Estancia de investigación en la Unidad Profesional Interdisciplinaria en Ingeniería y Tecnologías Avanzadas del Instituto Politécnico Nacional
Descubrir si existe una relación entre las defunciones por infarto de miocardio, la calidad de aire y su condición sociodemográfica.
Para abordar este análisis de manera más efectiva, se llevó a cabo un procedimiento de clusterización que involucra datos relacionados con infarto de miocardio, calidad del aire y, en el futuro, se tiene la intención de incorporar datos sociodemográficos. El objetivo de esta clusterización fue identificar patrones en los datos con el fin de descubrir posibles relaciones entre las variables mencionadas previamente.
El proceso de clusterización se realizó para agrupar conjuntos de datos similares, lo que permitió identificar posibles correlaciones y asociaciones entre el riesgo de infarto de miocardio y la calidad de aire. Al agrupar los datos en clusters o grupos afines, se espera que se puedan identificar patrones que podrían ser relevantes para futuras investigaciones y decisiones de políticas públicas.
Se espera que este enfoque de clusterización y análisis de datos sea valioso para mejorar la comprensión de la relación entre infarto de miocardio, calidad del aire y datos sociodemográficos, y que pueda contribuir significativamente al avance en la investigación y en la toma de decisiones en salud pública.
Dichos datos son extraídos de defunciones del siguiente URL: http://www.dgis.salud.gob.mx/contenidos/basesdedatos/da_defunciones_gobmx.html
Los datos de calidad de aire son extraídos del siguiente URL: http://www.aire.cdmx.gob.mx/default.php?opc=%27aKBhnmI=%27&opcion=Zg==
- Clonar el proyecto en tu máquina local. Para ello, a través de su terminal, navegue a la ruta donde quiera descargar el repo y ejecute el siguiente comando:
git clone https://github.com/KevinSalgado/Machine_Learning_CalidadAire_Defunciones.git
-
Instalar las dependencias necesarias para ejecutar el proyecto. En este proyecto se está usando pandas, numpy, matplotlib, sklearn, pycaret, jupyter notebook, dataprep y Python 3.10.11.
-
Explorar el proyecto. En la carpeta de pruebas puede encontrar notebooks de descubrimiento y en la carpeta src puede encontrar el código fuente del proyecto.