Volatile metabolites produced by different flor yeast strains during wine biological ageing.

Sherry white wine called Fino is produced by dynamic biological ageing under the action of flor yeasts using traditional practices aimed at ensuring uniform quality and characteristics over time. These kinds of yeasts provide typical sensory properties to Fino wines. Although there are studies of the volatile composition of these wines submitted to biological ageing in wood barrels, there is a lack of knowledge on the particular volatile profile produced by different flor yeast strains from Sherry zone wineries. For this reason, the aim of this study was to analyse the volatile profiles produced by 15 pure culture flor velum yeasts, with the goal of observing their suitability for obtaining high quality Fino sherry wines. Volatile composition was determined by dual sequential stir bar sorptive extraction, followed by GC-MS analysis. All yeast strains studied produced the increase of most acetals, highlighting acetaldehyde diethylacetal which was the compound that most increased. Among terpenes, nerolidol and farnesol underwent remarkable increases. However, results showed that in a month of biological ageing, significant differences were observed among the volatile metabolites produced by flor yeast strains studied. Only some of them stood out for their high production of volatile compounds characteristic of Sherry Fino wines, which are good candidates for producing starter cultures.

Respuesta inmediata ante grandes emergencias: modelo matemático basado en redes neuronales y árboles de decisión / Rapid response to large-scale emergencies: a neural network model and a decision-tree algorithm

Objetivo: En la gestión de recursos ante incidentes con múltiples víctimas (IMV), el factor incertidumbre en un entorno de caos inicial se convierte en el peor enemigo del decisor. El objetivo fue diseñar un modelo matemático predictivo en este entorno de decisiones para mejorar la fase inicial de la gestión de recursos ante una gran emergencia. Método: Se partió de una base de datos de incidentes reales con múltiples víctimas en Castilla-La Mancha en los últimos cinco años, sobre la que se trabajó con 10 variables categorizadas en función de su peso en la gravedad de la emergencia. Se diseñó una red neuronal, que aprende sobre los casos reales, y por otro lado se generó un árbol de decisión con el fin de buscar la mejor respuesta entre ambos modelos. Se ha encontrado una importante limitación metodológica, ya que prácticamente todos los IMV analizados son accidentes de tráfico. Resultados: El modelo basado en árboles de decisión da más información y mayor variabilidad que la red neuronal e identifica 6 grupos homogéneos en función del "número de afectados iniciales", "tipología del incidente" y "entorno" (p < 0,05).Conclusiones: Es posible crear un modelo matemático predictivo con las variables consideradas que permite una mejor gestión de recursos ante un IMV, pero se necesita un mayor número de casos reales pasados y con tipología más diversa, para ser aplicadas a casos reales futuros con la metodología propuesta (AU)

Objective: The greatest challenge to decision-making during the management of emergencies with multiple victims is uncertainty in an initially chaotic environment. Our objective was to develop a predictive model to improve response and early resource management in the early-phase environment of chaotic uncertainty during large-scale emergencies. Methods: A database of information on real incidents with multiple victims in Castile-La Mancha, Spain, in the last 5 years was used to study the weight of 10 categorical variables and their effect on the seriousness of the emergencies. A neural network was designed to learn about these real cases, and a decision tree was generated, to study which of the 2 approaches gave the best results. An important design limitation was that nearly all the incidents analyzed involved traffic accidents. Results: The model based on decision-tree analysis gave more information and greater variability. It proved superior to the neural network, identifying 6 homogeneous groups according to the following factors: number of initial victims, type of incident, and environment (P<.05).Conclusions: A predictive model can be based on the considered variables in the interest of improving resource management during a large-scale emergency. However, development based on a larger number of real incidents of different types would be needed before such a model could be applied during real future incidents (AU)

Modelo de respuesta inmediata ante grandes emergencias para la atención sanitaria en entornos de dispersión geográfica / No disponible

Las situaciones de accidentes con múltiples víctimas, grandes emergencias y catástrofes suponen un reto para los servicios de emergencia de cualquier comunidad. Los entornos de gran extensión geográfica y dispersión de población suponen un desafío añadido a la gestión eficiente de los recursos. Con el fin de dar solución a estas situaciones se plantea un sistema de respuesta sanitario que se basa fundamentalmente en tres puntos: -Distribución estratégica de recursos, añadidos a los habituales. -Determinación de responsables y asignación de funciones en una respuesta escalonada. -Formación inicial y continuada de los profesionales. Todo ello adaptado al Plan Territorial de Emergencias correspondiente. Se trata de evitar que estas situaciones, por inesperadas, sean imprevistas.(AU)

Accidents with multiple victims, great emergencies and catastrophes suppose a challenge for the emergency services of any community. In the great geographic extension communities, it supposes an added challenge. With the purpose of giving solution to these situations, a sanitary system of answer has been developed that is based fundamentally on three points: -Strategic distribution of special resources, -Determination of people in responsibility level and allocation of functions in a staggered answer -Initial formation and continued of the professionals. Everything is adapted to the Territorial Plan of Emergencies. It’s necessary to prevent unexpected situations(AU)

El centro coordinador y los hospitales en el proceso de atención urgente / No disponible

El Centro Coordinador de Urgencias (CCU) es un dispositivo clave en la organización moderna de la atención del proceso urgente. No obstante es aún poco conocido en profundidad entre los propios profesionales de atención a urgencias, emergencias y catástrofes, sobre todo en el ámbito hospitalario. A pesar de ello las relaciones entre el CCU y el Hospital son tan imprescindibles como susceptibles de mejora, y suponen la garantía real de la continuidad de cuidados del paciente urgente entre los diferentes niveles de atención. Se hace necesario elaborar y poner en marcha un plan estratégico de comunicación rápida entre los sistemas de emergencias y los hospitales. Y es deseable también que las vías clínicas de atención al paciente, se inicien con el interrogatorio telefónico desde los centros de coordinación (AU)

The Emergency Coordination Center is a key device in the modern organization of the urgent medical attention. The Emergency Coordination Center is an unknown for many professionals in attention to medical urgencies, emergencies and catastrophes, mainly in the hospitable scope. Relations between the Emergency Coordination Center and the Hospital are as essential as susceptible of improvement, and suppose the real guarantee of continuity of cares in the attendance to the urgent patient in the different levels from attention. It is necessary to work in a strategic plan of fast communication between the systems of emergencies and the hospitals. It is also necessary that clinical pathways begin with the questions by telephone in the emergency coordination (AU)