Examinando por Materia "Sepsis"

Mostrando 1 - 5 de 5
  • Miniatura
    ÍtemSólo datos
    Evaluación de la microcirculación sublingual por pletismografía
    (Universidad EIA, 2023) Uribe Acevedo, Rafael Ignacio; Torres Villa, Robinson Alberto; Montoya Goez, Yesid
    RESUMEN: la sepsis es un problema de salud pública y una de las principales causas de muerte en el mundo. Actualmente su diagnóstico se basa en identificar el deterioro de la función basal de al menos un órgano lo cual da por sentado el establecimiento de la disfunción orgánica antes de realizar su diagnóstico. Debido a que uno de los mecanismos involucrados en la etiología de la disfunción orgánica es la alteración de la perfusión y previo a esto de la microcirculación, no es de extrañar el protagonismo que viene cobrando la evaluación de la microcirculación sublingual en pacientes con sepsis. La herramienta actualmente más aceptada para este propósito es la videomicroscopia, pero los costos y dificultades operativas que implica su utilización son algunas de las causas que han limitado su uso. Este trabajo plantea desarrollar un dispositivo que evalúe la microcirculación sublingual a partir de la señal de pletismografía y permita a futuro establecer un método más sencillo de utilizar y económico. Se utilizó la metodología divergente-convergente; la búsqueda bibliográfica corroboró la utilidad de la microcirculación en sepsis y a través de una matriz de evaluación se definió la fotopletismografía (PPG) como técnica a utilizar. Se eligió un sensor de PPG con LEDs rojo, infrarrojo y verde, para el cual se construyó un prototipo físico que lo integrara, permitiera su uso en cavidad oral y adquiriera la señal de la cara ventral de la lengua. Se realizaron 2 experimentos en una muestra de 31 sujetos, el primero demostró la alteración en la derivada de PPG de luz verde al ejercer presión sobre el sensor ubicado en el pulpejo del cuarto dedo de la mano con lo cual se concluyó que la luz verde evaluaba la microcirculación en los capilares más superficiales. El segundo utilizó la luz verde para evaluar la microcirculación sublingual a través de 15 características y cuyos resultados se reportan a través de sus medianas: amplitud máxima promedio flujo verde (0,00004 V/s), amplitud mínima promedio flujo verde (-0,00007 V/s), valor RMS flujo verde (0,00002 V/s), valor RMS del flujo verde ajustado (0,00014 V/s), Índice de perfusión PPG luz verde (1,519 %), pico máximo del espectro flujo verde (0,00866 dB/Hz), pico menor del espectro flujo verde (0,00179 dB/Hz), razón entre pico máximo y menor del espectro flujo verde (0,2307), posición en X centroide del espectro flujo verde (0,9766 Hz), posición en Y centroide del espectro flujo verde (0,00139 dB/Hz), posición en X centroide ajustado del espectro flujo verde (0,3516 Hz), posición en Y centroide ajustado del espectro flujo verde (0,00076 dB/Hz), AUC pico menor del espectro flujo verde (0,00017 dB), AUC pico máximo del espectro flujo verde (0,00077 dB), razón entre área bajo la curva de los picos menor y máximo (0,2466). Estos datos pueden ser asumidos como referencia de una muestra de población sana para futuros trabajos y soportan a la fotopletismografía por medio de la longitud de onda de la luz verde como un método útil para evaluar la microcirculación.
  • Miniatura
    PublicaciónAcceso abierto
    Identificación temprana y predicción de sepsis en pacientes de UCI a partir de datos fisiológicos
    (Universidad EIA, 2020) Gonzalez Mesa, Pablo; Bonet Cruz, Isis
    RESUMEN: Sepsis se define como una disfunción orgánica causada por una respuesta desregulada a una infección por parte del paciente. Es una de las causas de muerte más común en pacientes de unidades de cuidados intensivos en todo el mundo, lo que lo convierte en una problemática de gran importancia. La detección temprana de este síndrome es de gran importancia a la hora tratar a los pacientes efectivamente. En este trabajo se propone un modelo de inteligencia artificial para la identificación temprana y predicción de sepsis utilizando la base de datos MIMIC y adaptando los resultados a los datos de una institución local de salud. Se realizaron pruebas con múltiples modelos y parámetros de estos. El mejor resultado para la identificación temprana de sepsis fue el resultado de hacer un modelo multiclasificador con diferentes rasgos para los clasificadores, en este caso se usaron un kNN y un XGBoost y utilizar sus resultados como las entradas de una regresión logística. Éste tuvo un AUROC de 0.944. Para predicción de sepsis se propuso un modelo XGBoost capaz de predecir 1, 2 y 3 horas de anticipación con métricas de 0.918, 0.912 y 0.908 respectivamente.
