RESUMO

ABSTRACT Introduction: As the World Health Organization declared the novel coronavirus as a pandemic in March 2020, physical therapy is more difficult to execute, and social distancing is mandatory in the healthcare sector. Objective: In physical therapy, an online video analysis software that provides real-time graphic and numerical information about the patient's movement executions without direct personal contact would mean a significant improvement in eHealth treatment. Methods: We have developed a software layer on top of OpenPose human body position estimation software that can extract the time series of angles of arbitrary body parts using the output coordinates from OpenPose processing the data recorded by two cameras simultaneously. To validate the procedure of determining the joint angles using the Openpose software we have used the Kinovea software. Results: The comparison of the determined maximal knee angle in our and the Kinovea software, which is widely used in biomechanical measurements, was not significantly different (2.03±1.06°, p<0.05) Conclusion: This indicates, that the developed software can calculate the appropriate joint angles with the accuracy that physiotherapy treatments require. As, to our knowledge no such software yet exists, with the help of this software development, therapists could control and correct the exercises in real-time, and also from a distance, and physical therapy effectiveness could be increased. Level of Evidence II; Experimental, comparative.

RESUMEN Introducción: Como la Organización Mundial de la Salud declaró el nuevo coronavirus como una pandemia en marzo de 2020, la fisioterapia es más difícil de ejecutar, el distanciamiento social es obligatorio en el sector de la salud. Objetivo: En la práctica de fisioterapia un software de análisis de vídeo online que proporcione información gráfica y numérica en tiempo real sobre las ejecuciones de movimiento del paciente sin contacto personal directo supondría una mejora significativa en el tratamiento de la eSalud. Métodos: Fue desarrollado una capa de software sobre el software de estimación de posición del cuerpo humano OpenPose que puede extraer la serie temporal de ángulos de partes arbitrarias del cuerpo utilizando las coordenadas de salida de OpenPose procesando los datos registrados por dos cámaras simultáneamente. Para validar el procedimiento de determinación de los ángulos articulares mediante el software Openpose fue utilizado el software Kinovea. Resultados: La comparación del ángulo máximo de rodilla determinado en nuestro software y Kinovea, que es ampliamente utilizado en mediciones biomecánicas, no fue significativamente diferente (2,03±1,06°, p<0,05). Conclusión: Esto indica que el software desarrollado puede calcular los ángulos articulares adecuados con la precisión que requieren los tratamientos de fisioterapia. Dado que aún no existe dicho software, con la ayuda de este desarrollo de software, los terapeutas podrían controlar y corregir los ejercicios en tiempo real, y también a distancia, y se podría aumentar la eficacia de la fisioterapia. Nivel de Evidencia II; Experimental, comparativo.

RESUMO Introdução: Como a Organização Mundial da Saúde declarou o novo coronavírus como pandemia em março de 2020, a fisioterapia é mais difícil de executar, o distanciamento social é obrigatório no setor de saúde. Objetivo: Na prática da fisioterapia, um software de análise de vídeo online que fornece informações gráficas e numéricas em tempo real sobre as execuções de movimento do paciente sem contato pessoal direto significaria uma melhora significativa no tratamento eHealth. Métodos: Desenvolveu-se uma camada de software em cima do software de estimativa de posição do corpo humano OpenPose que pode extrair as séries temporais de ângulos de partes do corpo arbitrárias usando as coordenadas de saída do OpenPose processando os dados gravados por duas câmeras simultaneamente. Para validar o procedimento de determinação dos ângulos articulares utilizando o software Openpose utilizou-se o software Kinovea. Resultados: A comparação do ângulo máximo do joelho determinado em nosso e no software Kinovea, amplamente utilizado em medidas biomecânicas, não foi significativamente diferente (2,03±1,06°, p<0,05) Conclusão: Isso indica que o software desenvolvido pode calcular os ângulos articulares adequados com a precisão que os tratamentos de fisioterapia exigem. Como esse software ainda não existe, com a ajuda do desenvolvimento desse software, os terapeutas puderam controlar e corrigir os exercícios em tempo real, e também à distância, aumentando a eficácia da fisioterapia. Nível de Evidência II; Experimental, comparativo.

RESUMO

En las últimas décadas, las imágenes fotoacústicas han demostrado su eficacia en el apoyo al diagnóstico de algunas enfermedades, así como en la investigación médica, ya que a través de ellas es posible obtener información del cuerpo humano con características específicas y profundidad de penetración, desde 1 cm hasta 6 cm dependiendo en gran medida del tejido estudiado, además de una buena resolución. Las imágenes fotoacústicas son comparativamente jóvenes y emergentes y prometen mediciones en tiempo real, con procedimientos no invasivos y libres de radiación. Por otro lado, aplicar Deep Learning a imágenes fotoacústicas permite gestionar datos y transformarlos en información útil que genere conocimiento. Estas aplicaciones poseen ventajas únicas que facilitan la aplicación clínica. Se considera que con estas técnicas se pueden proporcionar diagnósticos médicos confiables. Es por eso que el objetivo de este artículo es proporcionar un panorama general de los casos donde se combina el Deep Learning con técnicas fotoacústicas.

In recent decades, photoacoustic imaging has proven its effectiveness in supporting the diagnosis of some diseases as well as in medical research, since through them it is possible to obtain information of the human body with specific characteristics and depth of penetration, from 1 cm to 6 cm depending largely on the tissue studied, in addition to a good resolution. Photoacoustic imaging is comparatively young and emerging and promises real-time measurements, with non-invasive and radiation-free procedures. On the other hand, applying Deep Learning to photoacoustic images allows managing data and transforming them into useful information that generates knowledge. These applications have unique advantages that facilitate clinical application. It may be possible with these techniques to provide reliable medical diagnoses. That is why the aim of this article is to provide an overview of cases combining Deep Learning with photoacoustic techniques.

RESUMO

Resumen Introducción: La insuficiencia cardíaca es una condición común, progresiva y potencialmente mortal cuyo riesgo suele sobreestimarse. Se requieren herramientas eficaces para discriminar el riesgo, por lo que se entrenó un sistema basado en el ensamble de redes neuronales para este fin. Objetivo: Exponer los resultados del entrenamiento y la validación interna de un sistema basado en el ensamble de un conjunto de redes neuronales artificiales para el pronóstico de la mortalidad a un mes de los pacientes hospitalizados por insuficiencia cardíaca aguda, y comparar los resultados de cada una de las redes individuales desarrolladas y cuatro sistemas de ensamble, la votación simple y AdaBoost. Materiales y método: A partir de una cohorte de 462 pacientes con diagnóstico de insuficiencia cardiaca descompensada se entrenaron once redes que luego se ensamblaron en cuatro sistemas: votación simple, dos sistemas ponderados por características operativas (valores predictivos y likelihood ratios) y Boosting. Se calcularon las características operativas para el pronóstico de muerte a 30 días y se compararon con el de dos reglas clínicas y una regresión logística aplicada a la misma población. Resultados: Los diversos métodos de ensamble obtuvieron un mejor rendimiento pronóstico que el de cada una de las redes que lo componían. La votación ponderada por valores predictivos muestra el mejor desempeño, con una exactitud del 89.0% (IC 95%: 82.6-93.2%), aunque los intervalos de confianza se superponían entre los resultados. Conclusiones: El ensamble de redes neuronales mediante votación ponderada por valores predictivos demostró un adecuado rendimiento para el pronóstico de muerte a treinta días en insuficiencia cardiaca aguda.

