HEMEROTECA CANTARIDA

Plantilla para la composición de artículos científicos

Envíe el documento debidamente cumplimentado a Secretaria Editorial de Hemeroteca

Ref.: Cantárida secretaria@ciberindex.com indicando la revista donde desea publicar su artículo
con preferencia

Resultados del Big Data aplicado a la gestión Obstétrica, una

Título del Artículo
revisión narrativa.
Revista elegida con preferencia Tesela
Sección de la revista Revisiones / Instrumento
Motivos de su elección Adecuación a la temática del artículo
Otras revistas de la Hemeroteca
Cantárida donde podría publicarlo
Evidentia
Observaciones que desee realizar a El tema es novedoso y no existe actualmente artículo parecido al
los editores enviado.

Datos del autor o autora responsable del artículo

Nombre María Isabel
Apellidos Fernández Aranda
Centro de trabajo Hospital Virgen del Rocío (Sevilla)
Dirección postal 41008
Ciudad/País Sevilla / España
Teléfono 696721352
Correo electrónico maribel.fernandez.aranda@gmail.com

Declaro (hacer doble clic sobre la casilla y señalar “activada”, la no activación de algún punto dará lugar al rechazo del artículo sin ser evaluado)
Que es un trabajo original. Que no han existido conflictos de intereses en la gestación y
Que no ha sido previamente publicado en otro elaboración del manuscrito, y si pudiera haberlos por mediar
medio. financiación u otros apoyos, los autores se comprometen a
Que no ha sido remitido simultáneamente a otra declararlos en el apartado correspondiente.
publicación. Que el manuscrito explica de manera honesta, exacta y
Que todos los autores han contribuido transparente los resultados del estudio, que no se han omitido
intelectualmente en su elaboración y por tanto son aspectos importantes del mismo, y que cualquier discrepancia
autores materiales del mismo. del estudio ha sido explicada.
Que todos los autores han leído y aprobado la Que, en caso de ser publicado el artículo, transfieren todos
versión final del manuscrito remitido, y por tanto no los derechos de autor al editor, sin cuyo permiso expreso no
hay ninguna razón para introducir cambios en los podrá reproducirse ninguno de los materiales publicados en la
mismos una vez iniciado el proceso de evaluación. revista.

Datos preliminares
Atención: no utilice TODO MAYÚSCULAS ni negrita en ninguna parte del documento
Título Resultados del Big Data aplicado a la gestión Obstétrica, una revisión
narrativa.
Autores por orden de María Isabel Fernández Aranda1
1
Matrona de la Unidad de Ginecología y Obstetricia del Hospital Virgen del
aparición
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.

Centro/institución Unidad de Ginecología y Obstetricia. Hospital Virgen del Rocío,

Sevilla, España.

Dirección para Avenida Manuel Siurot, s/n, 41013 Sevilla.

correspondencia (solo del
autor principal)

Dirección e-mail (solo del maribel.fernandez.aranda@gmail.com

autor principal)

Resumen no superior a 150 palabras

Atención: no utilice TODO MAYÚSCULAS ni negrita en ninguna parte del documento. Utilice el siguiente
esquema para artículos de investigación, para otros formatos elabore un esquema propio
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 La traducción del resumen al inglés debe realizarse con arreglo a las reglas gramaticales y sintácticas de este idioma, debiendo evitarse la utilización de
traductores electrónicos

Traducción del Results of the Big Data applied to the Obstetric management, a narrative review.
título
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.

Keywords: Data mining; Automatic Data Processing; Health Information Systems;

Management Information Systems; Pregnancy.

Cuerpo del Artículo esta sección no debe superar el tamaño de 4000 palabras (condición obligatoria para iniciar su
evaluación en revistas impresas)

Siga las siguientes -Evite la utilización de opciones automáticas para las citas ni en otras partes del
documento, por ejemplo “notas a pie de página”, “nota final”, “numeración
recomendaciones automática”, “guionado automático”, etc.
-Evite la utilización de numeración automática para ordenar la bibliografía, utilice
formato de texto normal
-Incluya las tablas en el lugar del texto donde correspondan
-Adjunte archivos en formato gráfico (jpg o tif) de los gráficos e ilustraciones,
indicando el lugar del texto donde colocarlos
-Siga las normas para los autores en revistas del entorno Cantárida
(http://www.index-f.com/estilo.php)
Escriba a continuación el texto de la comunicación utilizando el formato por defecto
(Tipo de letra Times New Roman de 12 pulgadas a espacio sencillo)
Escriba el texto a partir de aquí
Introducción.

