Mineria de datos en BSN

Vista previa del material en texto

1 
 
 
Abstract—En este trabajo se estudia la aplicación de conceptos 
de datawarehousing y minería de datos en body sensor networks. 
Se describen algunos aspectos que involucran la implementación 
de este tipo de redes, haciendo un resumen de los tipos de sensores 
empleados y los modos de transmisión que se utilizan 
actualmente. Luego se introduce el concepto de datawarehouse, 
donde se revisan las diferencias con las bases de datos relacionales 
y se detalla las distintas alternativas de implementación. 
Finalmente se presenta la posibilidad de analizar, utilizando 
técnicas de minería de datos, la información transmitida por una 
body sensor network, en una aplicación en el ámbito de la salud. 
 
Index Terms— Body Sensor Networks, Data analysis, Data 
warehouses, Data mining, Biomedical telemetry, Health 
information management. 
I. NOMENCLATURA 
BAN: Acrónimo de Body area network 
BSN: Acrónimo de Body sensor network 
Zigbee: Especificación de protocolos de comunicación 
inalámbrica basados en el standard IEEE 802.15.4 
HL7: Especificaciones para intercambio de información 
clínica 
DWH: Acrónimo de Datawarehouse 
DSS: Acrónimo de Decision Support System 
 
 
II. INTRODUCCIÓN 
l desarrollo continuo de nuevas tecnologías de 
comunicación inalámbrica, sumado a la creciente 
miniaturización de los sensores utilizados para medir distintos 
signos vitales en el cuerpo humano, han dado origen a un 
número creciente de aplicaciones expertas en el ámbito de la 
salud. Estas aplicaciones se utilizan fundamentalmente para 
monitorear distintas variables fisiológicas o físicas en 
determinados grupos poblacionales, por ejemplo para atender 
en sus domicilios a personas con enfermedades crónicas, o en 
enfermos internados en hospitales o también para gente de los 
llamados grupos de riesgo (por ejemplo, las personas mayores) 
[1]. 
En todos estos casos, las señales fisiológicas tomadas por los 
sensores, se pueden procesar y enviar de modo inalámbrico 
hacia dispositivos que pueden concentrar esta información y 
luego enviarla vía internet a los distintos centros de atención. 
 
 
 
 
Se puede observar que, en la medida que la tecnología permita 
hacer a estos sensores cada vez más accesibles y cómodos de 
utilizar, su uso será cada vez mayor. 
Considerando este pronóstico a futuro, uno de los desafíos a 
enfrentar es el manejo de la gran cantidad de datos que se van 
a generar. 
Una de las opciones es contar con un sistema de 
datawarehouse que permita almacenar toda la información 
proveniente de las distintas BSN, para luego poder hacer 
análisis con las distintas herramientas de DSS o datamining 
existentes. 
Una correcta estructura de datos, ofrece una gran ventaja que 
ayuda a simplificar el análisis estadístico. Es menester 
investigar el diseño de una infraestructura adecuada, con 
recomendaciones referidas a la construcción y diseño de un 
datawarehouse[2]. 
A continuación, en el capítulo III se realizará una breve 
descripción de los distintos tipos de sensores para BSN, 
incluyendo un resumen de las nuevas tecnologías que van a 
permitir que el uso de estas redes sea cada vez más sencillo de 
implementar. También se presentan las distintas alternativas 
disponibles en lo referente a las comunicaciones entre los 
nodos de las BANs. En el capítulo IV, se hace un repaso de la 
situación actual en las redes BSN y se realizará una 
descripción de los principios de diseño de un DWH que nos va 
a permitir, en el capítulo V, comentar un caso de aplicación 
existente en el cual se detallará el modo de explotar los datos 
recogidos de una red BSN y aplicarlos en el ámbito de la 
salud. 
 
III. SENSORES PARA BODY SENSOR NETWORKS 
Últimamente, hay un gran avance en el desarrollo de nuevas 
tecnologías para la fabricación de sensores. 
En el ámbito de las BSN, podemos mencionar tanto la 
nanotecnología, que trabaja con dispositivos a nivel molecular 
(medidas en escalas nanométricas, 1x10
-9 
m) como la 
tecnología MEMS (Micro Electromechanical Systems), que 
produce dispositivos con medidas desde los 20 micrones hasta 
1 mm [4]. 
En la figura 1 se puede observar la magnitud relativa entre las 
dimensiones de la nanotecnología y de los dispositivos 
MEMS. 
Con respecto a los sensores para BSN, podemos clasificarlos 
en dos grandes grupos, sensores implantables y sensores de 
uso externo. 
Minería de datos en Body Sensor Networks 
D. J. de la Parra – Universidad de Palermo 
TUTOR: Lic. Pablo Alejandro Lena (MBA) 
E 
 2 
Los sensores implantables están teniendo una gran evolución 
debido principalmente a los avances en el desarrollo de las 
nanotecnologías como se mencionó anteriormente. 
 