Abstract Introduction: Heart failure is a common, progressive, and life-threatening condition whose risk is often overestimated. Effective tools are required to discriminate the risk and therefore a system based on the assembly of neural networks was trained for this purpose. Objective: To present the results of the training and internal validation of a system based on a set of artificial neural networks for the prognosis of one-month mortality in patients hospitalized for acute heart failure, and to compare the results of each of the individual networks developed and four set systems simple voting and AdaBoost. Materials and method: From a cohort of 462 patients diagnosed with decompensated heart failure, 11 networks were trained and then assembled using four systems: simple voting, two systems weighted by operating characteristics (predictive values and likelihood ratios) and Boosting. Operating characteristics for the 30-day prognosis of death were calculated and compared with two clinical rules and logistic regression applied to the same population. Results: The various ensemble methods had a better prognostic performance than each of the networks that composed them. Voting weighted by predictive values performed best, with an accuracy of 89.0% (95% CI: 82.6-93.2%) although the results’ confidence intervals overlapped. Conclusions: The ensemble of neural networks through voting weighted by predictive values showed an adequate performance for predicting 30-day mortality in acute heart failure.

RESUMO

OBJECTIVE: To apply an artificial neural networks analysis (ANN) model to identify variables that predict assigned leadership and academic success in graduates of six generations of medical school. METHOD: Analytical, retrospective, comparative study. A total of 1434 graduates participated. A questionnaire was sent to them by e-mail including a voluntary participation consent. A multivariate statistical analysis using multi-layer perceptron ANN, decision trees and driver analysis was performed. RESULTS: The ANN identified seven independent variables that predicted professional success and eight for leadership in medical graduates. The decision trees identified significant differences in the variables professional performance (p = 0.000), age (p = 0.005) and continuing education activities (p = 0.034) related to professional success, and for leadership the variables gender (p = 0.000), high school grades (p = 0.042), performing clinical practice during the social service year (p = 0.002) and continuing education activities (p = 0.011). CONCLUSIONS: The ANN identified the main independent predictor variables of professional success and leadership of the graduates. This study opens up two new lines of research little studied with the techniques of in the area of medicine.

OBJETIVO: Aplicar un modelo de análisis de redes neuronales artificiales (RNA) para identificar las variables que predicen el liderazgo asignado y el éxito académico en egresados de seis generaciones de la carrera de Medicina. MÉTODO: Estudio analítico, retrospectivo y comparativo. Participaron 1434 egresados. Se envió un cuestionario por correo electrónico que incluyó el consentimiento de participación voluntaria. Se realizó análisis estadístico multivariado mediante RNA del tipo perceptrón multicapa, árboles de decisión y análisis de impulsores. RESULTADOS: Las RNA identificaron siete variables independientes que predijeron el éxito profesional y ocho para el liderazgo en los médicos egresados. Los árboles de decisión identificaron diferencias significativas en las variables desempeño profesional (p = 0.000), edad (p = 0.005) y actividades de educación continua (p = 0.034) relacionadas con el éxito profesional, y para el liderazgo las variables sexo (p = 0.000), promedio en el bachillerato (p = 0.042), realizar práctica clínica en el servicio social (p = 0.002) y actividades de educación continua (p = 0.011). ­. CONCLUSIONES: Las RNA identificaron las principales variables independientes predictoras del éxito profesional y el liderazgo de los egresados. El estudio abre dos líneas de investigación poco estudiadas con las técnicas de RNA en el área de la medicina.

Assuntos

RESUMO

RESUMEN La evapotranspiración de referencia (ETo) es una variable hidrológica de gran importancia en el manejo del riego. Su estimación se realiza con la ecuación de Penman-Montieth (PM), que requiere de muchas variables meteorológicas, las cuales, a veces, no se encuentran disponibles. Dado que la ETo es una variable no lineal y compleja, en los últimos años han surgido métodos alternativos para su estimación, como las redes neuronales artificiales (RNA). El objetivo del presente trabajo fue estimar la evapotranspiración de referencia (ETo) usando la ecuación de Penman-Montieth, a fin de desarrollar modelos de redes neuronales artificiales (RNA) que permitan predecir la ETo en regiones con información climatológica limitada, y su vez comparar el desempeño de tres modelos de RNA: FFNN, ERNN y NARX. Se utilizó información diaria durante el periodo 1 de enero de 2007 al 31 de diciembre de 2018, de las estaciones meteorológicas ENP8 y ENP4 de la CDMX. Se realizó un análisis de correlación y el análisis de sensibilidad de Garson para estudiar 2 casos (red estática FFNN y redes dinámicas: ERNN y NARX) usando 3 modelos de RNA: 1) RNA con 6 entradas: radiación solar (Rad), temperatura máxima y mínima (Tmax, Tmin), humedad relativa máxima y mínima (HRmax, HRmin) y velocidad del viento (u); y 2) RNA con 2 entradas (Rad y Tmax). La variable de salida fue la ETo calculada con la ecuación de PM. En todos los casos, las 3 RNA fueron muy parecidas, la diferencia más notable es que las redes dinámicas (ERNN y NARX) requieren de menor número de iteraciones para llegar al desempeño óptimo. Las RNA entrenadas, únicamente con Rad y Tmax como entradas, fueron capaces de predecir la ETo en el largo plazo, durante 440 d, en otra estación meteorológica cercana (ENP4), con eficiencias mayores al 90 %.

ABSTRACT Reference evapotranspiration (ETo) is a hydrological variable of great importance in irrigation management. Its estimation is carried out with the Penman-Montieth (PM) equation that requires many meteorological variables and that are sometimes not available. Since ETo is a nonlinear and complex variable, in recent years alternative methods have emerged for its estimation, such as artificial neural networks (ANN). The objective of this work was to estimate the reference evapotranspiration (ETo) using the Penman-Montieth equation, in order to develop artificial neural network (ANN) models that allow ETo to be predicted in regions with limited climatological information, and in turn to compare the performance of three RNA models: FFNN, ERNN and NARX. Daily informtion was used during the January 1, 2007 to December 31, 2018 period, for the ENP8 and ENP4 meteorological stations in Mexico city. Based on the correlation analysis and the Garson sensitivity analysis, 2 cases were studied for the 3 ANN models: 1) ANN with 6 inputs: solar radiation (Rad), maximum and minimum temperature (Tmax, Tmin), maximum and minimum relative humidity (RHmax, RHmin), and wind speed (u), and 2) RNA with 2 inputs (Rad and Tmax). The output variable was the ETo, calculated with the PM equation. In all cases, the performance of the 3 ANNs was very similar. The most notable difference is that the dynamic networks (ERNN and NARX) require fewer iterations to achieve the optimum performance. ANNs trained only with radiation and maximum temperature as inputs were able to predict a long-term ETo for 440 at another nearby meteorological station (ENP4), with efficiencies greater than 90 %.

