Design and validation of an artificial intelligence system to detect the quality of colon cleansing before colonoscopy / Diseño y validación de un sistema de inteligencia artificial para detectar la calidad de la limpieza del colon previa a la realización de la colonoscopia

Background and aims Patients’ perception of their bowel cleansing quality may guide rescue cleansing strategies before colonoscopy. The main aim of this study was to train and validate a convolutional neural network (CNN) for classifying rectal effluent during bowel preparation intake as “adequate” or “inadequate” cleansing before colonoscopy.Patients and methodsPatients referred for outpatient colonoscopy were asked to provide images of their rectal effluent during the bowel preparation process. The images were categorized as adequate or inadequate cleansing based on a predefined 4-picture quality scale. A total of 1203 images were collected from 660 patients. The initial dataset (799 images), was split into a training set (80%) and a validation set (20%). The second dataset (404 images) was used to develop a second test of the CNN accuracy. Afterward, CNN prediction was prospectively compared with the Boston Bowel Preparation Scale (BBPS) in 200 additional patients who provided a picture of their last rectal effluent.ResultsOn the initial dataset, a global accuracy of 97.49%, a sensitivity of 98.17% and a specificity of 96.66% were obtained using the CNN model. On the second dataset, an accuracy of 95%, a sensitivity of 99.60% and a specificity of 87.41% were obtained. The results from the CNN model were significantly associated with those from the BBPS (P<0.001), and 77.78% of the patients with poor bowel preparation were correctly classified.ConclusionThe designed CNN is capable of classifying “adequate cleansing” and “inadequate cleansing” images with high accuracy. (AU)

Antecedentes y objetivos La percepción de los pacientes sobre la calidad de su limpieza intestinal puede guiar las estrategias de limpieza de rescate antes de una colonoscopia. El objetivo principal de este estudio fue entrenar y validar una red neuronal convolucional (CNN) para clasificar el efluente rectal durante la preparación intestinal como «adecuado» o «inadecuado».Pacientes y métodosPacientes no seleccionados proporcionaron imágenes del efluente rectal durante el proceso de preparación intestinal. Las imágenes fueron categorizadas como una limpieza adecuada o inadecuada según una escala de calidad de 4 imágenes predefinida. Se recopilaron un total de 1.203 imágenes de 660 pacientes. El conjunto de datos inicial (799 imágenes) se dividió en un conjunto de entrenamiento (80%) y un conjunto de validación (20%). Un segundo conjunto de datos (404 imágenes) se utilizó para evaluar la precisión de la CNN. Posteriormente, la predicción de la CNN se comparó prospectivamente con la escala de preparación colónica de Boston (BBPS) en 200 pacientes que proporcionaron una imagen de su último efluente rectal.ResultadosEn el conjunto de datos inicial, la precisión global fue del 97,49%, la sensibilidad del 98,17% y la especificidad del 96,66%. En el segundo conjunto de datos, se obtuvo una precisión del 95%, una sensibilidad del 99,60% y una especificidad del 87,41%. Los resultados del modelo de CNN se asociaron significativamente con la escala de preparación colónica de Boston (p<0,001), y el 77,78% de los pacientes con una preparación intestinal deficiente fueron clasificados correctamente.ConclusiónLa CNN diseñada es capaz de clasificar imágenes de «limpieza adecuada» y «limpieza inadecuada» con alta precisión. (AU)

Automatic detection and classification of disease in citrus fruit and leaves using a customized CNN based model / Detección y clasificación automática de enfermedades en frutas y hojas de cítricos utilizando un modelo basado en CNN personalizado

India's commercial advancement and development depend heavily on agriculture. A common fruit grown in tropical settings is citrus. A professional judgment is required while analyzing an illness because different diseases have slight variati ons in their symptoms. In order to recognize and classify diseases in citrus fruits and leaves, a customized CNN - based approach that links CNN with LSTM was developed in this research. By using a CNN - based method, it is possible to automatically differenti ate from healthier fruits and leaves and those that have diseases such fruit blight, fruit greening, fruit scab, and melanoses. In terms of performance, the proposed approach achieves 96% accuracy, 98% sensitivity, 96% Recall, and an F1 - score of 92% for ci trus fruit and leave identification and classification and the proposed method was compared with KNN, SVM, and CNN and concluded that the proposed CNN - based model is more accurate and effective at identifying illnesses in citrus fruits and leaves.