Pero si bien se han experimentado estos sensores en el corto 
plazo (días), todavía no hay mucha información acerca del 
comportamiento de estos sensores en el largo plazo (de 
semanas a meses) [1]. 
 
 
 
Figura 1 - Escala de magnitudes 
 
 
Las características generales que deben tener los sensores que 
se utilizan en BSN son: 
 
 Bajo consumo 
 Poco peso 
 Tamaño reducido 
 Conectividad fiable 
 
El consumo de un sensor se puede obtener como la suma del 
consumo del sensor en sí, la de los componentes que procesan 
la señal y del emisor inalámbrico (figura 2). En todas estas 
etapas, el requerimiento de potencia depende 
fundamentalmente de la característica de la señal que se esté 
utilizando, sobre todo su velocidad de operación. 
 
 
 
Figura 2 - Requerimiento de energía 
 
En su gran mayoría, las tasas de transferencia de bits son muy 
bajas, lo que redunda en un bajo requerimiento energético. 
El mayor consumo se da frecuentemente en la etapa de 
transmisión por radio. En lo que respecta a la conversión 
analógica a digital, ya se están consiguiendo dispositivos de 
consumos tan bajos como 1µW (microwatt). 
En general, la alimentación de estos sensores se realiza a 
través de baterías. Pero se están investigando alternativas. Una 
de ellas por ejemplo, es captar la energía del medio ambiente, 
incluso del propio cuerpo humano. Dentro de estas 
investigaciones se pueden mencionar captores de energía de 
movimiento, de vibración, de flujo de aire, de diferencia de 
temperatura, campos electromagnéticos ambientales y 
radiaciones tanto de luz visible como de infrarrojo [5]. 
En lo que respecta a la arquitectura de comunicaciones, las 
redes BSN se presentan en general como un conjunto de nodos 
autónomos sobre el cuerpo del paciente. Estos conforman una 
red que puede ser de tipo estrella, con un nodo central y uno o 
más nodos periféricos, o una red entre iguales, donde todos los 
nodos tienen la misma jerarquía. 
Estos nodos transmiten sus datos de modo inalámbrico, usando 
UMTS (Universal Mobile Telecommunications System) o 
GPRS (General Packet Radio Service) hacia una central que 
sirve de intermediario entre los pacientes y los proveedores de 
atención médica. 
El advenimiento de sensores inalámbricos que pueden formar 
redes inteligentes, no sería posible sin la disponibilidad de 
transceptores económicos de baja potencia. Estos pueden 
transmitir datos en tiempo real hasta distancias del orden de 
los 5 metros. [1] 
Actualmente, se está realizando un gran esfuerzo en 
estandarizar los protocolos en las distintas capas del modelo 
OSI de comunicaciones. 
En la tabla 1 se observan algunas diferencias entre las 
tecnologías Zigbee y Bluetooth. 
 
 Zigbee Bluetooth 
Radio/MAC std. IEEE 802.15.4 IEEE 802.15.1 
Banda de Frec. 868Mhz / 
915Mhz/ 
2.4Ghz 
2.4 Ghz 
Veloc. Transm. 20 – 250 Kbps 50 – 200 Kbps 
Alcance 30 m 30 m 
Consumo 30 mW 10mW 
Topología Estrella, Mesh Estrella 
Tabla 1 - Tecnologías de comunicación 
 