RESUMO

BACKGROUND: To test whether a Shallow Neural Network (S-NN) can detect and classify vascular tone dependent changes in arterial blood pressure (ABP) by advanced photopletysmographic (PPG) waveform analysis. METHODS: PPG and invasive ABP signals were recorded in 26 patients undergoing scheduled general surgery. We studied the occurrence of episodes of hypertension (systolic arterial pressure (SAP) >140 mmHg), normotension and hypotension (SAP < 90 mmHg). Vascular tone according to PPG was classified in two ways: 1) By visual inspection of changes in PPG waveform amplitude and dichrotic notch position; where Classes I-II represent vasoconstriction (notch placed >50% of PPG amplitude in small amplitude waves), Class III normal vascular tone (notch placed between 20-50% of PPG amplitude in normal waves) and Classes IV-V-VI vasodilation (notch <20% of PPG amplitude in large waves). 2) By an automated analysis, using S-NN trained and validated system that combines seven PPG derived parameters. RESULTS: The visual assessment was precise in detecting hypotension (sensitivity 91%, specificity 86% and accuracy 88%) and hypertension (sensitivity 93%, specificity 88% and accuracy 90%). Normotension presented as a visual Class III (III-III) (median and 1st-3rd quartiles), hypotension as a Class V (IV-VI) and hypertension as a Class II (I-III); all p < .0001. The automated S-NN performed well in classifying ABP conditions. The percentage of data with correct classification by S-ANN was 83% for normotension, 94% for hypotension, and 90% for hypertension. CONCLUSIONS: Changes in ABP were correctly classified automatically by S-NN analysis of the PPG waveform contour.

Assuntos

RESUMO

Abstract The extraction of time series features is essential across various fields, yet it remains a challenging endeavor. Therefore, it's crucial to identify appropriate methods capable of extracting pertinent information that can significantly enhance classification performance. Among these methods are those that translate time series into different domains. This study investigates three distinct time series transformation approaches for addressing time series classification challenges within biomedical data. The first method involves a response vector transformation, while the other two employ image transformation techniques: RandOm Convolutional KErnel Transform (ROCKET), Gramian Angular Fields, and Markov Transition Fields. These transformation methods were applied to five biomedical datasets, exploring various format configurations to ascertain the optimal representation technique and configuration for input, which in turn improves classification performance. Evaluations were conducted on the effectiveness of these methods in conjunction with two classification algorithms. The outcomes underscore the significance of these time series transformation techniques as facilitators for enhanced classification algorithms documented in current literature.

Resumen La extracción de características de series temporales es esencial en diversos campos, pero sigue siendo un desafío. Por lo tanto, es crucial identificar métodos apropiados capaces de extraer información pertinente que pueda mejorar significativamente el rendimiento de clasificación. Entre estos métodos se encuentran aquellos que traducen las series temporales a diferentes dominios. Este estudio investiga tres enfoques distintos de transformación de series temporales para abordar los desafíos de clasificación de series temporales en datos biomédicos. El primer método implica una transformación de vector de respuesta, mientras que los otros dos emplean técnicas de transformación de imagen: RandOm Convolutional KErnel Transform (ROCKET), Gramian Angular Fields y Markov Transition Fields. Estos métodos de transformación se aplicaron a cinco conjuntos de datos biomédicos, explorando diversas configuraciones de formato para determinar la técnica y configuración de representación óptima para la entrada, lo que a su vez mejora el rendimiento de clasificación. Se realizaron evaluaciones sobre la efectividad de estos métodos en conjunción con dos algoritmos de clasificación. Los resultados subrayan la importancia de estas técnicas de transformación de series temporales como facilitadoras para mejorar los algoritmos de clasificación documentados en la literatura actual.

RESUMO

Resumen El presente trabajo es un seguimiento a la propuesta para la contribución con especialistas en la salud para enriquecer los sistemas de seguimiento y apoyo en pacientes con Enfermedad de Párkinson a través de la clasificación de actividades de la vida diaria (AVDs) utilizando Redes Neuronales Artificiales programadas en lenguaje Python. El método propuesto de aprendizaje supervisado permitió la clasificación de 6 AVDs mediante 22 señales procedentes de haber aplicado Análisis de Componentes Principales; conformando la base de datos utilizada para entrenar un Perceptrón Multicapa, logrando un acercamiento a la clasificación con el 93% de medida F1-score. El presente estudio demuestra la versatilidad de las RNA basadas en MLP combinadas con la técnica de PCA, pues incluso en una base de datos desbalanceada como la utilizada permite alcanzar excelentes valores en la medida F1-score. El uso de Inteligencia Artificial y otras herramientas aplicadas en este trabajo pueden eventualmente ayudar a especialistas a desempeñar una evaluación más certera en el monitoreo de la rehabilitación en pacientes con enfermedad de Párkinson mejorando los registros y así evitar subjetividad en la interpretación de los resultados del tratamiento.

Abstract This paper is a proposal to contribute with health specialists to enrich the follow-up and support systems in patients with Parkinson's by identifying and classifying Daily Living Activities (DLAs) using Artificial Neural Networks programmed in Python language. The proposed method of supervised learning allowed the classification of 6 DLAs through 22 signals obtained from the application of Principal Component Analysis, creating a database used to train a Multilayer Perceptron. This model achieved an approximation of classification with 93% of the F1-score. The present study demonstrates the versatility of ANNs based on MLP combined with the PCA technique since, even in an unbalanced database such as the one used, it allows excellent values to be achieved in the F1-score measure. The use of Artificial Intelligence and other tools applied in this work may eventually help specialists to perform a more accurate assessment in the monitoring of rehabilitation for patients with Parkinson's disease by improving records and thus avoiding subjectivity in the interpretation of treatment results.

RESUMO

Abstract This paper aims to introduce an innovative approach to semantic segmentation by leveraging a convolutional neural network (CNN) for predicting the shape and pose parameters of the left ventricle (LV). Our approach involves a modified U-Net architecture with a regression layer as the final stage, as opposed to the traditional classification layer. This modification allows us to predict all the shape and pose parameters of a statistical shape model, including rotation, translation, scale, and deformation. The adapted U-Net is trained using data from a point distribution model (PDM) of the LV. The experimental results demonstrate a mean Dice coefficient of 0.82 on good quality images, and 0.66 including mean and low-quality images. Our approach successfully overcomes a common issue encountered in CNN-based semantic segmentation. Unlike the inaccurate pixel classification that often leads to unwanted blobs, our CNN generates statistically valid shapes. These shapes hold significant potential in initializing other methods, such as active shape models (ASMs). Our novel CNN-based approach provides a novel solution for semantic segmentation, offering shapes and pose parameters that can enhance the accuracy and reliability of subsequent medical image analysis methods.