El avance y desarrollo comercial de India dependen en gran medida de la agricultura. Un tipo de fruta comunmente cultivada en en tornos tropicales es el cítrico. Se requiere un juicio profesional al analizar una enfermedad porque diferentes enfermedades tienen ligeras variaciones en sus síntomas. Para reconocer y clasificar enfermedades en frutas y hojas de cítricos, se desarrolló e n esta investigación un enfoque personalizado basado en CNN que vincula CNN con LSTM. Al utilizar un método basado en CNN, es posible diferenciar automáticamente entre frutas y hojas más saludables y aquellas que tienen enfermedades como la plaga de frutas , el verdor de frutas, la sarna de frutas y las melanosis. En términos de desempeño, el enfoque propuesto alcanza una precisión del 96%, una sensibilidad del 98%, una recuperación del 96% y una puntuación F1 del 92% para la identificación y clasificación d e frutas y hojas de cítricos, y el método propuesto se comparó con KNN, SVM y CNN y se concluyó que el modelo basado en CNN propuesto es más preciso y efectivo para identificar enfermedades en frutas y hojas de cítricos.

Design and validation of an artificial intelligence system to detect the quality of colon cleansing before colonoscopy.

BACKGROUND AND AIMS: Patients' perception of their bowel cleansing quality may guide rescue cleansing strategies before colonoscopy. The main aim of this study was to train and validate a convolutional neural network (CNN) for classifying rectal effluent during bowel preparation intake as "adequate" or "inadequate" cleansing before colonoscopy. PATIENTS AND METHODS: Patients referred for outpatient colonoscopy were asked to provide images of their rectal effluent during the bowel preparation process. The images were categorized as adequate or inadequate cleansing based on a predefined 4-picture quality scale. A total of 1203 images were collected from 660 patients. The initial dataset (799 images), was split into a training set (80%) and a validation set (20%). The second dataset (404 images) was used to develop a second test of the CNN accuracy. Afterward, CNN prediction was prospectively compared with the Boston Bowel Preparation Scale (BBPS) in 200 additional patients who provided a picture of their last rectal effluent. RESULTS: On the initial dataset, a global accuracy of 97.49%, a sensitivity of 98.17% and a specificity of 96.66% were obtained using the CNN model. On the second dataset, an accuracy of 95%, a sensitivity of 99.60% and a specificity of 87.41% were obtained. The results from the CNN model were significantly associated with those from the BBPS (P<0.001), and 77.78% of the patients with poor bowel preparation were correctly classified. CONCLUSION: The designed CNN is capable of classifying "adequate cleansing" and "inadequate cleansing" images with high accuracy.

Applying machine learning methods to predict the hospital re-admission within 30 days of total hip arthroplasty and hemiarthroplasty.

BACKGROUND: Total hip arthroplasty (THA) and hemiarthroplasty are common treatments for severe hip joint disease. To predict the probability of re-admission after discharge when patients are hospitalized will support providing appropriate health education and guidance. METHODS: The research aims to use logistic regression (LR), decision trees (DT), random forests (RF), and artificial neural networks (ANN) to establish predictive models and compare their performances on re-admissions within 30 days after THA or hemiarthroplasty. The data of this study includes patient demographics, physiological measurements, disease history, and clinical laboratory test results. RESULTS: There were 508 and 309 patients in the THA and hemiarthroplasty studies respectively from September 2016 to December 2018. The accuracies of the four models LR, DT, RF, and ANN in the THA experiment are 94.3%, 93.2%, 97.3%, and 93.9%, respectively. In the hemiarthroplasty experiment, the accuracies of the four models are 92.4%, 86.1%, 94.2%, and 94.8%, respectively. Among these, we found that the RF model has the best sensitivity and ANN model has the best area under the receiver operating characteristic (AUROC) score in both experiments. CONCLUSIONS: The THA experiment confirmed that the performance of the RF model is better than the other models. The key factors affecting the prognosis after THA surgery are creatinine, sodium, anesthesia duration, and dialysis. In the hemiarthroplasty experiment, the ANN model showed more accurate results. Poor kidney function increases the risk of hospital re-admission. This research highlights that RF and ANN model perform well on the hip replacement surgery outcome prediction.

Segmentation of OCT and OCT-A Images using Convolutional Neural Networks / Segmentación de imágenes de OCT y OCT-A por medio de Redes Neuronales Convolucionales

ABSTRACT Segmentation is vital in Optical Coherence Tomography Angiography (OCT-A) images. The separation and distinction of the different parts that build the macula simplify the subsequent detection of observable patterns/illnesses in the retina. In this work, we carried out multi-class image segmentation where the best characteristics are highlighted in the appropriate plexuses by comparing different neural network architectures, including U-Net, ResU-Net, and FCN. We focus on two critical zones: retinal vasculature (RV) and foveal avascular zone (FAZ). The precision obtained from the RV and FAZ segmentation over 316 OCT-A images from the OCT-A 500 database at 93.21% and 92.59%, where the FAZ was segmented with an accuracy of 99.83% for binary classification.

