Dashboard supported by business intelligence for decision making in the health sector

Authors

  • Carlos Andrés Dorado Bastidas
  • Eduar Yecit Córdoba Campos
  • Gabriel Elías Chanchí Golondrino

DOI:

https://doi.org/10.18041/2539-3669/gestionlibre.16.2023.10226

Keywords:

Business Intelligence, Dashboard, Health, Morbidity, Promotion And Prevention

Abstract

This article aims to propose a dashboard supported by business intelligence (BI) as a support for strategic decision making in the Health Unit belonging to the University of Cauca with respect to patient morbidities, costs of care and investment in professionals. At the methodological level, CRISP-DM was used, defining six phases: business understanding, data understanding, data pre-processing, modeling, evaluation and finally deployment. As a result, it was found that the most common morbidities are: essential hypertension, dentin caries and excessive tooth attrition. Likewise, it was found that the specialty that demands the highest costs for the Health Unit is dentistry. Therefore, it is possible to indicate that the dashboard based on business intelligence is of vital importance for decision making in the context of preventive health with respect to morbidities by age range. In conclusion, the proposed dashboard serves as a support to the staff and administrative personnel of the Health Unit of the Universidad del Cauca in the design of contingency, promotion and prevention plans.

Downloads

Download data is not yet available.

References

Abasova, J., Tanuska, P., & Rydzi, S. (2021). Big Data—Knowledge Discovery in Production Industry Data Storages—Implementation of Best Practices. applied sciences, 11. doi: https://doi.org/10.3390/app11167648

Ahumada Tello, E., & Perusquia Velasco, J. (2016). Inteligencia de negocios: Estrategia para el desarrollo de competitividad en empresas de base tecnológica. Contaduría y Administración, 61(1), 127-158. doi: https://doi.org/10.1016/J.CYA.2015.09.006

Alvarado-García, A., & Salazar-Maya, Á. (2014). Análisis del concepto de envejecimiento. Gerokomos, 25(2), 57-62. doi: https://dx.doi.org/10.4321/S1134-928X2014000200002

Álvarez-Gil, D. (2021). Metodología CRISP-DM. Adictos al trabajo. https://www.adictosaltrabajo.com/2021/01/14/metodologia-crisp-dm/

Ayele, W. (2020). Adapting CRISP-DM for Idea Mining. International Journal of Advanced Computer Science and Applications, 11(6), 20-32. doi: http://dx.doi.org/10.14569/IJACSA.2020.0110603

Barrio-Cortes, J., Del Cura-González, I., Martínez-Martín, M., López-Rodríguez, C., Jaime-Sisó, M., & Suaréz-Fernandéz, C. (2020). Adjusted morbidity groups: Characteristics and comorbidities in patients with chronic conditions according to their risk level in Primary Care. Atención Primaria, 52(2), 86-95. doi: https://doi.org/10.1016/j.aprim.2018.12.007

Calzada, L., & Abreu, J. L. (2009). El impacto de las herramientas de inteligencia de negocios en la toma de decisiones de los ejecutivos. Daena: International Journal of Good Conscience, 4(2). Obtenido de http://www.spentamexico.org/v4-n2/4(2)%2016-52.pdf

Cobos, C., Zuñiga, J., Guarín, J., León, E., & Mendoza, M. (2010). CMIN - a CRISP-DM-based case tool for supporting data mining projects. Ingeniería e Investigación, 30(3). Obtenido de http://www.scielo.org.co/pdf/iei/v30n3/v30n3a04.pdf

Fernández, E. (2005). Metodología de explotación de información. Gestor de documentos. Reportes Técnicos en Ingeniería de Software, 1. Obtenido de https://docplayer.es/6350419-Gestion-asistida-de-documentos-en-una-metodologia-de-explotacion-de-informacion.html

García-Jiménez, A., Aguilar-Morales, N., Hernández-Triano, L., & Lancaster-Díaz, E. (2021). La inteligencia de negocios: Herramienta clave para el uso de la información y la toma de decisiones empresariales. Revista de Investigaciones Universidad del Quindío, 33(1). doi: https://doi.org/10.33975/riuq.vol33n1.514

Guevara Toscano, M. E., Recalde Chiluiza, T., Avéles Monroy, J., & Bravo Balarezo, L. (2018). Importancia de la estrategia de marketing dentro del sistema de información gerencial en las organizaciones. Espirales Revista Multidisciplinaria de Investigación. Obtenido de https://1library.co/document/yjdgv1my-importancia-estrategia-marketing-dentro-sistema-informacion-gerencial-organizaciones.html

IBM. (2021). Conceptos básicos de ayuda de CRISP-DM. IBM. Obtenido de https://www.ibm.com/docs/es/spss-modeler/saas?topic=dm-crisp-help-overview

Kenigsberg, T., Hause, A., McNeil, M., Nelson, J., Shoup, J., Goddard, K., Lou, Y., Hanson, K., Glenn, S., & Weintraub, E. (2022). Dashboard development for near real-time visualization of COVID-19 vaccine safety surveillance data in the vaccine safety datalink. Vaccine, 40(22), 3064-3071. doi: https://doi.org/10.1016/j.vaccine.2022.04.010

Kumar Singh, V., Singh, A., & Joshi, K. (2022). Fair CRISP-DM: Embedding Fairness in Machine Learning (ML) Development Life Cycle. Proceedings of the 55th Hawaii International Conference on System Sciences, Hawaii. Obtenido de https://hdl.handle.net/10125/79522

