Doctorado en Ingeniería
URI permanente para esta colección
Navegar
Examinando Doctorado en Ingeniería por Autor "Bonet Cruz, Isis"
Mostrando 1 - 3 de 3
Resultados por página
Opciones de ordenación
Publicación Acceso abierto Generación de imágenes sintéticas de radiografía de tórax con enfermedad pulmonar obstructiva crónica utilizando técnicas de inteligencia artificial(Universidad EIA, 2023) Sánchez Ocampo, María Manuela; Bonet Cruz, Isis; Montagut, YeisonRESUMEN: La implementación de modelos generativos en la medicina, particularmente en la generación de imágenes diagnósticas de la Enfermedad Pulmonar Obstructiva Crónica (EPOC), representa un avance significativo en la convergencia entre la inteligencia artificial y la práctica clínica. En el presente trabajo se proponen dos modelos de redes neuronales. El primero es AEPOC, diseñado para clasificar la EPOC partiendo de imágenes médicas, con una arquitectura que combina dos autoencoders para extraer los patrones distintivos de cada clase. El segundo modelo es LunGAN, un modelo generativo que sintetiza imágenes que reflejan las características de la EPOC a partir de datos clínicos derivados de los exámenes de función pulmonar. El presente trabajo aborda cuatro etapas importantes. La primera se enfoca en la adquisición y procesamiento de los datos clínicos de la base de datos obtenida del Hospital Pablo Tobón Uribe. La segunda etapa se dedica al análisis detallado de la información estructurada y no estructurada que permiten comprender la patología. La tercera etapa implica el diseño e implementación de múltiples modelos con la finalidad de crear imágenes que presenten las características relevantes de la patología. Finalmente, se realizó la evaluación de la calidad de las imágenes, que permite tener una visión integral sobre la semejanza entre las imágenes reales y generadas, lo cual respalda la capacidad de los modelos para imitar con precisión las imágenes de radiografía de tórax. EL modelo generativo propuesto posee un potencial para transformar los datos clínicos en representaciones visuales, abriendo posibilidades de formación y el aprendizaje de profesionales médicos al simular diversidad de escenarios y manifestaciones de enfermedad sin la necesidad de un gran número de pacientes reales. Este avance señala un futuro prometedor en la unión de la inteligencia artificial con el campo de la medicina, ofreciendo nuevas perspectivas para afrontar y avanzar en los desafíos actuales del tratamiento y diagnóstico pulmonar, con el objetivo de mejorar constantemente la calidad de la atención médica.Publicación Sólo datos Sistema basado en inteligencia artificial para la evaluación de impactos financieros generados por riesgos climáticos de transición en organizaciones del sector alimentos procesados en Colombia(Universidad EIA, 2024) Pérez Pérez, Juan Fernando; Bonet Cruz, Isis; Sánchez-Pinzón, Maria Solange; Lochmuller, ChristianRESUMEN: el cambio climático es uno de los fenómenos más importantes en la era actual y a su vez es un reto al que se enfrentan las organizaciones. La evaluación de los riesgos climáticos está tomando cada vez más relevancia. Para las organizaciones identificar, evaluar y gestionar los riesgos relacionados con el clima es un reto, ya que estos proceden de múltiples fuentes y poseen diferentes probabilidades de que ocurran. Esta investigación identifica y evalúa los principales riesgos climáticos de transición en una empresa del sector de alimentos procesados en Colombia. Por una parte se emplea Fuzzy Logic para la clasificación de los riesgos identificados, este enfoque permite el uso de expresiones lingüísticas para la priorización de los riesgos. Por otra parte, se emplean técnicas de inteligencia artificial para pronosticar variables que influyen en el análisis de los riesgos climáticos de transición, los cuales se pueden clasificar en regulatorios, tecnológicos y de mercado, empleando datos macroeconómicos y microeconómicos. Los resultados de esta investigación son un aporte en la comprensión de los impactos financieros generados por los riesgos climáticos de transición al desarrollar un factor de ajuste de riesgos climático de transición que captura los potenciales impactos de diferentes trayectorias climáticas o escenarios climáticos, dando la posibilidad de generar escenarios financieros para la organización. Finalmente, se propone un proceso metodológico para cuantificar el valor en riesgo, como un percentil de las pérdidas agregadas de los riesgos climáticos de transición en términos de un Climate Transition Value at Risk (CTVaR), suministrando a la organización del caso de estudio la posibilidad de gestionar e influir activamente en las potenciales pérdidas esperadas por la transición a una economía baja en carbono y mejorar con este indicador los procesos de toma de decisiones empresarialesPublicación Sólo datos Sistema inteligente de predicción temprana de la sepsis en unidades de cuidado intensivo(Universidad EIA, 2021) Bonet Cruz, Isis; Iadanza, Ernesto; Gil, BladimirRESUMEN: La sepsis es un síndrome fisiopatológico complejo que se caracteriza por anomalías bioquímicas y disfunciones orgánicas, que se presentan a causa de una respuesta desregulada del paciente a una infección. Esta condición tiene una alta incidencia y lidera una de las principales causas de morbilidad y mortalidad a nivel mundial. Debido a las dificultades para su detección y tratamiento, es considerada una de las condiciones médicas prioritarias a nivel de salud pública. La identificación temprana y el inicio de tratamientos apropiados en el paciente favorecen la recuperación y supervivencia de los pacientes. En esta investigación se propone un sistema inteligente de predicción temprana de sepsis en pacientes en unidades de cuidados intensivos. El sistema se basa en en un modelo híbrido, usando técnicas de inteligencia artificial. Además, este modelo utiliza datos estructurados y no estructurados, procedentes de múltiples fuentes de una institución de salud local. El sistema tiene la capacidad de procesar textos de resultados de imágenes diagnósticas, así como datos clínicos tales como los demográficos, variabilidad de signos vitales, resultados de laboratorio clínico, así como series de tiempo multivariadas. El modelo híbrido se divide en dos partes. La primera es un modelo de procesamiento de lenguaje natural que extrae información relacionada con sepsis y la convierte en variables estructuradas. La segunda parte es un modelo multiclasificador que tiene como clasificadores de base un XGBoost y KNN con una funci´on de distancia basada en Dynamic Time Warping para tratar los datos clínicos estructurados del paciente y las series de tiempo respectivamente, y un metaclasificador como método de combinación de salida. Los entrenamientos y validaciones se realizaron usando dos bases de datos, una internacional llamada MIMIC-III y otra de una instituci´on de salud de tercer nivel de atención de la ciudad de Medellín. Se compararon los modelos, usando con los pacientes de MIMIC-III y la local, concluyendo que las variables que ayudan a predecir la sepsis no son las mismas, y las que coinciden no tienen la misma relevancia. Con esto se corrobora que sistemas de este tipo deben ser adaptados a las regiones específicas, ya que puede haber influencias demográficas o de las bacterias que causen la infección. Por otro lado, los resultados indican que el sistema tiene la capacidad de predecir la sepsis-3 hasta 3 horas previas alcanzando un AUROC de 0.84 para MIMIC-III y de 0.87 para la institución de salud local. Por lo tanto, usando datos de cuidado intensivo, la sepsis se puede predecir con el sistema propuesto hasta por 3 horas previas a su desarrollo, lo que le permite al personal asistencial disponer de una solución novedosa para mejorar la condición de los pacientes.