RESUMEN La segmentación juega un papel vital en las imágenes de angiografía por tomografía de coherencia óptica (OCT-A), ya que la separación y distinción de las diferentes partes que forman la mácula simplifican la detección posterior de patrones/enfermedades observables en la retina. En este trabajo, llevamos a cabo una segmentación de imágenes multiclase donde se destacan las mejores características en los plexos apropiados al comparar diferentes arquitecturas de redes neuronales, incluidas U-Net, ResU-Net y FCN. Nos centramos en dos zonas críticas: la segmentación de la vasculatura retiniana (RV) y la zona avascular foveal (FAZ). La precisión para RV y FAZ en 316 imágenes OCT-A de la base de datos OCT-A 500 se obtuvo en 93.21 % y 92.59 %. Cuando se segmentó la FAZ en una clasificación binaria, con un 99.83% de precisión.

Evolución longitudinal y cambios de función cerebral entre fases del trastorno bipolar / Longitudinal evolution and changes in brain function between phases of bipolar disorder

Mediante resonancia magnética funcional (fMRI) se han señalado alteraciones en el sistema límbico y en el lóbulo prefrontal del cerebro de los pacientes bipolares sobre todo durante episodios de manía y depresivos, aunque también en la eutimia. La relación entre cambios funcionales cerebrales y las distintas fases del trastorno bipolar (TB) es menos clara y la manera ideal de investigarlos es examinar a los mismos pacientes en fases distintas de la enfermedad. Se presentan los resultados de dos estudios longitudinales que examinaron mediante fMRI las activaciones y desactivaciones cerebrales durante una tarea de memoria de trabajo (n-back) en pacientes durante un episodio afectivo agudo que luego alcanzaron la eutimia. Entre otros hallazgos, la corteza dorsal prefrontal (dlPFC) se mostró hipoactivada durante el episodio de manía y se normalizaba durante la eutimia, mientras que el área ventromedial de la corteza prefrontal (vmPFC) mostró un fracaso en la desactivación durante la tarea n-back, tanto durante la manía y la depresión, como en la eutimia. Teniendo en cuenta que el área vmPFC es uno de los nodos principales de la red neuronal por defecto, los resultados sugieren una disfunción de esta red neuronal más como rasgo que como marcador de estado en el TB (AU)

Functional magnetic resonance imaging (fMRI) has revealed alterations in the limbic system and the prefrontal lobe of the brain in bipolar patients, especially during episodes of mania and depression, but also in euthymia. The relationship between functional brain changes and the different phases of bipolar disorder (BD) is less clear and the ideal way to investigate them is to examine the same patients in different phases of the illness. We present the results of two longitudinal studies that examined by fMRI the brain activations and deactivations during a working memory task (n-back) in patients during an affective acute episode who later reached euthymia. Among other findings, during the manic episode the dorsal prefrontal cortex (dlPFC) showed hypoactivation during the task, but it normalised during the euthymia, while the ventromedial prefrontal cortex (vmPFC) showed a failure to deactivate both during mania and depression, as well as in euthymia. Considering that the vmPFC area is one of the main nodes of the default neural network (DMN), the results suggest dysfunction of this neural network more as a trait than as a state marker in TB (AU)

Evolución de primeros episodios psicóticos: relación entre neuroimagen funcional, clínica y neuropsicología / Evolution of first psychotic episodes: relationship between functional, clinical neuroimaging and neuropsychology

Una de las principales líneas de investigación en desarrollo sobre los primeros episodios psicóticos se centra en el estudio de biomarcadores con el objetivo de dar respuesta a cuestiones como la gran heterogeneidad clínica o el riesgo de recaídas. Sin embargo, los estudios de neuroimagen muestran resultados contradictorios y los estudios longitudinales son escasos. Por ello se ha realizado un seguimiento de entre 8 y 10 años a una cohorte de 30 pacientes con un primer episodio psicótico y un grupo equivalente de controles sanos, tanto a nivel de neuroimagen estructural como funcional durante la realización de una tarea de memoria de trabajo, la N-Back. En la evaluación inicial los PEP mostraron una reducción del volumen global y un fallo en desactivación en zonas frontales durante la realización de la N-Back, que fue más significativo en pacientes con un posterior diagnóstico de esquizofrenia. En la evaluación de seguimiento los resultados muestran un fallo en desactivación en el grupo de pacientes que se extiende a regiones parietales posteriores. Estas regiones forman la llamada red neuronal por defecto, una serie de regiones que se activan en reposo, pero que se desactivan durante la realización de tareas con una alta demanda cognitiva. Estos resultados apuntan a una disfunción progresiva de la red neural por defecto en primeros episodios, subyacentes a la progresión del trastorno, y proporcionan una mejor comprensión de la evolución de los factores fisiopatológicos que afectan a los PEP (AU)