 
Es deseable la integración de los distintos sensores y 
dispositivos de redes de los distintos fabricantes. Ya quetodos 
los dispositivos que estamos utilizando son de transmisión 
inalámbrica, el protocolo de comunicaciones inalámbrico es 
uno de los puntos más importantes en dicha integración. 
La mayoría de las plataformas actuales de BSN utilizan el 
protocolo de comunicaciones IEEE 802.15.4. Este protocolo 
fue desarrollado específicamente para estas redes de sensores 
inalámbricos. Si bien el IEEE 802.15.4 sirve de base para el 
desarrollo de Zigbee por ejemplo, que es un estándar muy 
utilizado en los sensores inalámbricos, en cambio no tiene 
soporte en los celulares o PDA que sirven de Gateway para las 
comunicaciones. Estos últimos dispositivos utilizan, en 
cambio, el estándar Bluetooth para las aplicaciones de redes de 
área personal. [6] 
 
 3 
Otro aspecto a considerar en lo que respecta a la transmisión 
de datos entre los distintos nodos de de las BSN, es la 
seguridad. En ese sentido, se debe impedir la lectura a 
personas no autorizadas así como también garantizar la 
integridad de los datos transmitidos. 
 
 
Figura 3 - Interconexión entre nodos 
 
En cuanto a la cantidad de datos que los distintos tipos de 
sensores envían a la estación central, podemos guiarnos por la 
siguiente tabla que nos muestra las tasas de transferencia 
relativa: 
 
Sensor Velocidad de transferencia 
Acelerómetro/giróscopo Alta 
Azúcar en sangre Alta 
Presión arterial Baja 
Dióxido de carbono Muy baja 
ECG Alta 
EEG Alta 
EMG Muy alta 
Oxígeno Baja 
Humedad Muy baja 
Temperatura Muy baja 
Tabla 2 - Tasas de Transferencia Relativa 
 
Estos valores son útiles para prever el tamaño de la base de 
datos que va a almacenar la información. 
 
IV. SITUACIÓN ACTUAL 
Los campos en los que se desenvuelve la informática en los 
temas relacionados con la salud son: 
 
 Administración de los servicios de salud 
 Cuidados clínicos 
 Investigación médica 
 Entrenamiento 
 
En cualquiera de estos ámbitos, la informática, y más 
precisamente la Minería de Datos, puede aplicarse para 
extender y mejorar las aplicaciones existentes. 
Por ejemplo, una base centralizada permitirá a un médico tener 
acceso a todos los registros relevantes del paciente, y una 
aplicación de Minería de Datos puede dar a los mismos 
médicos herramientas analíticas y de predicción que no son 
evidentes a simple vista. 
Podemos observar que resultaría muy beneficioso agregar a los 
registros del paciente la información que proviene de las BSN, 
ya que permitirá contar con muchos más datos de los que 
habitualmente se utilizaban. 
En la actualidad, todos los datos enviados por los sensores de 
las BSN son utilizados fundamentalmente para el monitoreo de 
pacientes y toma de decisiones en tiempo real. En esta 
situación, y en primera instancia, no se necesita de ninguna 
base de datos donde centralizar la información, ya que 
inicialmente, los sistemas que trabajan con las redes BSN no 
lo requieren. 
Una vez utilizada la información transmitida por los sensores 
de la BSN, en el mejor de los casos, se la guarda en la historia 
clínica del paciente. 
A continuación, se estudiarán las ventajas de tener sistemas 
que partiendo de los datos “crudos” recibidos por todas las 
BSN conectadas al mismo, nos permitan extraer información 
relevante para el desarrollo de nuevas drogas, o para la 
investigación de nuevas formas de diagnóstico, para mejorar 
los sistemas de prevención, o incluso información útil para la 
administración de un centro de salud. 
La propuesta del trabajo es a partir de los datos generados en 
los sensores, integrar toda la información producida por las 
BSN en un Datawarehouse, desde donde se pueda luego, a 
través de herramientas de análisis o de sistemas de Minería de 
Datos, extraer la información útil contenida en el gran 
volumen de datos disponible. 
Existe una jerarquía que distingue los datos de la información. 
Por medio del análisis de esa información, se busca obtener 
conocimiento acerca de algún área en particular. 
La relación entre datos, información y conocimiento se 
representa habitualmente como una pirámide. 
En dicha pirámide se observan dos dimensiones. Por un lado, 
el eje horizontal representa la cantidad de datos, donde se 
puede apreciar que hay una gran cantidad en la base y a 
medida que subimos en la pirámide, termina convirtiéndose en 
información muy resumida que se necesita para la toma de 
decisiones. 
Por otra parte, si miramos el eje vertical, este nos indica que 
en la base tenemos datos sin procesar, y a medida que 
subimos, esos datos se convierten en información y en 
conocimiento (Figura N° 2). 
También se suele llamar a la parte inferior de la pirámide 
como la operativa, y la superior como el soporte de las 
decisiones estratégicas. 
 