Resumen Este artículo tiene como objetivo introducir un enfoque innovador para la segmentación semántica utilizando una red neuronal convolucional (CNN) para predecir los parámetros de forma y posición del ventrículo izquierdo (VI). Nuestro enfoque implica una arquitectura U-Net modificada con una capa de regresión como etapa final, en contraposición a la capa de clasificación tradicional. Esta modificación nos permite predecir todos los parámetros de un modelo estadístico de formas que incluyen rotación, traslación, escala y deformación. La red convolucional se entrena utilizando datos de un modelo de distribución de puntos (PDM) del VI. Los resultados experimentales muestran un coeficiente Dice promedio de 0.82 para imágenes de buena calidad y de 0.66 cuando se incluyen imágenes de calidad media y baja. Nuestro enfoque supera con éxito un problema común en la segmentación semántica basada en CNNs. A diferencia de la clasificación inexacta de píxeles que a menudo conduce a elementos no deseados (blobs), nuestra CNN genera formas estadísticamente válidas. Estas formas tienen un gran potencial para inicializar otros métodos, como los modelos de forma activa (ASMs). En resumen, nuestro enfoque basado en CNN proporciona una solución innovadora para la segmentación semántica, ofreciendo formas y parámetros de posición que pueden mejorar la precisión y confiabilidad de otros métodos de análisis del VI.

RESUMO

Este trabajo propone un sistema de diagnóstico del trastorno depresivo para el Centro de Salud Juan Pablo II. En este centro los especialistas aplican como método de evaluación el cuestionario BDI-II (Inventario de Depresión de Beck), que limita el proceso de diagnóstico porque solo contempla la sumatoria de un puntaje como resultado final. Por lo tanto, para mejorar el método de evaluación se propone la construcción de un modelo de diagnóstico basado en redes neuronales y la adaptación del cuestionario BDI-II recopilando ítems del cuestionario asociados a sus respectivos factores establecidos: emocional, cognitivo, físico y de motivación siendo las variables de entrada de la primera capa. El modelo tiene tres capas ocultas y finalmente se obtendrá una capa de salida con el diagnostico general y específico que detallará el resultado del paciente a fin de que el especialista realice un plan personalizado de tratamiento que se ajuste mejor a las necesidades del paciente(AU)

This work proposes a diagnostic system for depressive disorder for the Juan Pablo II Health Center where the specialists apply the BDI-II questionnaire (Beck's Depression Inventory) as evaluation method, which limits the diagnostic process because it only contemplates the sum of a score as a final result. Therefore, to improve the evaluation method, the construction of a diagnostic model based on neural networks and the adaptation of the BDI-II collecting questionnaire items associated with their respective established factors: emotional, cognitive, physical and motivation, being the input variables of the first layer, having three hidden layers and finally an output layer will be sought with the general and specific diagnosis that details the result of the patient so that the specialist can make a personalized treatment plan that better adjusts to the patient needs(AU)

Assuntos

RESUMO

En este trabajo consideramos 148 semioquímicos reportados para la familia Scarabaeidae, cuya estructura química fue caracterizada empleando un conjunto de 200 descriptores moleculares de cinco clases distintas. La selección de los descriptores más discriminantes se realizó con tres técnicas: análisis de componentes principales, por cada clase de descriptores, bosques aleatorios y Boruta-Shap, aplicados al total de descriptores. A pesar de que las tres técnicas son conceptualmente diferentes, seleccionan un número de descriptores similar de cada clase. Propusimos una combinación de técnicas de aprendizaje de máquina para buscar un patrón estructural en el conjunto de semioquímicos y posteriormente realizar la clasificación de estos. El patrón se estableció a partir de la alta pertenencia de un subconjunto de estos metabolitos a los grupos que fueron obtenidos por un método de agrupamiento basado en lógica difusa, C-means; el patrón descubierto corresponde a las rutas biosintéticas por las cuales se obtienen biológicamente. Esta primera clasificación se corroboró con el empleo de mapas autoorganizados de Kohonen. Para clasificar aquellos semioquímicos cuya pertenencia a una ruta no quedaba claramente definida, construimos dos modelos de perceptrones multicapa, los cuales tuvieron un desempeño aceptable.

In this work we consider 148 semiochemicals reported for the family Scarabaeidae, whose chemical structure was characterized using a set of 200 molecular descriptors from five different classes. The selection of the most discriminating descriptors was carried out with three different techniques: Principal Component Analysis, for each class of descriptors, Random Forests and Boruta-Shap, applied to the total of descriptors. Although the three techniques are conceptually different, they select a similar number of descriptors from each class. We proposed a combination of machine learning techniques to search for a structural pattern in the set of semiochemicals and then perform their classification. The pattern was established from the high belonging of a subset of these metabolites to the groups that were obtained by a grouping method based on fuzzy C-means logic; the discovered pattern corresponds to the biosynthetic pathway by which they are obtained biologically. This first classification was corroborated with Kohonen's self-organizing maps. To classify those semiochemicals whose belonging to a biosynthetic pathway was not clearly defined, we built two models of Multilayer Perceptrons which had an acceptable performance.

Neste trabalho consideramos 148 semioquímicos reportados para a família Scarabaeidae, cuja estrutura química foi caracterizada usando um conjunto de 200 descritores moleculares de 5 classes diferentes. A seleção dos descritores mais discriminantes foi realizada com três técnicas diferentes: Análise de Componentes Principais, para cada classe de descritores, Florestas Aleatórias e Boruta-Shap, aplicadas a todos os descritores. Embora as três técnicas sejam conceitualmente diferentes, elas selecionaram um número semelhante de descritores de cada classe. Nós propusemos uma combinação de técnicas de aprendizado de máquina para buscar um padrão estrutural no conjunto de semioquímicos e então realizar sua classificação. O padrão foi estabelecido a partir da alta pertinência de um subconjunto desses metabólitos aos grupos que foram obtidos por um método de agrupamento baseado em lógica fuzzy, C-means; o padrão descoberto corresponde às rotas biossintéticas pelas quais eles são obtidos biologicamente. Essa primeira classificação foi corroborada com o uso dos mapas auto-organizados de Kohonen. Para classificar os semioquímicos cuja pertença a uma rota não foi claramente definida, construímos dois modelos de Perceptrons Multicamadas que tiveram um desempenho aceitável.

RESUMO

Resumo A evasão fiscal é a consequência da prática da sonegação. Apenas no Brasil, estima-se que ela corresponda a 8% do PIB. Com isso, os governos necessitam de sistemas inteligentes para apoiar os auditores fiscais na identificação de sonegadores. Tais sistemas dependem de dados sensíveis dos contribuintes para o reconhecimento dos padrões, que são protegidos por lei. Com isso, o presente trabalho apresenta uma solução inteligente, capaz de identificar os perfis de potenciais sonegadores com o uso apenas de dados abertos, públicos, disponibilizados pela Receita Federal e pelo Conselho Administrativo Tributário do Estado de Goiás, entre outros cadastros públicos. Foram gerados três modelos que utilizaram os recursos Random Forest, Redes Neurais e Grafos. Em validação depois de melhorias finas, foi possível obter acurácia superior a 98% na predição do perfil inadimplente. Por fim, criou-se uma solução de software visual para uso e validação pelos auditores fiscais do estado de Goiás.