A major developing area on first psychotic episodes (FEP) research focuses on the study of biomarkers with the aim of answering questions such as the great clinical heterogeneity or the risk of relapse. However, neuroimaging studies show contradictory results and longitudinal studies are scarce. Therefore, a cohort of 30 patients with a first psychotic episode and an equivalent group of healthy controls were followed up for 8 to 10 years, both at the structural and functional neuroimaging level during the performance of a working memory task, the N-Back. At baseline, the FEP group showed a reduced global volume and a failure to deactivate frontal areas during the N-Back task. This failure was more pronounced in patients with a later diagnosis of schizophrenia. At the follow-up assessment the results show a failure of deactivation in the patient group that extends to posterior parietal regions. These regions form the so-called default mode network, a series of regions that are activated at rest, but deactivated during the performance of cognitively demanding tasks. These results point to a progressive dysfunction of the default mode network in first episodes psychosis underlying the progression of the disorder and provide a better understanding of the evolution of pathophysiological factors affecting FEP (AU)

Cómo clasificar llanto del recién nacido mediante una red neuronal supervisada / How to classify newborn cry through a supervised neural network

El llanto es una vía de comunicación del recién nacido con el medio circundante. Investigaciones acerca del llanto infantil han correlacionado características acústicas de éste con patologías, demostrándose que el llanto puede reflejar la integridad neurofisiológica del niño y dar una medida de su interacción con el ambiente y su desarrollo cognitivo y social. Esta contribución muestra cómo clasificar el llanto de neonatos con hipoxia y de un grupo de control, en normal o patológico, a través de una red neuronal artificial supervisada. Para implementar la red neuronal se aprovechan las posibilidades de la plataforma MATLAB®. El diseño y estructuración de la red considera algoritmo de aprendizaje o entrenamiento, iteraciones, pruebas e intervalos de clasificación, obteniéndose arquitectura y topología, y funcionalidades de la red neuronal que en la generalización proporciona la mejor clasificación. En el trabajo se aplica el método de selección de casos, el método acústico para extraer parámetros cuantitativos de la señal de llanto en tiempo, intensidad y frecuencia, así como métodos vinculados con el diseño, implementación y validación, con pruebas diagnósticas, de la red neuronal artificial obtenida para cumplir el objetivo del trabajo que es la generación de clases (clasificación del llanto). Con precisión del resultado de clasificación del 90 por ciento se está en condición de concebir una solución informática (agregando interfaz para interactuar con base de datos) para ayudar complementariamente al diagnóstico médico no invasivo usando el llanto del neonato provocado ante dolor(AU)

Cry from newborn (0-28 days) is a way of communication for the interaction with surrounding world. Infant cry researches provide information that correlate among cries acoustic features with pathologies. It has been demonstrated that the infant cry is able to reflect child neurophysiology integrity and give meaning from newborn interaction with environment, also cognitive and social development from child. This contribution shows how to classify the cry of neonates with hypoxia and of a control group, into normal or pathological, through a supervised artificial neural network. Network implementation makes use of MATLAB® platform possibilities. Design and structuring of network take into consideration aspects as training algorithm, iterations, tests and classification intervals. All these referred aspects give as result an architectural, topology and functionalities from neural network able to classify cry in generalization stage offering good outcome. Different methods are applied in this paper as selection of cases, acoustic methods in order to obtain quantitative parameters from cry signals (in time, intensity and frequency domain). Methods related with design, implementation and validation (diagnostic test) of an artificial neural network able to carry out the goal of this paper (classification of cry) are used. With accuracy results in cry classification about 90 percent, authors get ready conditions for an informatic solution (with addition of interface for data base interaction) for help as a non-invasive complement to medical diagnosis using cry from neonate induced by pain(AU)

Tooth and pulp chamber automatic segmentation with artificial intelligence network and morphometry method in cone-beam CT / Segmentación automática de cámaras dentales y pulpares con red de inteligencia artificial y método de morfometría en TC de haz cónico

SUMMARY: This study aims to extract teeth and alveolar bone structures in CBCT images automatically, which is a key step in CBCT image analysis in the field of stomatology. In this study, semantic segmentation was used for automatic segmentation. Five marked classes of CBCT images were input for U-net neural network training. Tooth hard tissue (including enamel, dentin, and cementum), dental pulp cavity, cortical bone, cancellous bone, and other tissues were marked manually in each class. The output data were from different regions of interest. The network configuration and training parameters were optimized and adjusted according to the prediction effect. This method can be used to segment teeth and peripheral bone structures using CBCT. The time of the automatic segmentation process for each CBCT was less than 13 min. The Dice of the evaluation reference image was 98 %. The U-net model combined with the watershed method can effectively segment the teeth, pulp cavity, and cortical bone in CBCT images. It can provide morphological information for clinical treatment.