 
 
 4 
 
Figura 4 - Pirámide del conocimiento 
 
 
En este trabajo nos enfocamos en la parte media y superior de 
la pirámide, ya que no consideramos las aplicaciones actuales 
de monitoreo y alarma que, según lo explicado anteriormente, 
se ubican en el entorno operativo, en la base de la pirámde. 
Para poder concretar el objetivo de este estudio, en el área 
estratégica como mencionamos, necesitamos considerar el uso 
de un datawarehouse. 
El datawarehouse es el corazón de cualquier sistema DSS 
(Sistemas de soporte de decisiones). 
Un DWH consiste básicamente en dos tipos de tablas: 
 Tablas de hechos 
 Tablas de dimensiones 
 
Las tablas de hechos son las que almacenan los datos 
numéricos, que se pueden sumarizar; por ejemplo, en nuestro 
caso podríamos tener datos del tipo presión sistólica, o nivel 
de glucosa, etc. 
Por otra parte, tenemos las tablas que se llaman 
Dimensionales, que son las que van a contener datos de las 
dimensiones en las que se pueden interpretar los valores de las 
tablas de hechos; por ejemplo, podríamos tener la dimensión 
Tiempo, que nos permitiría observar la variación de la presión 
sistólica o el nivel de glucosa a través de las horas del día. 
La relación entre la tabla de hechos y las dimensiones se 
observa en la figura 5. 
Esta arquitectura de tablas se la conoce también como 
esquema estrella, o modelo multidimensional. 
 
 
Figura 5 - Relación entre tablas del DWH 
 
 
El DWH tiene las siguientes características: 
1. Sus datos están orientados a un determinado sujeto de 
estudio. 
2. Los datos están integrados, esto es, tienen nombres 
consistentes, formatos determinados, etc. a pesar de 
provenir de distintos orígenes. 
3. El DWH permite hacer estudios a través del tiempo, ya 
que mantiene la historia de los cambios. 
 
En estos sistemas, la carga de datos se realizan a través de 
procesos llamados ETL (Extract, Transform and Load) los 
cuales garantizan que se cumplan las condiciones vistas 
anteriormente, de consistencia y variabilidad en el tiempo. 
Generalmente, los datos de las tablas de hechos no son 
actualizables, o sea que se insertan una vez y ese registro no se 
modifica. 
En la figura 6 se observa un esquema del proceso de carga de 
datos. 
 
 
Figura 6 - Esquema general DWH 
 
Se observa a la derecha las bases de datos y archivos llamados 
transaccionales u operacionales. En nuestro caso, estos datos 
están almacenados en los distintos sistemas que componen una 
solución de telemedicina. Por ejemplo, los datos producidos 
por los sensores inalámbricos son transmitidos a un dispositivo 
portátil (una PDA por ejemplo) y de allí pueden enviarse vía 
internet a algún centro de asistencia donde debe existir una 
aplicación que registre estos valores. 
Luego, con cierta periodicidad, que habitualmente es cada día, 
en un horario donde no haya mucha interferencia con las 
transacciones de los sistemas y aplicaciones, corre el proceso 
de ETL. Este consta de dos o tres etapas, según el diseño. En 
un primer paso se copian las tablas del sistema transaccional a 
un ambiente de almacenamiento intermediollamado “staging”. 
Este paso no es trivial, ya que los orígenes de datos pueden ser 
de distintas fuentes y distintos fabricantes, cada uno con sus 
protocolos, de modo que el ETL tiene que tener la capacidad 
de poder leer desde distintos orígenes. Estos datos provienen 
mayormente de bases de datos relacionales o de archivos de 
texto plano. Una vez con los datos en este ambiente de staging, 
se procede a la limpieza de los mismos, o sea, se deben 
corregir todas las anomalías que puedan presentar en los 
orígenes y aparte se normalizan todos los valores. Por ejemplo, 
se podría dar que un sistema codifique los valores para el sexo 
de los pacientes como „M‟ y „F‟, y en otro caso se guarden 
como „Masculino‟ y „Femenino‟. Obviamente, en nuestro 
http://www.google.com.ar/url?sa=i&rct=j&q=datos+informacion+conocimiento&source=images&cd=&cad=rja&docid=xIJq0ZOXVOhoLM&tbnid=R3uGRX8b3bpinM:&ved=0CAUQjRw&url=http%3A%2F%2Fblogs.solidq.com%2Fbicorner%2Fpost.aspx%3Fid%3D109%26title%3Dsql%2Bserver%2Bdata%2Bquality%2Bservices%2B&ei=lJ2jUZehJJGI9gS-sYHwAw&bvm=bv.47008514,d.eWU&psig=AFQjCNEecgc191Qv7SczMukFrHRc7xjJvA&ust=1369763577706253
 5 
DWH no podemos tener esas ambigüedades y debemos tener 
consistencia en los datos. 
También en esta etapa se pueden hacer transformaciones, por 
ejemplo, calcular la edad en base a la fecha actual y la fecha 
de nacimiento, asignar algún valor por defecto a las columnas 
que no traigan datos, etc. 
Finalmente, se procede a la carga de estos datos que se 
encuentran en la etapa de almacenamiento intermedio en el 
DWH. 
Una vez cargados los datos en el DWH, existen productos 
comerciales para explotar dichos datos. 
 