Resumen La evasión fiscal es la consecuencia de la práctica de la defraudación tributaria. En Brasil, se estima que corresponde al 8% del PIB. Por lo tanto, los gobiernos necesitan y utilizan sistemas inteligentes para ayudar a los agentes de hacienda a identificar a los defraudadores fiscales. Dichos sistemas se basan en datos confidenciales de los contribuyentes para el reconocimiento de patrones, que están protegidos por ley. Este trabajo presenta una solución inteligente, capaz de identificar perfiles de potenciales defraudadores fiscales, utilizando únicamente datos públicos abiertos, puestos a disposición por la Hacienda Federal y por el Consejo Administrativo Tributario del Estado de Goiás, entre otros registros públicos. Se generaron tres modelos utilizando random forest y neural networks. En la validación después de finas mejoras, fue posible obtener una precisión superior al 98% en la predicción del perfil moroso. Finalmente, se creó una solución de software visual para uso y validación por parte de los auditores fiscales del estado de Goiás.

Abstract Tax evasion is the practice of the non-payment of taxes. In Brazil alone, it is estimated as 8% of GDP. Thus, governments must use intelligent systems to support tax auditors to identify tax evaders. Such systems seek to recognize patterns and rely on sensitive taxpayer data that is protected by law and difficult to access. This research presents a smart solution, capable of identifying the profile of potential tax evaders, using only open and public data, made available by the Brazilian internal revenue service, the administrative council of tax appeals of the State of Goiás, and other public sources. Three models were generated using Random Forest, Neural Networks, and Graphs. The validation after fine improvements offered an accuracy greater than 98% in predicting tax evading companies. Finally, a web-based solution was created to be used and validated by tax auditors of the State of Goiás.

Assuntos

RESUMO

Abstract There is a growing interest to understand the neural functions and substrates of complex cognitive processes related to Obesity (OB). Artificial Intelligence (AI) is being applied, specifically the perceptron model of Artificial Neural Networks (ANN) in non-communicable chronic diseases, to identify with greater certainty the connective factors (synaptic networks) between the input variables and the output variables associated. Objective Identify the synaptic weights of the ANN whose input variables are the executive functions (EF) and healthy lifestyles as predictors of Body Fat Percentage (BFP) in a group of adult subjects with different levels of BFP. Methods It was an exploratory, quantitative, cross-sectional, comparative, convenience, and explanatory research. The Neuropsychological Battery (BANFE-2) and the Overeating Questionnaire (OQ) were administered to 40 participants aged between 18-38 years. BFP was measured using a RENPHO ES-24M Smart Body Composition Scale. The perceptron ANN model with ten trials was applied with a multilayer-perceptron. Results The ANN showed that the sensory variables with greater synaptic weight for BFP were Stroop A and B Errors and Successes of BANFE-2, and OQ scales Rationalizations and Healthy Habits. Conclusions ANN proved to be important in the simultaneous analysis of neuropsychological and healthy lifestyle data for the analysis of OB prevention and treatment by identifying the variables that are closely related. These findings open the door for the use of non-linear analysis models, which allow the identification of relationships of different weights, between input and output variables, to more effectively direct interventions to modify obesity habits.

Resumen Existe un interés creciente por comprender las funciones neuronales y sustratos cognitivos complejos relacionados con la obesidad. Se está aplicando Inteligencia Artificial, en concreto el modelo perceptrón de Redes Neuronales Artificiales en enfermedades crónicas no transmisibles, para identificar con mayor certeza los factores de conexión (redes sinápticas) entre las variables de entrada y las variables de salida. Objetivo Identificar pesos sinápticos de la RNA cuyas variables de entrada fueron las funciones ejecutivas y los estilos de vida saludable, como predictores del Porcentaje de Grasa Corporal en un grupo de sujetos adultos con diferentes niveles del Porcentaje de Grasa. Métodos se trató de una investigación exploratoria, cuantitativa, transversal, comparativa, de conveniencia y explicativa. Se administró la Batería Neuropsicológica (BANFE-2) y el Cuestionario de Sobreingesta (OQ), a 40 participantes con edades comprendidas entre los 18-38 años. El porcentaje de grasa se midió con una báscula de composición corporal (RENPHO ES-24M). El modelo redes neuronales de perceptrón, se ejecutó con diez ensayos. Resultados El modelo de Red Neuronal mostró que las variables sensoriales con mayor peso sináptico para el porcentaje de grasa, fueron Errores Stroop A y B y Aciertos de BANFE-2, y Racionalizaciones de las escalas OQ y Hábitos Saludables. Conclusiones las redes neuronales artificiales demostró ser importante en el análisis simultáneo de datos neuropsicológicos y de estilo de vida saludable para el análisis de prevención y tratamiento de la obesidad, al identificar las variables que están estrechamente relacionadas. Estos hallazgos abren la puerta al uso de modelos de análisis no lineales, que permiten identificar relaciones de diferente peso, entre variables de entrada y salida, más eficientes que los modelos lineales.

RESUMO

RESUMEN Introducción: Las técnicas de inteligencia artificial han demostrado tener un gran potencial en el área de la cardiología, especialmente para identificar patrones imperceptibles para el ser humano. En este sentido, dichas técnicas parecen ser las adecuadas para identificar patrones en la textura del miocardio con el objetivo de identificar y cuantificar la fibrosis. Objetivos: Proponer un nuevo método de inteligencia artificial para identificar fibrosis en imágenes cine de resonancia cardíaca. Materiales y métodos: Se realizó un estudio retrospectivo observacional en 75 sujetos del Sanatorio San Carlos de Bariloche. El método propuesto analiza la textura del miocardio en las imágenes cine CMR (resonancia magnética cardíaca) mediante el uso de una red neuronal convolucional que determinar el daño local del tejido miocárdico. Resultados: Se observó una precisión del 89% para cuantificar el daño tisular local en el conjunto de datos de validación y de un 70% para el conjunto de prueba. Además, el análisis cualitativo realizado muestra una alta correlación espacial en la localización de la lesión. Conclusiones: El método propuesto permite identificar espacialmente la fibrosis únicamente utilizando la información de los estudios de cine de resonancia magnética nuclear, mostrando el potencial de la técnica propuesta para cuantificar la viabilidad miocárdica en un futuro o estudiar la etiología de las lesiones.

ABSTRACT Background: Artificial intelligence techniques have demonstrated great potential in cardiology, especially to detect imperceptible patterns for the human eye. In this sense, these techniques seem to be adequate to identify patterns in the myocardial texture which could lead to characterize and quantify fibrosis. Purpose: The aim of this study was to postulate a new artificial intelligence method to identify fibrosis in cine cardiac magnetic resonance (CMR) imaging. Methods: A retrospective observational study was carried out in a population of 75 subjects from a clinical center of San Carlos de Bariloche. The proposed method analyzes the myocardial texture in cine CMR images using a convolutional neural network to determine local myocardial tissue damage. Results: An accuracy of 89% for quantifying local tissue damage was observed for the validation data set and 70% for the test set. In addition, the qualitative analysis showed a high spatial correlation in lesion location. Conclusions: The postulated method enables to spatially identify fibrosis using only the information from cine nuclear magnetic resonance studies, demonstrating the potential of this technique to quantify myocardial viability in the future or to study the etiology of lesions.