Hoy en día nuestra sanidad genera una ingente cantidad de datos de gestión clínica,
administrativa y contable en distintos formatos (escritos en papel o electrónicos). Datos
personales, registros médicos, anotaciones manuscritas del profesional de turno,
radiografías, escáneres, resonancias y otras imágenes médicas son algunos ejemplos de
esta explosión de información en formato estructurado, semiestructurado o no
estructurado 1. EL avance de las TIC (Tecnologías de la Información y Comunicación)
ha generado una avalancha de información aún mayor con datos de todo tipo que
provienen de una amplia variedad de dispositivos a los que se suman los que tienen su
origen en las redes sociales y teléfonos inteligentes 2.

En cualquiera de las etapas del proceso sanitario esta información no es generalmente

empleada como soporte en la toma de decisiones para futuros procesos de idénticas o
similares características. La toma de decisiones en el marco de la sanidad desempeña un
papel fundamental a la hora de garantizar una asistencia sanitaria de calidad 3.

El concepto de Big data (grandes volúmenes de datos) se refiere al conjunto de datos e

información compleja y de gran volumen que hace muy difícil su procesamiento
mediante las herramientas administrativas de gestión de bases de datos tradicionales. La
aparición del Big Data en la sanidad ha desarrollado metodologías de análisis de
información que permiten almacenar, analizar y tratar datos de una manera más
eficiente mejorando los procesos internos al reducir costes, cantidad de información
descartada o tratada y tiempos de diagnóstico 4.
La facilidad en la escalabilidad y su bajo coste permiten disponer de grandes cantidades
de datos y eliminar las restricciones de espacio, permitiendo el mantenimiento de
registros históricos para poder hacer seguimientos más personalizados para cada
paciente o llevar a término estudios más amplios 5. Su aplicación al análisis de la
información de origen sanitario da como resultados la disponibilidad de una potente
herramienta de ayuda a la decisión clínica para los profesionales sanitarios, facilita a los
gestores sanitarios la gestión de los recursos de forma más eficiente y mejora la
prevención, diagnóstico y tratamiento de las enfermedades de los pacientes.

La digitalización y posterior análisis de la información sanitaria puede generar grandes

beneficios al mejorar los procesos, la gestión económica de los centros sanitarios y el
acceso a documentación científica variada. Los campos que en particular están teniendo
un mayor desarrollo son la operativa clínica, el diagnóstico y tratamiento del paciente,
la mejora de la atención personalizada al usuario, el seguimiento de pacientes crónicos,
la medicina personalizada y la mejora de los procesos médicos 6.

Centrándonos en el campo de la Obstetricia, las actuaciones de la Matrona en Atención

primaria contemplan sobre todo intervenciones que abordan la realidad social, familiar y
comunitaria de la gestante y hacen especial énfasis en la prevención y promoción de la
salud, éstas intervenciones o actuaciones podrían mejorar si se contara con más y
mejores datos e información de contexto de la zona asistencial, comunidad o población
que se atiende. En atención hospitalaria el análisis intensivo de estos registros podría
mejorar el diagnóstico obstétrico y la operatividad de la Unidad de Ginecología
ofreciendo a la Matrona oportunidades y ventajas para el desarrollo de su actividad.

Aunque parecen evidentes todas las posibilidades que nos ofrecen el Big Data y su
análisis, el hecho de ser un concepto tan reciente plantea problemas de evidencia
científica. Mediante este estudio pretendemos contestar a la pregunta de ¿cuáles son las
aplicaciones actuales del Big Data en el campo de la Obstetricia y qué mejoras y
oportunidades ofrece a la Matrona y la Gestante como gestoras y usuarias de servicios
obstétricos?.