 
Podemos mencionar tres grandes utilidades operan sobre los 
datos del DWH: 
 Construir reportes y tableros 
 Análisis estratégico de los datos (OLAP) 
 Minería de datos 
 
La Minería de Datos se la puede definir como la extracción de 
información a partir de los datos almacenados en el DWH. 
Además, las características de esta información es que está 
implícita en el gran volumen de datos, no se la conoce 
previamente y es potencialmente útil. 
Hay varios autores que han desarrollado conceptos de Minería 
de Datos para su aplicación en sistemas de salud.[3] 
En [7] se presenta una implementación de DWH en medicina. 
Dentro de las técnicas que se utilizan en Minería de Datos, 
podemos mencionar: 
 Clasificación 
 Clustering 
 Reglas asociativas 
 Descubrimiento de patrones 
 Regresión 
 Detección de desvíos 
 
Según el objetivo que se persiga, podemos ver cuáles son las 
técnicas que se aplican (tabla 2). 
 
Objetivo Técnicas 
Predicción 
Regresión 
Redes Neuronales 
Arboles de Decisión 
Razonamiento basado en memoria 
Clasificación 
Arboles de Decisión 
Redes Neuronales 
Clustering 
Clasificadores Bayesianos 
Exploración 
Arboles de Decisión 
Clustering 
Tabla 3 - Técnicas de Minería de Datos 
 
Las técnicas de Minería de Datos más utilizadas en medicina 
son las de clasificación, por ejemplo los árboles de decisión. 
De todos modos es difícil saber con anticipación cual es el 
mejor algoritmo para cada caso. Por ejemplo, en [8] el autor 
compara cinco algoritmos distintos de clasificación para 
diagnóstico de ciertas afecciones de la piel. Sus resultados 
muestran que la regresión logística y las redes neuronales son 
las técnicas que mejores resultados dieron. Pero en otras 
situaciones, con otros diagnósticos, los árboles de decisión 
pueden ser los adecuados. 
Otra consideración que hay que tener en el momento de 
diseñar el DWH en medicina es la gran diferencia que existe 
entre el tipo de datos que se presentan en el ambiente médico 
con respecto a los sistemas que se utilizan normalmente en 
ámbitos comerciales. 
Por ejemplo, algo muy común en DWH orientados a negocios 
es hacer lo que se denomina sumarización de los datos. Es el 
caso de las ventas que se pueden agrupar por sucursal, y por 
región, de modo de obtener una síntesis de las mismas. 
En el caso de los DWH en medicina, hacer sumarizaciones con 
datos fisiológicos de los pacientes, como por ejemplo, total de 
presión sistólica en determinada institución, no tiene mucho 
sentido si antes no se transforma la información de algún 
modo, como veremos más adelante. 
Ya existen muchas aplicaciones de Minería de Datos en salud. 
Se pueden mencionar el control de infecciones en hospitales y 
la identificación de pacientes de alto riesgo entre otras. 
La propuesta que se presenta a continuación, en un caso 
teórico de aplicación, es ampliar el ingreso de información 
tradicional a través de terminales de PC, con los datos 
provenientes de sensores pertenecientes a redes BSN. 
V. CASO DE APLICACIÓN 
En [9] se describen dos casos de aplicación de los sistemas de 
análisis de datos en el ámbito de la salud. 
En el primero se trata el manejo de reclamos de seguros y 
costos de atención en una institución, mientras que en el 
segundo ejemplo se hace análisis de los efectos y evolución de 
una determinada droga administrada a pacientes. 
Es en este último caso que pensamos que puede ser de gran 
utilidad la inclusión de datos provenientes de los sensores de 
las BANs. 
En el caso mostrado, se realiza un estudio de una droga 
llamada Nicardipina. El estudio se llama NICSAH y contiene 
una gran variedad de datos y se observa la existencia de la 
dimensión tiempo, donde se representa la duración del estudio. 
Hay un conjunto de datos llamados “poblacionales” que 
describen la información demográfica del paciente. Dicho 
paciente aparece siempre bajo un número unívoco, el 
id_paciente, de modo que no se conoce su nombre o 
documento, sino que se lo identifica por ese número. 
Los datos demográficos que figuran son por ejemplo la edad, 
el sexo, la raza, etc. 
Luego hay otro conjunto de datos con las mediciones de los 
signos vitales durante el experimento. Cada registro en el 
DWH corresponde a una sola de estas mediciones. Estos datos 
con las mediciones de las señales fisiológicas también 
identifican al paciente con el mismo id_paciente, para poder 
vincularlo con las tablas poblacionales. 
Hay una columna que se llama “Numeric Result” que es la que 
contiene el valor del signo vital propiamente dicho, por 
ejemplo se observa la presión sistólica, la presión diastólica, el 
pulso, etc. 
 6 
 