RESUMO

Resumen La neurociencia moderna aborda el problema de funcionamiento global del cerebro para poder comprender los procesos neurobiológicos que subyacen a las funciones mentales, y especialmente, a la consciencia. La actividad cerebral está basada en el intercambio de información entre neuronas a través de contactos llamados sinapsis. Las neuronas forman redes de conexión entre ellas (circuitos), que están dedicados a procesar una parcela específica de información (visual, auditiva, motora…). Los circuitos establecen redes entre ellos, combinando diferentes modalidades de información para generar lo que conocemos como actividad mental. El estudio de las conexiones entre regiones corticales, que se ha llamado conectoma, está siendo abordado mediante técnicas de neuroimagen como la resonancia magnética nuclear, que aportan datos sobre la densidad de conexiones del cerebro. La capacidad del cerebro de crear nuevas conexiones en función de la experiencia (plasticidad cerebral), sugiere que el conectoma es una estructura dinámica en constante interacción con estímulos externos e internos. La pregunta sobre si el conocimiento del conectoma de un individuo nos per mitiría predecir su conducta parece que todavía no tiene respuesta clara, porque no conocemos los parámetros físicos que ligan la complejidad de las conexiones del cerebro con la aparición de las funciones mentales y de la consciencia. Por el momento, parece que la compleja e impredecible conducta no es el simple resultado de procesos lineales de interacción neuronal. La incertidumbre prima al determinismo, lo que abre la puerta a la posibilidad de un mecanismo cuántico para explicar la consciencia.

Abstract Modern neuroscience addresses the problem of the global functioning of the brain in order to understand the neurobiological processes that underlie mental functions, and especially, consciousness. Brain activity is based on the exchange of infor mation between neurons through contacts or synapses. Neurons form networks of connection between them (circuits), which are dedicated to processing a specific type of information (visual, auditory, motor…). The circuits establish networks among themselves, combining different modalities of information to generate what we know as mental activity. The study of connections between cortical regions, which has been called connectome, is being approached through neuroimaging techniques such as nuclear magnetic resonance that provide data on the density of connections in the brain. The brain's ability to create new connections based on experience (brain plasticity) suggests that the connectome is a dynamic structure in constant interaction with external and internal stimuli. The question about whether knowledge of an individual's connectome would allow us to predict his or her behavior seems to have no clear answer yet, because we do not know the physical parameters that link the complexity of the brain's connections with the appearance of mental functions and consciousness. At the moment, it seems that the complex and unpredictable behavior is not the simple result of linear processes of neuronal interaction. Uncertainty prevails over determinism, which opens the door to the possibility of a quantum mechanism to explain consciousness.

RESUMO

Se estima que en 2019 murieron alrededor de 1,4 millones de personas infectadas por tuberculosis, gran parte de ellos en países en desarrollo. Si la tuberculosis se hubiera diagnosticado oportunamente se habría evitado la muerte de las personas infectadas. Uno de los métodos de detección de tuberculosis más relevante es el análisis de radiografías del tórax; sin embargo, contar con profesionales altamente capacitados para el diagnóstico de la tuberculosis en todos los centros de salud es imposible en los países emergentes, este es uno de los principales motivos de que este método no sea ampliamente usado. En las últimas décadas las redes neuronales han tenido un papel muy relevante en la solución de problemas de la sociedad y en especial en el sector salud. Se ha empleado tres algoritmos de aprendizaje profundo reconocidos en el desarrollo de visión computacional que son VGG19, MobileNet e InceptionV3, se ha logrado obtener resultados muy auspiciosos para la detección de la tuberculosis. Caso especial ha sido MobileNet que ha destacado entre las demás, dando resultados importantes en las diferentes métricas de evaluación empleadas. Además, MobileNet cuenta con una arquitectura menos compleja y los pesos obtenidos después del entrenamiento son muy menores en comparación de los otros dos algoritmos. Se concluye que MobileNet es el algoritmo de Deep Learning más eficiente a comparación de VGG19 e InceptionV3, cuenta con mejor precisión para la detección de la tuberculosis y; el costo computación y tiempo de procesamiento es significativamente menor.

It is estimated that around 1.4 million people infected with tuberculosis died in 2019, most of them in developing countries. If tuberculosis had been diagnosed in time, the death of infected people would have been prevented. One of the most relevant tuberculosis detection methods is the analysis of chest radiographs; However, having highly trained professionals for the diagnosis of tuberculosis in all health centers is impossible in emerging countries, this is one of the main reasons why this method is not widely used. In recent decades, neural networks have played a very relevant role in solving problems in society and especially in the health sector. Three recognized Deep Learning algorithms have been used in the development of computational vision that are VGG19, MobileNet and InceptionV3, it has been possible to obtain very auspicious results for the detection of tuberculosis. MobileNet has been a special case, which has stood out among the others, giving important results in the different evaluation metrics used. In addition, MobileNet has a less complex architecture and the weights obtained after training are very less compared to the other two algorithms. It is concluded that MobileNet is the most efficient Deep Learning algorithm compared to VGG19 and InceptionV3, it has better precision for the detection of tuberculosis and the computational cost and processing time is significantly lower.

Estima-se que cerca de 1,4 milhão de pessoas infectadas com tuberculose morreram em 2019, a maioria delas em países em desenvolvimento. Se a tuberculose tivesse sido diagnosticada a tempo, a morte de pessoas infectadas teria sido evitada. Um dos métodos de detecção de tuberculose mais relevantes é a análise de radiografias de tórax; No entanto, ter profissionais altamente capacitados para o diagnóstico da tuberculose em todos os centros de saúde é impossível nos países emergentes, esse é um dos principais motivos pelo qual esse método não é amplamente utilizado. Nas últimas décadas, as redes neurais têm desempenhado um papel muito relevante na resolução de problemas na sociedade e principalmente no setor da saúde. Três algoritmos de aprendizado profundo reconhecidos foram usados no desenvolvimento da visão computacional que são VGG19, MobileNet e InceptionV3, sendo possível obter resultados muito auspiciosos para a detecção da tuberculose. A MobileNet tem sido um caso especial, que tem se destacado entre os demais, apresentando resultados importantes nas diferentes métricas de avaliação utilizadas. Além disso, o MobileNet possui uma arquitetura menos complexa e os pesos obtidos após o treinamento são muito menores em comparação com os outros dois algoritmos. Conclui-se que o MobileNet é o algoritmo de aprendizado profundo mais eficiente em comparação ao VGG19 e ao InceptionV3, possui melhor precisão para detecção de tuberculose e; o custo de computação e o tempo de processamento são significativamente menores.