  • Miniatura
    PublicaciónAcceso abierto
    Modelo basado en técnicas de procesamiento del lenguaje natural para extraer y anotar información relacionada con la sepsis
    (Universidad EIA, 2021) Orrego Martínez, Emmanuel; Camacho Cogollo, Javier Enrique; Bonet Cruz, Isis
    RESUMEN: La sepsis presenta una de las mayores tasas de mortalidad mundial en los hospitales. Su diagnóstico puede ser considerablemente difícil a causa de su amplio cuadro de síntomas y múltiples causas. En el presente trabajo se ahonda en la evaluación y revisión de los datos de manera estadística y visual. Se proponen diferentes métodos de normalización de datos, limpieza de los mismos y análisis, así como herramientas visuales que permiten realizar un análisis profundo de los mismos. En este primer acercamiento del trabajo se llegará a conclusiones que permitirán avanzar hacia el siguiente paso de implementar un modelo en un entorno controlado. El éxito del análisis en parte dependerá de la calidad de los datos suministrados por los expertos y de la capacidad de limpieza y normalización de los mismos. Se le aplicarán diferentes técnicas de extracción de información y se analizara cuales datos son más relevantes para dar los siguientes pasos hacia el diagnostico de sepsis. Adicionalmente se cuenta con una sección de resultados en los cuales se presenta minuciosamente lo que se ha realizado hasta el momento respecto al análisis te texto estructurado y no estructurado, las técnicas usadas para extracción limpieza y análisis Finalmente se dejará para próximos estudios la implementación de un modelo de inteligencia artificial que apoye el diagnóstico de la sepsis el cual será alimentado con los datos recolectados en este trabajo.
  • Miniatura
    PublicaciónAcceso abierto
    Modelo de predicción de sepsis a partir de datos históricos de pacientes en una unidad de cuidados intensivos
    (Universidad EIA, 2019) González Muñoz, Zuleimi Esteffanny; Merizalde Maya, Pablo; Bonet Cruz, Isis
    La creciente disponibilidad de datos y el rápido desarrollo de métodos de análisis de datos, han hecho posible las recientes aplicaciones exitosas de la Inteligencia Artificial en la salud. El uso de estos avances tecnológicos, permiten ayudar en los diferentes procesos de las instituciones de salud como en la predicción y diagnóstico de enfermedades. Dentro de estas, la sepsis es considerada como una afección con alta tasa de mortalidad especialmente en las unidades de cuidados intensivos. Esta afección, puede llegar a ser muy grave debido a las diferentes maneras de manifestarse, lo que dificulta su diagnóstico. La verificación de algunas variables generales inflamatorias, permiten indicar la letalidad de la infección. Actualmente, lo más común es el uso de indicadores como: SOFA, qSOFA y SAPS-II para predecir la posibilidad de sepsis, ya que ésta está muy ligada a la mortalidad. Aunque, en países desarrollados ya se están usando métodos basados en datos históricos con algoritmos de inteligencia artificial para poder hacer una predicción temprana. En el presente trabajo se analizaron los datos almacenados en la base de datos libre MIMIC-III, la cual contiene información de pacientes admitidos en la unidad de cuidados intensivos de The Beth Israel Deaconess Medical Center en Boston, Massachusetts. Se usaron una serie de variables clínicas de los pacientes, las cuales se pasaron por unas reglas duras que generan un valor numérico o probabilidad que se relaciona con la severidad del padecimiento. Las variables elegidas, corresponden a las que se utilizan en los indicadores mencionados para poder predecir la existencia o no de sepsis y la mortalidad de los pacientes. Por lo que el objetivo del trabajo es realizar un modelo de predicción de sepsis temprana, utilizando métodos de inteligencia artificial y compararlos con loa diferentes indicadores para el diagnóstico de esta afección. El procedimiento realizado, se basó en la metodología CRISP-DM, donde se inició con la obtención de los datos, se realizó un análisis de calidad de estos, se procedió a seleccionar las variables de los indicadores mencionados, se realizó una limpieza de estos datos y se obtuvo la vista única, la cual fue utilizada para entrenar clasificadores supervisados seleccionados: árbol de decisiones, KNN, naive bayes, red neuronal y máquinas de vector soporte. Para esta clasificación, se dividieron primero los datos en datos de aprendizaje y validación, se implementaron los modelos, y por último se corroboraron los resultados, eligiendo los mejores modelos y comparando los algoritmos entre sí, por medio de la evaluación de métricas utilizando validación cruzada. Los resultados indicaron que los modelos de machine learning y deep learning implementados, son capaces de igualar e incluso mejorar las predicciones de los modelos de reglas duras, rompiendo los paradigmas y sirviendo como un apoyo en la toma de decisiones de los profesionales de la salud.
  • Miniatura
    PublicaciónAcceso abierto
    Sistema inteligente de predicción temprana de sepsis
    (Universidad EIA, 2021-02-09) Camacho, Javier; EIA; Dra. Isis Bonet Cruz