 
 
Figura 7 - Datos fisiológicos 
Los datos demográficos nos permiten tener una gran variedad 
de dimensiones, por ejemplo, podemos segmentar la población 
de prueba por edad, por sexo, por raza, por zona geográfica, 
etc. 
El desafío es como agrupamos los datos vitales para que 
tengan algún sentido. Como veíamos anteriormente, no 
podemos sumar los valores de presión, o los latidos. Tampoco 
sirve hacer promedio de los mismos, no tiene sentido. Lo que 
sí se puede hacer es distribuir la presión en alta, normal o baja 
por ejemplo, para cada paciente, y luego podemos examinar 
que porcentaje de la población respondió con una suba o baja 
de presión. 
El resultado se observa en la figura 8, donde podemos ver que 
se puede obtener la información acerca de cómo van 
modificándose los porcentajes a lo largo del tiempo, que era 
una de las dimensiones consideradas. 
 
 
 
Figura 8 - Variación porcentual de valores fisiológicos 
 
Tal como se armaron las tablas del DWH, y utilizando lo que 
se denomina “drilling” podemos permitir al profesional de la 
salud que analice los datos y pueda comparar y encontrar 
diferencias entre los resultados en hombres o en mujeres, en 
determinados rangos de edad, etc. 
De este modo, vemos que si al paciente bajo estudio le 
colocamos sensores constituyentes de una BSN, éstos van a 
estar entregando las señales necesarias para el estudio 
directamente al DWH, mientras la persona está realizando sus 
actividades normales, sin tener que concurrir a un centro 
especializado donde le midan losmismos parámetros. 
Aparte de la comodidad que esto implica, también se observa 
que se puede contar con muchos más datos para el estudio, lo 
que significa más elementos a considerar para la evaluación 
de los resultados. 
VI. CONCLUSIONES 
Es indudable que el uso de sistemas de análisis de datos va a 
utilizarse cada vez más en ámbitos que no son los habituales 
del campo de los negocios. 
Contar con un DWH en instituciones de servicio médico nos 
va a permitir acceder a información muy valiosa para mejorar 
la atención a los pacientes y para mejorar también la 
administración de hospitales y clínicas. 
Con el advenimiento de las redes BSN tenemos una nueva 
manera de ingresar datos en el sistema, y la información que se 
dispone es cada vez más precisa. Los test de medicamentos 
como el que presentamos en este trabajo, ya no tendrán que 
estar limitados a pacientes en hospitales o clínicas, sino que 
van a poder realizarse con los pacientes en sus domicilios, o 
haciendo sus tareas habituales. 
Con las herramientas de Minería de Datos, los profesionales 
de la salud van a poder realizar diagnósticos más precisos, ya 
que contarán con la inteligencia almacenada de miles de casos 
realizados por otros colegas. 
Esta manera de interactuar con los datos es en dos direcciones, 
por un lado, miles de datos se van a almacenar desde los 
sensores de las BSN en los DWH, pero por otra parte, y a raíz 
de los análisis que se realicen, miles de datos también van a 
salir del DWH en forma de conocimiento para consulta de 
todo el cuerpo médico que pueda acceder a los mismos. 
 