RESUMEN: El objetivo del presente estudio fue extraer estructuras dentarias y óseas alveolares desde imágenes CBCT automáticamente, lo cual es un paso clave en el análisis de imágenes CBCT en el campo de la estomatología. En este estudio, se utilizó la segmentación de tipo emántica para la segmentación automática. Se ingresaron cinco clases de imágenes CBCT marcadas, para el entrenamiento de la red neuronal U-net. El tejido duro del diente (incluidos esmalte, dentina y cemento), la cavidad de la pulpa dentaria, hueso cortical, hueso esponjoso y otros tejidos se marcaron manualmente en cada clase. Los datos se obtuvieron de diferentes regiones de interés. La configuración de la red y los parámetros de entrenamiento se optimizaron y ajustaron de acuerdo con un análisis predictivo. Este método se puede utilizar para segmentar dientes y estructuras óseas periféricas mediante CBCT. El tiempo del proceso de segmentación automática para cada CBCT fue menor a 13 min. El "Dice" de evaluación de la imagen de referencia fue de 98 %. El modelo U-net combinado con el método "watershed"puede segmentar eficazmente los dientes, la cavidad pulpar y el hueso cortical en imágenes CBCT. Puede proporcionar información morfológica para el tratamiento clínico.

Wavelet packet transform and multilayer perceptron to identify voices with a mild degree of vocal deviation / Transformada Wavelet packet y Perceptrón Multicapa para identificación de voces con grado leve de desvío vocal

Introduction. Laryngeal disorders are characterized by a change in the vibratory pattern of the vocal folds. This disorder may have an organic origin described by anatomical fold modification, or a functional origin caused by vocal abuse or misuse. The most common diagnostic methods are performed by invasive imaging features that cause patient discomfort. In addition, mild voice deviations do not stop the in-dividual from using their voices, which makes it difficult to identify the problem and increases the possibility of complications. Aim. For those reasons, the goal of the present paper was to develop a noninvasive alternative for the identification of voices with a mild degree of vocal deviation ap-plying the Wavelet Packet Transform (WPT) and Multilayer Perceptron (MLP), an Artificial Neural Network (ANN). Methods. A dataset of 74 audio files were used. Shannon energy and entropy mea-sures were extracted using the Daubechies 2 and Symlet 2 families and then the processing step was performed with the MLP ANN. Results. The Symlet 2 family was more efficient in its generalization, obtaining 99.75% and 99.56% accuracy by using Shannon energy and entropy measures, re-spectively. The Daubechies 2 family, however, obtained lower accuracy rates: 91.17% and 70.01%, respectively. Conclusion. The combination of WPT and MLP presented high accuracy for the identification of voices with a mild degree of vocal deviation

ntroducción. Los trastornos laríngeos se caracterizan por un cambio en el patrón vibratorio de los pliegues vocales. Este trastorno puede tener un origen orgánico, descrito como la modificación anatómica de los pliegues vocales, o de origen fun-cional, provocado por abuso o mal uso de la voz. Los métodos de diagnóstico más comunes se realizan mediante procedimientos invasivos que causan malestar al pa-ciente. Además, los desvíos vocales de grado leve no impiden que el individuo utilice la voz, lo que dificulta la identificación del problema y aumenta la posibilidad de complicaciones futuras.Objetivo. Por esas razones, el objetivo de esta investigación es desarrollar una he-rramienta alternativa, no invasiva para la identificación de voces con grado leve de desvío vocal aplicando Transformada Wavelet Packet (WPT) y la red neuronal artifi-cial del tipo Perceptrón Mutlicapa (PMC). Métodos. Fue utilizado un banco de datos con 78 voces. Fueron extraídas las me-didas de energía y entropía de Shannon usando las familias Daubechies 2 y Symlet 2 para después aplicar la red neuronal PMC. Resultados. La familia Symlet 2 fue más eficiente en su generalización, obteniendo un 99.75% y un 99.56% de precisión mediante el uso de medidas de energía y en-tropía de Shannon, respectivamente. La familia Daubechies 2, sin embargo, obtuvo menores índices de precisión: 91.17% y 70.01%, respectivamente. Conclusión. La combinación de WPT y PMC presentó alta precisión para la iden-tificación de voces con grado leve de desvío vocal

La inteligencia artificial en la educación médica y la predicción en salud / Artificial intelligence in medical education and health prediction

