Clasificación de Imágenes de Neumonía a causa de Covid-19 utilizando Transfer-Learning basado en Redes Convolucionales / Classification of Images of Pneumonia Due to Covid-19 Using TransferLearning, Based on Convolutional Networks

La Inteligencia Artificial ha ayudado a lidiar diferentes problemas relacionados con los datos masivos y a su vez con su tratamiento, diagnóstico y detección de enfermedades como la que actualmente nos preocupa, la Covid-19. El objetivo de esta investigación ha sido analizar y desarrollar la clasificación de imágenes de neumonía a causa de covid-19 para un diagnostico efectivo y óptimo. Se ha usado Transfer-Learning aplicando ResNet, DenseNet, Poling y Dense layer para la elaboración de los modelos de red propios Covid-UPeU y Covid-UPeU-TL, utilizando las plataformas Kaggle y Google colab, donde se realizaron 4 experimentos. El resultado con una mejor clasificación de imágenes se obtuvo en el experimento 4 prueba N°2 con el modelo Covid-UPeU-TL donde Acc.Train: 0.9664 y Acc.Test: 0.9851. Los modelos implementados han sido desarrollados con el propósito de tener una visión holística de los factores para la optimización en la clasificación de imágenes de neumonía a causa de COVID-19(AU)

Artificial Intelligence has helped to deal with different problems related to massive data in turn to the treatment, diagnosis and detection of diseases such as the one that currently has us in concern, Covid-19. The objective of this research has been to analyze and develop the classification of images of pneumonia due to covid-19 for an effective and optimal diagnosis. Transfer-Learning has been used applying ResNet, DenseNet, Poling and Dense layer for the elaboration of the own network models Covid-Upeu and Covid-UpeU-TL, using Kaggle and Google colab platforms, where 4 experiments have been carried out. The result with a better classification of images was obtained in experiment 4 test N ° 2 with the Covid-UPeU-TL model where Acc.Train: 0.9664 and Acc.Test: 0.9851. The implemented models have been developed with the purpose of having a holistic view of the factors for optimization in the classification of COVID-19 images(AU)

Prevalencia de Helicobacter pylori en pacientes atendidos en el Hospital San Juan de Dios, San José, Costa Rica / Prevalence and ultrastructure of Helicobacter pylori in patients attended at the hospital San Juan de Dios, San José, Costa Rica

Introducción. La prevalencia de Helicobacter pylori en población de países en desarrollo se describe como superior a la de países industrializados, por lo que es importante documentar estos datos en diferentes áreas geográficas.Material y Métodos. Se estudió su prevalencia en 236 pacientes costarricenses, de cada uno se tomó un mínimo de dos biopsias de antro, una para cultivo, frotis de aposición y una prueba de ureasa rápida; la otra para estudio histológico.Resultados. La bacteria se aisló de 121 pacientes; además se identificaron 15 más como positivos por tinción y la prueba de ureasa. El 54 por ciento presentaron algún grado de gastritis y el 81 por ciento úlceras pépticas. Discusión. La prevalencia de Helicobacter pylori en la población analizada fue del 54 por ciento lo que resulta relativamente bajo para población de un país en desarrollo. En tanto, la distribución etaria de la infección muestra un perfil típico de infección temprana en la vida con cronicidad, dado que su prevalencia aumenta con la edad.

Evaluación de una prueba de ureasa rápida para la detección de Helicobacter pylori / Evaluation of a fast urease test for the detection of Helicobacter pylori

La mucosa gástrica coloniza el Helicobacter pylori siendo la adaptación al medio relacionada con su alta actividad de la ureasa. Este enzima hidroliza la urea gástrica neutralizando el medio ácido que rodea la bacteria. Sobre la base de esta reacción se desarrollaron numerosos test diagnósticos usando una solución de urea (habitualmente 6 por ciento) con un indicador de pH (Rojo Fenol 0.05 por ciento), pero el contenido de color es tan leve que a veces no se detecta. Por esta razón, se propone una modificación usando una mezcla de indicadores de pH (Rojo Fenol 0.05 por ciento y 0.002 de azul de Bromotimol) que induce un control de calor del verde suave al púrpura fuerte. También se usa solamente azul de bromotimol. El uso de este indicador muestra los valores más altos de sensibilidad y especificidad (69 y 56 por ciento respectivamente). La mezcla de ambos 58.8 y 66.6 por ciento y el azul de bromotimol 46 y 71 por ciento. La eficacia usando Rojo Fenol o la mezcla con bromotimol es de 64.2 y 62.2 por ciento respectivamente; sin embargo, la mezcla de estos indicadores induce un cambio de calor más facilmente detectable.