Doctorado en Ingeniería

URI permanente para esta colección

Navegar

Envíos recientes

Mostrando 1 - 4 de 4
  • PublicaciónSólo datos
    Gases alveolares medidos desde la entrada de la vía aérea, en un simulador físico del sistema respiratorio humano, como potencial herramienta para el mejoramiento de la ventilación mecánica del pulmón
    (Universidad EIA, 2023) Jiménez Posada, León Dario; Montagut Ferizzola, Yeison Javier; Torres Villa, Robinson Alberto
    RESUMEN: Los ventiladores médicos empleados en pacientes bajo cuidado crítico tienen como función principal mejorar los gases alveolares, oxígeno (O2) y dióxido de carbono (CO2), cuando estos valores se encuentran fuera del rango normal debido a diferentes patologías del sistema respiratorio. Sin embargo, para los pacientes que están sometidos a ventilación mecánica, no se tiene una herramienta confiable que le permita conocer al clínico el verdadero valor de estos gases alveolares, respiración a respiración. A pesar de los grandes avances de la capnografía, existen muchos factores clínicos que pueden alejar el valor final del CO2 espirado del valor promedio alveolar real. Además, la medición del O2 en la ventilación mecánica se ha limitado a mostrar su valor en los gases de entrada al paciente. La presente tesis doctoral propone un enfoque para predecir los gases alveolares (O2 y CO2) en un simulador físico del sistema respiratorio humano. El estudio se realizó utilizando un simulador físico con intercambio de gases (SAMI-SII), desarrollado en el presente trabajo, junto con estrategias de inteligencia artificial (IA) entrenadas con el desarrollo de un modelo de transporte de gases desde la entrada de la vía aérea hasta la sangre, utilizando ecuaciones convencionales de transporte de masa acopladas a dos medios porosos que simulan cada uno de los pulmones. El simulador desarrollado, SAMI-SII, presentó un desempeño consistente en las concentraciones a la entrada de la vía aérea con respecto a las observadas en la práctica clínica, y fue posible estimar el valor promedio de los gases alveolares O2 y CO2 en el simulador cuando está conectado a un ventilador comercial. Posteriormente el modelo fue probado en 13 pacientes pulmonarmente sanos y sometidos a ventilación mecánica. Los resultados obtenidos en esta investigación demuestran un alto grado de éxito en las pruebas de validación. La metodología empleada ha probado ser efectiva y precisa, evidenciando su valor y utilidad para futuras investigaciones en este campo. En las diversas pruebas de validación llevadas a cabo, los datos resultantes superaron consistentemente las expectativas iniciales, lo que refuerza la solidez y la fiabilidad de los hallazgos de esta tesis. Estos resultados validados, respaldados por un riguroso análisis estadístico, establecen una nueva base para futuros trabajos en el área.
  • PublicaciónAcceso 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, Yeison
    RESUMEN: 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.
  • ÍtemSólo datos
    Modelling the fast pyrolysis of anisotropic biomass particles with aerosol production
    (Universidad EIA, 2023) Sánchez Posada, Mario Alejandro; Maya López, Juan Carlos; Quinchía Figueroa, Adriana María
    ABSTRACT: agricultural production generates significant amounts of residues that are not valued and contributes to environmental pollution; In Colombia alone, 78 million tons of agricultural residues are generated each year. Moreover, only a small fraction of the produced biomass in the agricultural sector correspond to useful products: the “fique” industry uses only the 2% of the produced biomass, the beer industry uses only 8% of the grain nutrients, while palm oil industry uses less than 9% of the produced biomass, in coffee industry only 9,5% of the fruit weight is utilized, while in the paper industry just the 30% of the raw biomass is made of (Cury et al., 2017). The valorization of these residues not only to reduces environmental pollution but also contributes to increase sector productivity through the production of high value products. One of the alternatives for biomass residues characterization is the production of bio-oil through fast pyrolysis with its subsequent upgrade to obtain high value products such as fuels, or chemicals as furfural, acetol (hydroxy acetone), levoglucosan, acetic acid, 5-HMF, hydroxyl-acetaldehyde, products that are used are raw materials in the food, textile, paints, pharmaceutical and cosmetic sectors. The bio-oil from biomass fast pyrolysis is a mixture of compounds coming from the decomposition of the cellulose, hemicellulose and lignin. Particularly, in the bio-oil can be found heavy components such as lignin oligomers, anhydrosugars, and some minerals. The concentration of these heavy components in bio-oil affects subsequent processes as the hydrotreatment to obtain fuels (Iisa et al., 2019). A fraction of the aforementioned heavy components in bio-oil comes from aerosols that are ejected from the biomass particle during fast pyrolysis (primary aerosols), however, the contribution of the aerosols to this heavy fraction is still uncertain, since these aerosols suffer secondary extra-particle reactions within the reactor and there is also formation of secondary aerosols during the condensation process of volatiles products (Montoya et al., 2016). Even though there are multiples studies on the effect of some process parameters and particles characteristics (heating rate, holding temperature, pressure, particle size) on the heavy fraction yield, the effect of these parameters on aerosol production has been little studied. Currently, there is no fast pyrolysis model that considers realistic characteristics of the particle such as shape and anisotropy and provides information about the production of aerosols and its size distribution (Brennan Pecha et al., 2019). The information about the produced aerosols is important for the later analysis of the extra-particle reactions within the reactor and to clarify the participation of primary aerosols on the heavy fraction yield. Based on the problem description presented above the research question for the present work is the following: ¿Is the effect of particle shape and anisotropy on the production primary aerosols significant during biomass fast pyrolysis? This project aims at advancing the current state of knowledge and modelling of biomass fast pyrolysis. The objective of the work is to evaluate aerosol production and the effect of particle characteristics and process parameters during biomass fast pyrolysis.
  • PublicaciónSólo datos
    Sistema inteligente de predicción temprana de la sepsis en unidades de cuidado intensivo
    (Universidad EIA, 2021) Bonet Cruz, Isis; Iadanza, Ernesto; Gil, Bladimir
    RESUMEN: 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.