La inteligencia artificial tiene el potencial de transformar la forma en que se brinda la atención médica. Puede respaldar mejoras en los resultados y aumentar la productividad y la eficiencia de la prestación de los servicios. En servicios de las diferentes especialidades los avances realizados a nivel hardware deben desarrollarse en paralelo con los métodos de aprendizaje automático, aspectos que la inteligencia artificial contribuye para promover un cambio de paradigma significativo en las más diversas áreas de la medicina. Es importante en la educación médica como eje para el conocimiento y en la toma de decisiones que pueden mejorar el desempeño de los profesionales. Los estudiantes de medicina de nueva generación pueden adaptarse perfectamente a los nuevos métodos digitalizados en un contexto médico globalizado, incluida la inteligencia artificial. Por ello es importante tener como objetivos a implementar en los planes de estudio e introducir programas educativos representativos de esta tecnología. Es fundamental que todas las áreas del Sistema de Salud tengan confianza en los sistemas informáticos específicamente en el aprendizaje profundo, no solo por la información concreta y objetiva que de él se deriva sino también por la posibilidad de predecir eventos futuros, brindando alta certeza en cuanto al diagnóstico y tratamiento de enfermedades.

Artificial intelligence has the potential to transform the way healthcare is delivered. You can support improved results and increase the productivity and efficiency of service delivery. In the services of the different specialties, the advances made at the hardware level must be developed in parallel with the methods of machine learning, aspects that artificial intelligence contributes to promote a significant paradigm shift in the most diverse areas of medicine. It is important in medical education as an axis for knowledge and in making decisions that can improve the performance of professionals. New generation medical students can perfectly adapt to new digitized methods in a globalized medical context, including artificial intelligence. For this reason, it is important to have as objectives to be implemented in the study plans and to introduce educational programs that are representative of this technology. It is essential that all areas of the Health System have confidence in computer systems specifically in deep learning, not only because of the concrete and objective information that is derived from it but also because of the possibility of predicting future events, providing high certainty regarding to the diagnosis and treatment of diseases.

Estimación en la Intención de Agarres: Cilíndrico, Esférico y Gancho Utilizando Redes Neuronales Profundas / Estimation of Hand-Grip Intention: Cylindrical, Spherical and Hook Using Deep Neural Networks

Resumen Las amputaciones de extremidades superiores pueden producir diversos grados de incapacidad en la persona afectada, esto es exacerbado aún más, si se presenta durante un periodo de su vida laboral activa, por esta razón es de importancia social el estudio de las prótesis y algoritmos que ayuden a un mejor control de estas por parte del usuario. En esta investigación, se propone una arquitectura basada en redes neuronales recurrentes del tipo Long Short-Term Memory y redes convolucionales para la clasificación de señales electromiográficas, con aplicaciones para control de prótesis de mano. La red propuesta clasifica tres tipos de agarres realizados con la mano: cilíndrico, esférico y de gancho. El modelo propuesto al ser evaluado mostró una eficiencia (accuracy) del 89 %, en contraste con una red neuronal artificial basada en capas completamente conectadas que solo obtuvo una eficiencia del 80% en la predicción de los agarres. El presente trabajo se limita solamente a evaluar la red ante una entrada de electromiograma y no se implementó un sistema de control para la prótesis de la mano. Así, una arquitectura de redes convolucionales para el control de prótesis de mano que pueden ser entrenadas con las señales del sujeto.

Abstract Upper extremities amputations can produce different disability degrees in the amputated person, this is acerbated even more, when it happens during active working life. So, for this reason, it is of social importance the study of prostheses and algorithms that help a better control of these by the user. In this research, we propose an architecture based on recurrent neural networks, called Long Short-Term Memory, and convolutional neural networks for classification of electromyographic signals, with applications for hand prosthesis control. The proposed network classifies three types of movements made by the hand: cylindrical, spherical and hook grips. The proposed model showed an efficiency (accuracy) of 89%, in contrast to an artificial neural network based on completely connected layers that only obtained an efficiency of 80% in the prediction of the hand movements. The present work is limited to evaluate the network with an electromyogram input, the control system for hand prosthesis was not implemented. Thus, an architecture of convolutional networks for the control of hand prostheses that can be trained with the signals of the subject.

Patient Management Assisted by a Neural Network Reduces Mortality in an Intermediate Care Unit.

INTRODUCTION: Mortality risk prediction for Intermediate Respiratory Care Unit's (IRCU) patients can facilitate optimal treatment in high-risk patients. While Intensive Care Units (ICUs) have a long term experience in using algorithms for this purpose, due to the special features of the IRCUs, the same strategics are not applicable. The aim of this study is to develop an IRCU specific mortality predictor tool using machine learning methods. METHODS: Vital signs of patients were recorded from 1966 patients admitted from 2007 to 2017 in the Jiménez Díaz Foundation University Hospital's IRCU. A neural network was used to select the variables that better predict mortality status. Multivariate logistic regression provided us cut-off points that best discriminated the mortality status for each of the parameters. A new guideline for risk assessment was applied and mortality was recorded during one year. RESULTS: Our algorithm shows that thrombocytopenia, metabolic acidosis, anemia, tachypnea, age, sodium levels, hypoxemia, leukocytopenia and hyperkalemia are the most relevant parameters associated with mortality. First year with this decision scene showed a decrease in failure rate of a 50%. CONCLUSIONS: We have generated a neural network model capable of identifying and classifying mortality predictors in the IRCU of a general hospital. Combined with multivariate regression analysis, it has provided us with an useful tool for the real-time monitoring of patients to detect specific mortality risks. The overall algorithm can be scaled to any type of unit offering personalized results and will increase accuracy over time when more patients are included to the cohorts.

