mining. Expert Systems with Applications. 2011; 38: 5384-5387. 27. Courtnet KL, Stewart S, Popescu M, Goodwin LK. Predictors of Preterm Birth in Birth Certificate Data. En: eHealth Beyond the Horizon - Get IT There. MIE 2008. S.K. Andersen et al. (Eds.) IOS Press; 2008. P. 555-560. 28. Cabral A, Pina A, Machado H, Abelha A, Salazar M, Quintas C, et al. Data Acquisition Process for an Intelligent Decision Support in Gynecology and Obstetrics Emergency Triage. Communications in Computer and Information Science. 2011; 221: 223-232. 29. Lee KA, Gay CL. Sleep in late pregnancy predicts length of labor and type of delivery. American Journal of Obstetrics and Gynecology. 2004; 191: 2041- 6. 30. Ferreira D, Oliveira A, Freitas A. Applying data mining techniques to improve diagnosis in neonatal jaundice. BMC Medical Informatics and Decision Making. 2012; 12(143): 1-6. 31. Stragierowicz J, MikoBajewska K, Zawadzka-Stolarz M, PolaNska K, Ligocka D. Estimation of Cutoff Values of Cotinine in Urine and Saliva for Pregnant Women in Poland. BioMed Research International. 2013; Article ID 386784: 1-11. 32. Gong J, Liu S, Chen D. Use of big data - targeted prevention and control of regional and seasonal diseases in obstetrics. CJPR. 2015; 35(10): 1033-1036. 33. Xavier Ferreira RC, Cabral Bar Moro CM, Moyses JS, Carvalho D, Nievola JC. La minería de datos y las características de la mortalidad infantil. Cad. Saúde Pública. 2010; 26(3): 1-8. 34. Pereira E, Portela F, Santos MF, Machado J, Abelha A. Real-time Business Intelligence platform to maternity care. En: IEEE International Conference on Biomedical Engineering and Sciences (IECBES). 2014, Miri, Sarawak, Malaysia. IEEE International; 2014. 379-384. 35. Ruíz Aguilar DA. Guía para la aplicación de marketing de experiencias a través del uso de neuromarketing y publicidad emocional en el mercado de mujeres embarazadas. Caso N cinta. Dirigida por Jorge Bohórquez. Tesis doctoral. Universidad de las Américas, Quito, 2014. Disponible en: https://200.24.220.94/bitstream/33000/3627/1/UDLA-EC-TPU-2014-10%28S%29.pdf.

	RECURSOS CUIDEN		RECURSOS CIBERINDEX		FUNDACION INDEX		GRUPOS DE INVESTIGACION
	CUIDEN CUIDEN citación REHIC Revistas incluidas Como incluir documentos Glosario de documentos periódicos Glosario de documentos no periódicos Certificar producción		Hemeroteca Cantárida El Rincón del Investigador Otras BDB Campus FINDEX Florence Pro-AKADEMIA Instrúye-T		¿Quiénes somos? RICO Red de Centros Colaboradores Convenios Casa de Mágina MINERVA Jóvenes investigadores Publicaciones Consultoría		INVESCOM Salud Comunitaria LIC Laboratorio de Investigación Cualitativa OEBE Observatorio de Enfermería Basada en la Evidencia GED Investigación bibliométrica y documental Grupo Aurora Mas de Investigación en Cuidados e Historia FORESTOMA Living Lab Enfermería en Estomaterapia CIBERE Consejo Iberoamericano de Editores de Revistas de Enfermería