Assuntos

RESUMO

Este artículo tuvo como propósito caracterizar el texto libre disponible en una historia clínica electrónica de una institución orientada a la atención de pacientes en embarazo. La historia clínica electrónica, más que ser un repositorio de datos, se ha convertido en un sistema de soporte a la toma de decisiones clínicas. Sin embargo, debido al alto volumen de información y a que parte de la información clave de las historias clínicas electrónicas está en forma de texto libre, utilizar todo el potencial que ofrece la información de la historia clínica electrónica para mejorar la toma de decisiones clínicas requiere el apoyo de métodos de minería de texto y procesamiento de lenguaje natural. Particularmente, en el área de Ginecología y Obstetricia, la implementación de métodos del procesamiento de lenguaje natural podría ayudar a agilizar la identificación de factores asociados al riesgo materno. A pesar de esto, en la literatura no se registran trabajos que integren técnicas de procesamiento de lenguaje natural en las historias clínicas electrónicas asociadas al seguimiento materno en idioma español. En este trabajo se obtuvieron 659 789 tokens mediante los métodos de minería de texto, un diccionario con palabras únicas dado por 7 334 tokens y se estudiaron los n-grams más frecuentes. Se generó una caracterización con una arquitectura de red neuronal CBOW (continuos bag of words) para la incrustación de palabras. Utilizando algoritmos de clustering se obtuvo evidencia que indica que palabras cercanas en el espacio de incrustación de 300 dimensiones pueden llegar a representar asociaciones referentes a tipos de pacientes, o agrupar palabras similares, incluyendo palabras escritas con errores ortográficos. El corpus generado y los resultados encontrados sientan las bases para trabajos futuros en la detección de entidades (síntomas, signos, diagnósticos, tratamientos), la corrección de errores ortográficos y las relaciones semánticas entre palabras para generar resúmenes de historias clínicas o asistir el seguimiento de las maternas mediante la revisión automatizada de la historia clínica electrónica(AU)

The purpose of this article was to characterize the free text available in an electronic health record of an institution, directed at the care of patients in pregnancy. More than being a data repository, the electronic health record (HCE) has become a clinical decision support system (CDSS). However, due to the high volume of information, as some of the key information in EHR is in free text form, using the full potential that EHR information offers to improve clinical decision-making requires the support of methods of text mining and natural language processing (PLN). Particularly in the area of gynecology and obstetrics, the implementation of PLN methods could help speed up the identification of factors associated with maternal risk. Despite this, in the literature there are no papers that integrate PLN techniques in EHR associated with maternal follow-up in Spanish. Taking into account this knowledge gap, in this work a corpus was generated and characterized from the EHRs of a gynecology and obstetrics service characterized by treating high-risk maternal patients. PLN and text mining methods were implemented on the data, obtaining 659 789 tokens and a dictionary with unique words given by 7 334 tokens. The characterization of the data was developed from the identification of the most frequent words and n-grams and a vector representation of embedding words in a 300-dimensional space was performed using a CBOW (Continuous Bag of Words) neural network architecture. The embedding of words allowed to verify by means of Clustering algorithms, that the words associated to the same group can come to represent associations referring to types of patients, or group similar words, including words written with spelling errors. The corpus generated and the results found lay the foundations for future work in the detection of entities (symptoms, signs, diagnoses, treatments), correction of spelling errors and semantic relationships between words to generate summaries of medical records or assist the follow-up of mothers through the automated review of the electronic health record(AU)

Assuntos

RESUMO

RESUMEN La presencia del tizón tardío o gota en el cultivo de papa afecta directamente el crecimiento de la planta y el desarrollo del tubérculo, por ello, es importante la detección temprana de la enfermedad. Actualmente, la aplicación de redes neuronales convolucionales es una oportunidad orientada a la identificación de patrones en la agricultura de precisión, incluyendo el estudio del tizón tardío, en el cultivo de papa. Este estudio describe un modelo de aprendizaje profundo capaz de reconocer el tizón tardío en el cultivo de papa, por medio de la clasificación de imágenes de las hojas. Se utilizó, en la aplicación de este modelo, el conjunto de datos aumentado de PlantVillage, para entrenamiento. El modelo propuesto ha sido evaluado a partir de métricas de rendimiento, como precisión, sensibilidad, puntaje F1 y exactitud. Para verificar la efectividad del modelo en la identificación y la clasificación del tizón tardío y comparado en rendimiento con arquitecturas. como AlexNet, ZFNet, VGG16 y VGG19. Los resultados experimentales obtenidos con el conjunto de datos seleccionado mostraron que el modelo propuesto alcanza una exactitud del 90 % y un puntaje F1, del 91 %. Por lo anterior, se concluye que el modelo propuesto es una herramienta útil para los agricultores en la identificación del tizón tardío y escalable a plataformas móviles, por la cantidad de parámetros que lo comprenden.

ABSTRACT The presence of late blight in potato crops directly affects plant growth and tuber development; therefore, early detection of the disease is important. Currently, the application of convolutional neural networks is an opportunity oriented to the identification of patterns in precision agriculture, including the study of late blight in potato crops. This study describes a deep learning model capable of recognizing late blight in potato crops by means of leaf image classification. The PlantVillage augmented dataset was used in the application of this model for training. The proposed model has been evaluated from performance metrics such as precision, sensitivity, F1 score, and accuracy; to verify the effectiveness of the model in the identification and classification of late blight and compared in performance with architectures such as AlexNet, ZFNet, VGG16, and VGG19. The experimental results obtained with the selected data set showed that the proposed model achieves an accuracy of 90 % and an F1 score of 91 %. Therefore, it is concluded that the proposed model is a useful tool for farmers in the identification of late blight and scalable to mobile platforms due to the number of parameters that comprise it.