Comprendiendo el código neuronal: un análisis de cuatro perspectivas / Understanding the neural code: a four-perspective analysis

El objetivo de este artículo de revisión es dar a conocer diferentes perspectivas que han contribuido al estudio del Código Neuronal, un concepto que proviene de la Neurociencia y que explica el funcionamiento del cerebro a través de conexiones de neuronas. Se entregan cuatro ideas relacionadas con el análisis de este funcionamiento. En primer lugar, la propuesta de Convergencia Jerárquica, que ofrece una explicación asociada a un correlato neuronal específico para una conducta determinada. En segundo lugar, se aborda la idea del Código de Poblaciones, que explica el trabajo de un grupo de neuronas que representan un determinado estado. Posteriormente se expone la propuesta de Correlación Temporal, que plantea la presencia de poblaciones neuronales activas que se diferencian entre sí en base a patrones temporales de descarga para, finalmente, llegar al concepto de redes neuronales y sus diferentes modelos explicativos que han actuado como cimientos para el desarrollo de la Neurociencia moderna y que han sido desarrollados gracias a los aportes de la Biología, la Física, las Matemáticas, entre otras disciplinas, y que han generado las bases para la comprensión del funcionamiento del cerebro a través de neuronas interconectadas para lograr la expresión de los diferentes procesos cognitivos. El presente artículo pretende que el lector desarrolle una visión panorámica y general de cómo opera el flujo de la información que procesa el sistema nervioso central y el impacto que este fenómeno genera en el proceso de integración sensorial como parte de la emoción y la cognición en el cerebro humano.

The objective of this review article is to present different perspectives that have contributed to the study of the Neural Code, a concept that comes from Neuroscience and that explains the functioning of the brain through neuron connections. Four ideas related to the analysis of this functioning are presented. Firstly, the proposal of Hierarchical Convergence, which offers an explanation associated with a specific neuronal correlate for a specific behavior. Secondly, the idea of the Population Code is discussed, which explains the work of a group of neurons that represent a certain state. Subsequently, the proposal of Temporal Correlation is addressed, which proposes the presence of active neuronal populations that differentiate each other based on temporal discharge patterns, finally arriving at the concept of neural networks and their different explanatory models. The latter have acted as foundations for the development of modern Neuroscience and have been developed thanks to the contributions of Biology, Physics, Mathematics, among other disciplines, and have generated the basis for understanding the functioning of the brain through interconnected neurons to achieve the expression of the different cognitive processes. The paper aims to develop a panoramic and general view of how the flow of information processed by the central nervous system operates and the impact that this phenomenon generates in the process of sensory integration as part of emotion and cognition in the human brain.

An Improved Classification System for Brain Tumours Using Wavelet Transform and Neural Network / Un sistema de clasificación mejorado para los tumores cerebrales usando la transformada de ondeletas y la red neuronal

ABSTRACT This paper presents an improved classification system for brain tumours using wavelet transform and neural network. The anisotropic diffusion filter was used for image denoising, and the performance of the oriented rician noise reducing anisotropic diffusion (ORNRAD) filter was validated. The segmentation of the denoised image was carried out by fuzzy c-means clustering. The features were extracted using symlet and coiflet wavelet transforms, and the Levenberg-Marquardt algorithm based neural network was used to classify the magnetic resonance (MR) images. This classification technique of MR images was tested and analysed with existing methods, and its performance was found to be satisfactory with a classification accuracy of 93.24%. The developed system could assist physicians in classifying MR images for better decision-making.

RESUMEN Este artículo presenta un sistema de clasificación mejorado para los tumores de cerebro usando la transformada de ondeletas (transformada wavelet) y la red neuronal. El filtro de difusión anisotrópica fue utilizado para la eliminación del ruido de la imagen, y se validó el funcionamiento del filtro de difusión anisotrópica orientado a reducir el ruido riciano (ORNRAD, siglas en inglés). La segmentación de la imagen 'desruidizada ' (denoised) fue realizada mediante el agrupamiento difuso c-means fuzzy. Las características fueron extraídas usando las transformadas de ondeletas symlet y coiflet, y la red neuronal basada en el algoritmo de Levenberg-Marquardt fue utilizada para clasificar las imágenes de resonancia magnética (RM) imágenes. Esta técnica de clasificación de imágenes de RM fue probada y analizada con métodos existentes, y se halló que su rendimiento era satisfactorio con una precisión de clasificación de 93.24%. El sistema desarrollado podría ayudar a los médicos a clasificar imágenes de RM para una mejor toma de decisiones.