López Jiménez, D. (2008). Control de natalidad en Colombia: De la política multilateral, a la política de estado. Universidad de la Sabana. Obtenido de http://dspace.uhemisferios.edu.ec:8080/jspui/handle/123456789/378

Marbán, O., Menasalvas, E., & Fernández Baizan, C. (2008). A cost model to estimate the effort of data mining projects (DMCoMo). 33(1), 133-150. doi https://doi.org/10.1016/j.is.2007.07.004

Martínez Plumed, F., Contreras Ochando, L., Ferri, C., Hernández Orallo, J., Kull, M., Lachiche, N., Ramírez Quintana, M., & Flach, P. (2021). CRISP-DM Twenty Years Later: From Data Mining Processes to Data Science Trajectories. IEEE Transactions on Knowledge and Data Engineering, 33(8), 3048-3061. doi: https://doi.org/10.1109/TKDE.2019.2962680

Ordoñez Erazo, H., Ordoñez, C., & Bucheli Guerrero, V. (2022). Predicción de factores clave en el aumento de la demografía en Colombia a través del ensamble de modelos de Machine Learning. Revista Científica, 44. doi: https://doi.org/10.14483/23448350.19205

Petretto, D., Pili, R., Gaviano, L., Matos-López, C., & Zuddas, C. (2016). Envejecimiento activo y de éxito o saludable: Una breve historia de modelos conceptuales. Revista Española de Geriatría y Gerontología, 51(4), 229-241. doi: https://doi.org/10.1016/j.regg.2015.10.00

Porras Medrano, J. A., Florencia Juárez, R., & García Jiménez, V. (2018). Interfaz de lenguaje natural para consultar cubos multidimensionales utilizando procesamiento analítico en línea. Research in Computing Science, 147(6), 153-165. Obtenido de https://rcs.cic.ipn.mx/2018_147_6/Interfaz%20de%20lenguaje%20natural%20para%20consultar%20cubos%20multidimensionales%20utilizando%20procesamiento.pdf

Saltz, J. (2021). CRISP-DM for Data Science: Strengths, Weaknesses and Potential Next Steps. 2021 IEEE International Conference on Big Data (Big Data), Orlando, FL, USA. doi: https://doi.org/10.1109/BigData52589.2021.9671634

Schröer, C., Kruse, F., & Gómez, J. (2021). A Systematic Literature Review on Applying CRISP-DM Process Model. Procedia Computer Science, 181, 526-534. doi: https://doi.org/10.1016/j.procs.2021.01.199

Silva Peñafiel, G., Zapata Yánez, V., Morales Guamán, K., & Toaquiza Padilla, L. (2019). Análisis de metodologías para desarrollar Data Warehouse aplicado a la toma de decisiones. Ciencia Digital, 3(3.4), 397-418. doi: https://doi.org/10.33262/cienciadigital.v3i3.4..922

Silva Solano, L. E. (2017). Business Intelligence: Un balance para su implementación. INNOVAG, 3, 27-36. Obtenido de: https://revistas.pucp.edu.pe/index.php/innovag/article/view/19742/19808

Studer, S., Binh Bui, T., Drescher, C., Hanuschkin, A., Winkler, L., Peters, S., & Müller, K. R. (2021). Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology. machine learning & knowledge extraction, 3, 392-413. doi: https://doi.org/10.3390/make3020020

tableau. (2019). ¿Qué es Business Intelligence o inteligencia de negocios? [Tableau]. Obtenido de https://www.tableau.com/es-es/learn/articles/business-intelligence

Tripathi, S., Muhr, D., Brunner, M., Jodlbauer, H., Dehmer, M., & Emmert-Streib, F. (2021). Ensuring the Robustness and Reliability of Data-Driven Knowledge Discovery Models in Production and Manufacturing. Frontiers in Artificial Intelligence, 4. doi: https://doi.org/10.3389%2Ffrai.2021.576892

Vallalta Rueda, J. F. (2019). CRISP-DM: una metodología para minería de datos en salud. Escuela de formación en inteligencia artificial en salud. Obtenido de https://healthdataminer.com/data-mining/crisp-dm-una-metodologia-para-mineria-de-datos-en-salud/

Vanegas Lago, E., & Guerra Cantero, L. (2013). Sistema de inteligencia de negocios para el apoyo al proceso de toma de decisiones. Revista Ingeniería UC, 20(3), 25-34. Obtenido de http://servicio.bc.uc.edu.ve/ingenieria/revista/v20n3/art03.pdf

Viteri Cevallos, C., & Murillo Párraga, D. (2021). Inteligencia de Negocios para las Organizaciones. Revista Koinonía, 6(12), 304-323. doi: https://doi.org/10.35381/r.k.v6i12.1291

Yang, Y., Yuanjie, L., Qingqing, L., Li, L., Aozi, F., Tianyi, W., Shuai, S., Anding, X., & Jun, L. (2020). Brief introduction of medical database and data mining technology in big data era. Journal of Evidence-Based Medicine, 13(1). doi https://doi.org/10.1111/jebm.12373

Downloads

Published

2023-05-19 — Updated on 2023-09-18

Versions

Issue

Vol. 8 No. 16 (2023): Gestión y Desarrollo Libre

Section

Artículos

How to Cite

Dorado Bastidas, C. A., Córdoba Campos, E. Y., & Chanchí Golondrino, G. E. (2023). Dashboard supported by business intelligence for decision making in the health sector. Gestión Y Desarrollo Libre, 8(16). https://doi.org/10.18041/2539-3669/gestionlibre.16.2023.10226 (Original work published 2023)