Material y Método

Para contestar a la pregunta objetivo se realizó una revisión narrativa de la literatura

existente en las siguientes bases de datos secundarias: PubMed, Cochrane, Hindawi,
Elsevier y Cuiden. La estrategia de búsqueda consistió en combinar los descriptores
claves DECS: Minería de datos; Procesamiento automático de datos; Sistemas de
Información en Salud; Sistemas de Información administrativa; Embarazo y las
palabras “Big Data” y “análisis de datos sanitarios” o “minería de datos”. La estrategia
de búsqueda y el diagrama de flujo del proceso están incluidos en las figuras 1 y 2. En
una segunda fase se afinó la búsqueda mediante combinaciones booleanas de los
términos anteriores. A los resultados obtenidos se les aplicaron los siguientes criterios
de inclusión:
Criterio 1) Informes, estudios, artículos, revisiones sistemáticas publicadas entre enero
de 2000 y enero de 2017 que versen sobre el Big Data y su aplicación a la sanidad en
Inglés o español.
Criterio 2) Estudios que ofrezcan estadísticas y resultados del análisis de grandes bases
de datos sanitarias, por tanto que incluyan palabras como “resultados” o “comparativas”
dentro de los apartados de título o resumen.
Criterio 3) Estudios que describan aplicaciones del análisis del Big Data sanitario a la
especialidad específica de Obstetricia.

Resultados

En una primera fase de la búsqueda se encontraron 8.810 artículos y estudios

relacionados con los descriptores y palabras claves indicadas (Cuiden 6, Pubmed 7.999,
Cochrane 44, Hindawi 37 y Elsevier 724), una vez aplicados los criterios de inclusión se
seleccionaron 18 referencias útiles a analizar 12-29 que están recogidos en la tabla 1.
Los resultados encontrados podemos clasificarlos en tres categorías de análisis. En una
primera, el tema central se articula en la definición de qué se entiende por Big Data en
sanidad, las propiedades necesarias que debe tener (gran volumen de datos, gran
variedad en el tipo de información que contiene y la alta velocidad de acceso) y su
importancia en la aportación de valor que consigue al establecer relaciones causales. El
análisis de sus limitaciones y riesgos frente a los posibles beneficios que ofrece y el
necesario establecimiento de un marco claro y viable para su uso 2,3.

Una segunda categoría estaría centrada en el análisis de técnicas como la minería de

datos (Data Mining) que facilitan la conversión de esta información en conocimiento,
haciendo posible la integración de éste en un sistema de soporte a la toma de decisiones
en el ámbito sanitario. Aquí estarían incluidos los trabajos de Belle et al 7, que realizó
una revisión de la literatura existente centrándose en 3 áreas de investigación
prometedoras; el análisis de señales biomédicas, imágenes y la genómica. Su impacto
potencial sobre los cuidados de salud está basado en la efectiva combinación de datos
procedentes de diversas fuentes. Obenshain 8, Desikan et al 9, Niaksu y Kurasova 10 y
Chye y Tan 11 por su parte se centraron en la identificación de estrategias y algoritmos
para la automatización del análisis de datos cuantificando técnicas y resultados. En
particular, discuten su aplicación y efectividad en las áreas que mayor efectividad
aportan, la evaluación de la efectividad de los tratamientos, la gestión de los cuidados de
salud, la gestión de la relación con los pacientes y la detección de fraudes y abusos al
sistema sanitario.

El tercer bloque de resultados encontrados están centrados en la aplicación del Big data
y las técnicas de análisis y visualización de datos a la Obstetricia. Se han encontrado 18
trabajos 12-29 que relatan experiencias en la aplicación de las técnicas de análisis de la
información o minería de datos sobre el Big data de naturaleza ginecológica. Pereira et
al 12 identifican factores obstétricos que se pueden utilizar para predecir la técnica más
apropiada para un tipo de parto en concreto, reduciendo el número de cesáreas
innecesarias. Brandao et al 13,14 por su parte desarrollan un modelo para determinar el
riesgo asociado a la interrupción voluntaria del embarazo según el tipo de gestante y
cuál es el mejor procedimiento para la administración de la medicación correspondiente.
Los trabajos de Roy et al 15 y Kenny et al 16 se centran en el uso del Big data para
determinar el riesgo de preeclampsia en gestantes mediante la detección de niveles
altos de triglicéridos y el uso de 14 indicadores metabólicos. Por su parte Gulcim 17,
Aljumah et al 18 y Breault et al 19 desarrollan modelos para predecir la dosificación de
insulina en diabéticos (incluyendo gestantes) y los riesgos asociados al mal control de la
misma. También se han encontrado estudios para prever los factores de riesgo en
nacimientos pretérmino usando el Big Data ayudando a su detección temprana, los
estudios de Chen et al 20 y Courtney et al 21 son un ejemplo de ello.

