Documentos de Académico
Documentos de Profesional
Documentos de Cultura
El artículo "Sistema Experto piloto para el diagnóstico del estado de salud de pacientes con
covid-19 a partir de los signos vitales (2023)" describe un sistema de inteligencia artificial (IA)
diseñado para ayudar en el diagnóstico del estado de salud de pacientes con COVID-19. El
sistema utiliza signos vitales, como la temperatura corporal, la frecuencia cardíaca y la
saturación de oxígeno, para evaluar el estado de salud de un paciente y determinar si es
probable que tenga COVID-19.
El sistema se basa en un modelo de aprendizaje automático que ha sido entrenado con datos
de pacientes con COVID-19 y sin COVID-19. El modelo utiliza estos datos para aprender a
identificar patrones en los signos vitales que son indicativos de la enfermedad. Una vez que el
modelo ha sido entrenado, puede ser utilizado para analizar los signos vitales de un paciente y
determinar si es probable que tenga COVID-19.
El artículo describe un estudio piloto en el que se utilizó el sistema para analizar los signos
vitales de un grupo de pacientes con COVID-19 y un grupo de pacientes sin COVID-19. Los
resultados del estudio muestran que el sistema es capaz de identificar correctamente a la
mayoría de los pacientes con COVID-19 y de descartar correctamente a la mayoría de los
pacientes sin COVID-19.
El artículo concluye que el sistema tiene el potencial de ser una herramienta útil para ayudar
en el diagnóstico del estado de salud de pacientes con COVID-19. Sin embargo, se necesitan
más estudios para validar su precisión y evaluar su utilidad en entornos clínicos reales.
Sistema experto para accidentes cerebro vasculares
El artículo comienza con una introducción a los ACV, una de las principales causas de
discapacidad y muerte en todo el mundo. Luego, se presenta el sistema experto propuesto,
que consta de tres etapas: preprocesamiento de datos, entrenamiento del clasificador de
Bayes ingenuo y diagnóstico de ACV.
El sistema experto propuesto se evalúa utilizando datos clínicos reales de pacientes con ACV
y se compara con otros métodos de diagnóstico. Los resultados muestran que el sistema
experto propuesto tiene una precisión significativamente mayor que otros métodos de
diagnóstico, lo que sugiere que podría ser una herramienta útil para ayudar a los médicos en
el diagnóstico de ACV.
El objeto del estudio fueron 130 registros médicos de pacientes con y sin accidente
cerebrovascular del Hospital Dr. Soetomo de Surabaya. La recopilación de datos se llevó a cabo
con 2 métodos, a saber, entrevistas con neurólogos especialistas y análisis de historias clínicas
de pacientes con y sin accidente cerebrovascular. Los datos obtenidos se seleccionan en base a
criterios de diagnóstico que incluyen músculos faciales débiles, trastornos del habla,
debilidad en un lado del cuerpo, trastornos sensoriales, dolor de cabeza, aparición repentina,
antecedentes de hipertensión, antecedentes de AIT (ataque isquémico transitorio),
antecedentes de diabetes mellitus, consumo de cigarrillos y fibrilación auricular o
antecedentes de enfermedad cardíaca. El resultado es un diagnóstico de clases de accidente
cerebrovascular y no accidente cerebrovascular.
La base de datos consta de 105 datos de entrenamiento con detalles de 66 pacientes con
accidente cerebrovascular y 39 pacientes sin accidente cerebrovascular. Esta base de datos se
conecta luego con un sistema experto. El peso del factor de certeza otorgado por los expertos
es un valor con un rango de 0 a 1. Al utilizar la ecuación (1), se obtuvo una probabilidad previa
de 0,628 para la clase de diagnóstico de accidente cerebrovascular y de 0,371 para la clase sin
accidente cerebrovascular.
En resumen, el artículo describe un sistema experto para la clasificación de accidentes
cerebrovasculares utilizando un clasificador de Bayes ingenuo y el factor de certeza
como dispositivo de apoyo al diagnóstico. El sistema se evalúa utilizando datos clínicos
reales y se muestra que tiene una precisión significativamente mayor que otros
métodos de diagnóstico.
Project Bonsai
El proyecto Bonsai se basa en la idea de que el aprendizaje automático puede ser utilizado
para enseñar a los sistemas a tomar decisiones en tiempo real. Esto se logra mediante el uso
de algoritmos de aprendizaje por refuerzo, que permiten a los sistemas aprender de la
experiencia y mejorar su rendimiento con el tiempo.
Noticia:
calidad, PepsiCo ha desarrollado una solución de AI por parte de Microsoft Project Bonsai.
Esa solución, que usa datos de un sistema de visión de cómputo para hacer recomendaciones
o ajustes cada vez que un producto no cumple con las especificaciones, ha demostrado su
eficacia en una planta piloto, y pronto será desplegada en una planta de producción PepsiCo
eligió el hojaldre horneado de Cheetos como su primer producto de prueba para Project
Bonsai. Los esponjosos Cheetos son fabricados en una máquina llamada extrusora. De manera
histórica, un operador seleccionaba de manera manual algunos Cheetos que salían de la
extrusora a intervalos definidos, los verificaba en busca de cualidades como forma y densidad
aparente y ajustaba las entradas en la extrusora si algo estaba mal.
La solución Project Bonsai puede monitorear el producto casi de manera continua, a través de
sensores para supervisar esas cualidades. De inmediato sabe si un producto se sale de un
rango definido, e incluso puede hacer recomendaciones para que las apruebe un operador o
ajustar la configuración por sí mismo si trabaja de manera autónoma.
“El proyecto reunió una poderosa mezcla de tecnología, habilidades de modelado aplicadas y
una experiencia en la materia para crear innovación en la fábrica”, comentó Días.
Una vez que los desarrolladores han creado el marco de simulación, el algoritmo de IA aprende
a través de prueba y error, así como también de la retroalimentación de los operadores: un
proceso llamado aprendizaje de refuerzo. En la simulación, la solución de IA puede simular la
ejecución de un día en tan solo 30 segundos.
El sistema experto propuesto se basa en la lógica difusa y utiliza una base de conocimientos
que incluye reglas y hechos sobre los diferentes problemas que pueden surgir en un
automóvil. El sistema también incluye un módulo de inferencia que utiliza la lógica difusa para
determinar la gravedad de un problema y sugerir posibles soluciones.
El artículo describe el diseño y la implementación del sistema experto, así como los resultados
de las pruebas realizadas para evaluar su eficacia. Los resultados muestran que el sistema
experto propuesto es capaz de diagnosticar problemas mecánicos y eléctricos con una
precisión del 85%, lo que lo convierte en una herramienta útil para los mecánicos que
necesitan identificar y solucionar problemas en automóviles de manera rápida y precisa.
El artículo propone un modelo de sistema experto difuso que evalúa la viabilidad técnica,
económica y ambiental de los proyectos de captura y almacenamiento de CO2. El modelo
utiliza reglas difusas para representar el conocimiento experto y evaluar los proyectos en
función de múltiples criterios, como la capacidad de captura de CO2, la eficiencia energética, el
costo de implementación y el impacto ambiental.