VII. FUTURAS LÍNEAS DE INVESTIGACIÓN 
1. Con el creciente desarrollo de la nanotecnología, se 
van a conseguir sensores cada vez más pequeños y 
más fáciles de implantar. En ese contexto, va a ser 
muy frecuente que las personas con algún síntoma de 
riesgo para su salud va a poder tener estos sensores 
disponibles que le indicarán cuando algún parámetro 
fisiológico esté en alguna zona peligrosa, con lo cual 
se podrán disminuir en gran medida los costos de 
salud. Para ello, se podrá contar con un volumen muy 
grande de datos en el DWH, que permitirá hacer el 
análisis correspondiente para ver en qué situación se 
puede clasificar al paciente. 
2. En situaciones en las que actualmente se prueban 
medicamentos nuevos, se cuenta con grupos de 
control, los cuales deben concurrir periódicamente a 
realizarse los chequeos correspondientes para evaluar 
los resultados. Con las nuevas tecnologías de sensado 
remoto, estos chequeos se podrán hacer con más 
facilidad y se podrá contar con mucha más 
información, lo que redundará en resultados más 
precisos en las investigaciones. 
3. Bases de datos y DWH compartidos entre distintas 
instituciones, cargados con datos de distintos 
parámetros fisiológicos obtenidos con las BSN, y 
 7 
relacionados con los diagnósticos que los médicos 
realizaron en el pasado, permitirán que otros médicos 
en lugares remotos puedan acceder al conocimiento 
implícito en esos DWH, pudiendo resolver 
diagnósticos en los cuales se tiene poco conocimiento 
local, mejorando de este modo la calidad de atención 
a los pacientes. 
 
 
VIII. AGRADECIMIENTOS 
Quiero agradecer a mi tutor de cátedra, el Lic. Pablo Lena, por 
haberme guiado y motivado en la investigación del trabajo 
final de grado. 
 
 
 
IX. REFERENCIAS 
 
Libros: 
[1] Guang-Zhong Yang, PhD “Body sensor networks”, Springer- Verlag 
Eds, London, 2006. 
[2] Ralph Kimball, Margy Ross"The Data Warehouse Toolkit", Wiley 
Computer Publishing, 2002. 
[3] C. Baragoin, C. M. Andersen, S. Bayerl, G. Bent, J. Lee, C. Schommer 
“Mining Your Own Business in Health Care Using DB2 Intelligent 
Miner for Data”, IBM Corporation, International Technical Support 
Organization, September 2001. 
 
Papers: 
[4] Nader Najafi and Achiau Ludomirsky “Initial animal studies of a 
wireless, batteryless MEMS implant for cardiovascular applications”, 
Biomedical Microdevices, Kluwer Academic Publishers, 2004. 
[5] James Gilbert and Farooq Balouchi “Comparison of Energy Harvesting 
Systems for Wireless Sensor Networks”, International Journal of 
Automation and Computing, October 2008. 
[6] Víctor Custodio, Francisco J. Herrera, Gregorio López and José Ignacio 
Moreno “A Review on Architectures and Communications 
Technologies for Wearable Health-Monitoring Systems”, Sensors 2012, 
12, 13907-13946. 
[7] Edward F. Ewen, MD; Carl E. Medsker, MS; Laura E. Dusterhoft, RN 
“Data Warehousing in an Integrated Health System; Building the 
Business Case”, Christiana Care Health System / Drexel University, 
USA 
[8] Dreseitl, S., Machado, L. “A comparison of machine learning methods 
for diagnosis of pigmented skin lesions”, Journal of Biomedical 
Informatics, 34, 28-36 
[9] Leveille, John, “Healthcare Intelligence: The Challenge of OLAP for 
Healthcare Data”, d-Wise Technologies, Inc., Raleigh, NC, USA 
 
 
 
X. BIOGRAFIAS 
 
 
Diego de la Parra nació en la ciudad de 
Buenos Aires, Argentina. Está 
finalizando el último semestre de la 
carrera de Licenciatura en Informática, 
en la Universidad de Palermo.