Para finalizar, se han encontrado trabajos de temática diversa sobre el análisis del Big
Data en el triage obstétrico de urgencia 22, la asociación de fatiga y sueño con el tipo y
trabajo de parto 23, la mejora del diagnóstico de la icteria neonatal 24, la estimación de
valores de corte de la cotinina como biomarcador para estimar la exposición del feto al
tabaco en gestantes fumadoras 25, la prevención y control de enfermedades regionales
que pueden afectar a las gestantes 26, los patrones característicos materno y fetales para
la predicción de la mortalidad neonatal 27 , la implementación de sistemas de ayuda a la
decisión apoyados en la gestión del Big Data para mejorar los cuidados que se ofrecen a
la gestante 28 y cómo a través del análisis de datos y la publicidad emocional y sus
herramientas las marcas comerciales conectan emocionalmente con las mujeres
embarazadas 29.
Se ha encontrado también abundante literatura gris pero se observa que está muy
influenciada por la posible rentabilidad económica del target que supone la gestante y
además no presenta evidencia científica alguna por lo que se ha omitido.

Discusión y Conclusiones

La aplicación del Big Data y la minería de datos al entorno de la obstetricia ofrecen a la

Gestante mejoras en 3 entornos diferenciados (individual, grupal y social).
Individualmente el estudio realizado muestra que el uso del Big Data en Obstetricia
puede mejorar los diagnósticos y el tratamiento, mejorando el control asistencial de la
gestante. Entre las aplicaciones encontradas tenemos el triage obstétrico, la
monitorización remota de electrocardiograma y detección de patrones de urgencia para
la predicción del riesgo Obstétrico (preeclampsia) y el control de la diabetes
gestacional, la prevención y control de enfermedades en Obstetricia, la detección de las
mejores fechas para ser fértil, la interrupción voluntaria del embarazo y la mejora de los
cuidados maternales. El potencial que tiene el procesamiento y análisis de datos
digitalizados para apoyar la toma de decisiones informadas y confiables por la gestante
y el personal sanitario es enorme.

En el aspecto grupal, las comunidades de gestantes se influyen mutuamente y parte de

esta influencia se produce por las redes sociales por lo que con el análisis del Big data
podemos predecir enfermedades según los antecedentes médicos y patrones de
comportamiento, pronosticar la duración de la estancia de la gestante en el servicio,
reducir costes en las unidades de Obstetricia y mejorar el proceso de toma de
decisiones, sobre todo en situaciones de crisis. En este aspecto tiene cada vez más
importancia para las marcas comerciales el análisis de los patrones de comportamiento
de la gestante como consumidora.

Por último en el aspecto social existe un claro potencial del análisis del Big Data en la
gestión de enfermedades infecciosas como la gripe al reforzar la red de vigilancia
existente. La detección temprana de su evolución para la vacunación anticipada de la
gestante es una de las ventajas obtenidas. La integración de la información que
proporciona el Big Data de origen obstétrico a la Atención primaria y especializada
permite contar con datos detallados de tratamientos clasificados por tipos de Gestantes o
realizar segmentaciones y modelos predictivos de acuerdo con sus perfiles.

Tomando una perspectiva de largo plazo, la interpretación de los datos en Obstetricia y

su difusión se convertirán en una responsabilidad compartida de todos los profesionales
del sector donde el talento, el conocimiento, e incluso la pasión que se ponga en su
análisis serán fundamentales para generar importantes avances en el cuidado de las
gestantes. En menos tiempo de lo que creemos hay especialidades sanitarias que serán
fácilmente automatizadas por lo que será el factor humano lo que diferenciará la
calidad en la atención a la gestante, alejándose de la estandarización de los cuidados,
ofreciendo un servicio personalizado y mucho más satisfactorio.