RESUMO

RESUMEN Introducción: En el contexto de la insuficiencia cardíaca (IC) existen scores de riesgo para evaluar la mortalidad por cualquier causa durante el primer año, con áreas bajo la curva ROC que oscilan entre 0,59 y 0,80. Objetivo: Desarrollar y validar un modelo basado en algoritmos de redes neuronales (RN) destinado a mejorar el rendimiento de los modelos tradicionales para predecir mortalidad a corto y mediano plazo de pacientes con IC aguda. Material y métodos: Se analizó una base de datos con 181 variables de 483 pacientes con IC aguda en un hospital de comunidad de la Ciudad de Buenos Aires (junio de 2005-junio de 2019). Se utilizaron 25 variables para calcular 5 modelos de riesgo validados para predecir la mortalidad a 30 días, 6 meses y un año: EFFECT, ADHERE, GWTG-HF, 3C-HF y ACUTE-HF. Resultados: La edad media fue 78 ± 11,1años, 58% eran varones, el 35% de las IC eran de etiología isquémico necrótica, y la fracción de eyección media fue 52% (35-60). En término de discriminación a 30 días, fueron mejores el score EFFECT (ROC: 0,68) y el 3C-HF (ROC: 0,67) que el ACUTE- HF (ROC: 0,54). A los 6 meses y al año, el score EFFECT (ROC: 0,69 y 0,69) superó al ADHERE (ROC: 0,53 y 0,56) (p=0,011 y p = 0,003, respectivamente), y los scores EFFECT GWRG-HF (ROC: 0,68 y 0,66) y 3C-HF (ROC: 0,67 y 0,67) superaron al score ACUTE-HF (ROC: 0,53 y 0,56). De los algoritmos de RN los mejores resultados se obtuvieron con un perceptrón multicapa (PMC) con dos capas ocultas. Se usó una RN de arquitectura de capas 24-9-7-2 con los siguientes resultados: ROC: 0,82, valor predictivo negativo (VPN) 93,2% y valor predictivo positivo (VPP) 66,7% para mortalidad a 30 días; ROC: 0,87, VPN: 89,1% y VPP: 78,6% para mortalidad a 6 meses; y ROC: 0,85, VPN: 85,6% y VPP: 78,9% para mortalidad al año. En términos de discriminación, los algoritmos de RN superaron a los scores tradicionales ( p <0,001). Los factores que obtuvieron ≥50% de importancia estandarizada para predecir la mortalidad a los 30 días fueron en orden descendente la creatinina sérica, la hemoglobina, la frecuencia respiratoria, la urea, el sodio, la edad y la presión arterial sistólica. Agregaron capacidad pronóstica la clase III-IV NYHA y la demencia para mortalidad a 6 meses, y la frecuencia cardíaca y la disfunción renal crónica para mortalidad al año. Conclusiones: Los modelos con algoritmos de RN fueron significativamente superiores a los scores de riesgo tradicionales en nuestros pacientes con IC. Estos hallazgos constituyen una hipótesis de trabajo a validar con una mayor muestra de casos y en forma multicéntrica.

ABSTRACT Background: Heart failure (HF) risk scores to assess all-cause mortality during the first year have areas under the ROC curve (AUC) ranging between 0.59 and 0.80 Objective: To develop and validate a neural network (NN) algorithm-based model to improve traditional scores' performance for predicting short- and mid-term mortality of patients with acute HF. Methods: A prospective clinical database was analyzed including 483 patients admitted with diagnosis of acute HF in a coronary care unit community hospital of Buenos Aires, between June 2005 and June 2019. Among 181 demographic, laboratory, treatment and follow-up variables, only 25 were selected to calculate five acute heart failure risk scores aimed to predict 30-day, 6-month and 1-year mortality: EFFECT, ADHERE, GWTG-HF, 3C-HF, and ACUTE-HF. Results: Mean age was 78 ± 11.1 years, 58% were men, 35% had ischemic necrotic HF and median left ventricular ejection fraction was 52% (35-60). At 30 days, the EFFECT score (AUC:0.68) and the 3C-HF score (AUC: 0.68) showed better performance than the ACUTE-HF score (AUC: 0.54). At 6-month and 1-year follow-up, the EFFECT score (ROC: 0.69 and 0.69) outperformed the ADHERE score (AUC: 0.53 and 0.56), and EFFECT (AUC: 0.69 and 0.69), GWRG-HF (AUC = 0.68 and 0.66), and 3C-HF (AUC:0.67 and 0.67) scores outperformed the ACUTE-HF score (AUC:0.53 and 0.56). The best results with NN algorithms were obtained with a two-hidden layer multilayer perceptron. A 24-9-7-2-layer architecture NN was used with the following results: AUC: 0.82, negative predictive value (NPV) 93.2% and positive predictive value (PPV) 66.7% for 30-day mortality; AUC: 0.87, NPV: 89.1% and PPV: 78,6% for 6-month mortality; and AUC: 0.85, NPV: 85.6% and PPV: 78.9% for 1-year mortality. In terms of discrimination, NN algorithms outperformed all the traditional scores (p <0.001). For this algorithm, the most influential factors in descending order that scored ≥50% normalized importance to predict 30-day mortality were serum creatinine, hemoglobin, respiratory rate, blood urea nitrogen, serum sodium, age and systolic blood pressure. Also, NYHA functional class III-IV and dementia added prognostic capacity to 6-month mortality, and heart rate and chronic kidney disease to 1-year mortality. Conclusions: The models with NN algorithms were significantly superior to traditional risk scores in our population of patients with HF. These findings constitute a working hypothesis to be validated with a larger and multicenter sample of cases.

RESUMO

ABSTRACT Athletes' psychological control ability directly affects competitions. Therefore, it is necessary to supervise the athletes' game psychology. Athletes' game state supervision model is constructed through the facial information extraction algorithm. The homography matrix and the calculation method are introduced. Then, two methods are introduced to solve the rotation matrix from the homography matrix. After the rotation matrix is solved, the method of obtaining the facial rotation angle from the rotation matrix is introduced. The two methods are compared in the simulation data, and the advantages and disadvantages of each algorithm are analyzed to determine the method used in this paper. The experimental results show that the model prediction accuracy reaches 70%, which can effectively supervise the psychological state of athletes. This research study is of great significance to improve the performance of athletes in competitions and improve the application of back propagation (BP) neural network algorithm.

RESUMO A capacidade de controle psicológico de atletas afeta diretamente as competições. Portanto, é muito necessário supervisionar a psicologia de jogo desses indivíduos. O modelo de supervisão do estado de jogo dos atletas é construído através do algoritmo de extração de informações faciais. A matriz de homografia e o método de cálculo são introduzido. Em seguida, são introduzidos dois métodos para resolver a matriz de rotação a partir da matriz de homografia. Após a resolução da matriz de rotação, introduz-se o método de obtenção do ângulo de rotação facial a partir dessa matriz. Os dois métodos são comparados nos dados da simulação, e as vantagens e desvantagens de cada algoritmo são analisadas para determinar o método utilizado neste estudo. Os resultados experimentais mostram que a precisão da previsão do modelo atinge 70%, sendo possível efetivamente supervisionar o estado psicológico dos atletas. O presente estudo é de grande importância para melhorar o desempenho dos atletas em competições e melhorar a aplicação do algoritmo de rede neural backpropagation (BP).

RESUMEN La capacidad de control psicológico de atletas afecta directamente las competencias. Por lo tanto, es muy necesario supervisar la psicología de juego de esos individuos. El modelo de supervisión del estado de juego de los atletas es construido por medio del algoritmo de extracción de informaciones faciales. La matriz de homografía y el método de cálculo son introducidos. Enseguida, son introducidos dos métodos para resolver la matriz de rotación a partir de la matriz de homografía. Después de la resolución de la matriz de rotación, se introduce el método de obtención del ángulo de rotación facial a partir de esa matriz. Los dos métodos son comparados en los datos de la simulación, y las ventajas y desventajas de cada algoritmo son analizadas para determinar el método utilizado en este estudio. Los resultados experimentales muestran que la precisión de la previsión del modelo alcanza 70%, siendo posible efectivamente supervisar el estado psicológico de los atletas. El presente estudio es de gran importancia para mejorar el desempeño de los atletas en competencias y mejorar la aplicación del algoritmo de red neuronal backpropagation (BP).

Assuntos