El Big data Obstétrico también desarrolla aspectos preocupantes como la digitalización

y análisis de la información clínica obstétrica. La información almacenada en grandes
bases de datos se convierte en una herramienta clave aunque reservada por las
implicaciones de seguridad y protección de datos del usuario que conlleva (uso de la
información personal sensible de la gestante, la lesión del derecho a la intimidad, la falta
de seguridad en el acceso a los registros y la deficiente anonimación de los datos, entre
otras). El análisis de esta información puede asegurar que se apliquen los mejores
algoritmos de tratamientos personalizados para cada gestante y se realice una gestión
proactiva de la misma, fortaleciendo vínculos y estrechando relaciones personales. A día
de hoy la Ley Orgánica de Protección de Datos (LOPD) es la normativa que gobierna en
España la gestión de la protección de datos personales, incluidos los datos sanitarios.
Cuando creamos un Big Data anónimo se elimina la información personal, por tanto se
procura que sea imposible identificar a las personas físicas que han aportado esos datos.
En los casos en que es necesario que la información no sea anónima (por ejemplo en la
elaboración de modelos predictivos en medicina personalizadas) se debe salvaguardar la
protección de datos personales cumpliendo la LOPD con los mecanismos que la ley nos
exige, como cualquier sistema que albergue datos tan sensibles como los sanitarios.

Limitaciones del estudio

Como limitaciones podemos indicar que no existe demasiada literatura sobre el enfoque
del análisis de grandes bases de datos o Big Data en gestantes. La literatura anglosajona
es más abundante aunque se centra sobre todo en aspectos prácticos y el desarrollo de
técnicas para el análisis de datos sanitarios y la comercialización de resultados, la
literatura en español es escasa y a menudo se trata de literatura gris y artículos en
Internet sin rigor científico alguno. Los resultados de este estudio tienen validez
temporal, dada la rápida expansión que está experimentando este tipo de técnicas de
análisis de datos en todo el mundo. Otro factor limitante del estudio es el proceso de
toma de datos y la diferente metodología que utilizan los resultados encontrados a la
hora de evaluar su eficacia.

Financiación
Ninguna.

Conflicto de intereses
Ninguno.

Bibliografía
1. Bellazzi R. Big data and biomedical informatics: a challenging opportunity.
Yearbook of Medical Informatics. 2014;9:8-13.
2. Parra Calderón CL. Big data en sanidad en España: la oportunidad de una estrategia
nacional. Gac Sanit. 2016;30(1):63–65.
3. 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.
4. Baro E, Degoul S, Beuscart R, et al. Toward a literature-driven definition of big data
in healthcare. BioMed Research International. 2015; 2015:639021.
5. 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: http://www.slideshare.net/perficientinc/using-big-data-for-improved-
healthcare-operations-and-analytics.
6. Durairaj M, Ranjani V. Data Mining Applications In Healthcare Sector: A Study.
International Journal of scientific & technology rersearch. 2013; 2(10): 29-35.
7. 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.
8. Obenshain MK. Application of Data Mining Techniques to Healthcare Data. ICHE.
2004 ;25 (8): 690-695.
9. Desikan P, Hsu K, Srivastava J. Data mining for Healthcare management. SIAM
International Conference on Data Mining. 2011, Mesa, Arizona, USA.
10. Niakšu O, Kurasova O. Data Mining Application in Healthcare Research vs
Practice. CEUR Workshop Proceedings. 2012; 924: 58-70.
11. Chye Koh H, Tan G. Data Mining Applications in Healthcare. JHIM. 2005; 19 (2):
64-72.
12. 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.
13. 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.
14. 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.
15. 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.
16. 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.
17. Gülçin E, Karahocaa A, Uçara T. Dosage planning for diabetes patients using data
mining methods. Procedia Computer Science. 2011; 3: 1374–1380.
18. 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.
19. Breaulta JL, Goodallc CR, Fos PJ. Data mining a diabetic data warehouse. Artificial
Intelligence in Medicine. 2002; 26:37–54.
20. 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.
21. 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.
22. 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.
23. 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.
24. 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.
25. 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.
26. 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.
27. 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.
28. 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.
29. 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:
http://200.24.220.94/bitstream/33000/3627/1/UDLA-EC-TPU-2014-10%28S
%29.pdf.