Desarrollo de una Prótesis para Desarticulado de Muñeca Controlada por Señales de Electromiografía / Development of a Myoelectric-Controlled Prosthesis for Transradial Amputees

RESUMEN En este trabajo se presenta el desarrollo y puesta en operación de una prótesis robótica para pacientes amputados con desarticulado de muñeca. Esta prótesis consiste en un prototipo de impresión 3D que tiene dos grados de libertad que permiten realizar tareas de sujeción de tipo pinza, así como la orientación de objetos mediante los movimientos de pronación y supinación. Para el control de la prótesis se utilizan dos clasificadores de manera independiente: un clasificador bayesiano implementado en la plataforma Arduino y una red neuronal artificial implementada en el software MATLAB®; ambos realizan la clasificación de los movimientos mediante la adquisición, procesamiento y extracción de índices característicos de la señal de electromiografía. El clasificador bayesiano y la red neuronal artificial obtuvieron, respectivamente, una eficiencia de 97% y 100%, lo que muestra que los índices característicos seleccionados son adecuados para realizar la clasificación de señales de electromiografía propuesta. Se logró la creación de una prótesis mioeléctrica completamente funcional que, al ser elaborada con tecnología de impresión 3D, representa una alternativa de bajo costo a aquellas ofrecidas actualmente en el mercado.

ABSTRACT In this paper, the development and operation of a robotic prosthesis for transradial amputees is presented. This prosthesis consists in a 3D-printed prototype with two degrees of freedom, allowing the user to perform grip tasks and to orientate objects through pronation and supination movements. Two classifiers were used independently to control the prosthesis: a bayesian classifier implemented in an Arduino device and an artificial neural network implemented in MATLAB® software; both classify movements through the acquisition, processing and extraction of features from the electromyography signal. The bayesian classifier and the artificial neural network achieved an efficiency of 97% and 100%, respectively, which shows that the extracted features were suitable for the proposed electromyography classification. A completely functional 3D-printed myoelectric prosthesis was achieved, and it represents a low-cost alternative to those existent in the current market.

Identificación de la delimitación administrativa de la malaria usando redes neuronales artificiales / Boundary Delimitiation of Malaria using Artificial Neural Networks / Identificação da Delimitação Administrativa da Malária usando Redes Neurais Artificiais

Resumen La metodología de clustering fue utilizada para agrupar tres barrios en Quibdó teniendo en cuenta factores que favorecen el desarrollo de la malaria. Los mapas auto-organizados de Kohonen fueron utilizados para el análisis de las características más significativas en la clasificación. Los clusters detectados fueron comparados con la clasificación geográfica de las casas, encontrando, que los mapas auto-organizados de Kohonen clasifican las casas por las condiciones ambientales propicias para el desarrollo del mosquito más que por la clasificación administrativa de la ciudad.

Resumo A Metodologia de Clustering foi usada para agrupar três bairros em Quibdo, Colômbia, levando em consideração fatores que favorecem o desenvolvimento da malária. Mapas auto-organizados de Kohonen foram utilizados para a análise das características mais significativas no agrupamento. Os Clusters detectados foram comparados com o agrupamento geo-gráfico de casas, mostrando que os mapas auto-organizados de Kohonen agrupam as casas pelas condições ambientais favoráveis ao desenvolvimento do mosquito e não pelo agrupamento administrativo da cidade.

Abstract Clustering methodology was used to group three neighborhoods in Quibdo taking into account factors that favor the development of malaria. The Kohonen self-organizing maps were used for the analysis of the most significant features in the standings. The detected clusters were compared with the geographical classification of houses, finding that the Kohonen self-organizing maps households classified by environmental conditions conducive to development rather than the administrative classification of the city.

Clasificación automática de glóbulos rojos en frotis de sangre periférica / Healthy lifestyles and risk behavior of medical students

Introducción: El diagnóstico del estado eritrocitario en frotis de sangre periférica es un proceso realizado normalmente de forma manual a partir de observación microscópica, lo cual implica una considerable inversión de tiempo y recursos, además de posibles problemas de subjetividad y dificultad en la reproducibilidad del diagnóstico. Objetivo: Desarrollar una aplicación que permita la clasificación automática de glóbulos rojos en frotis de sangre periférica, de utilidad como herramienta de ayuda diagnóstica. Metodología: Se usaron técnicas de procesamiento de imágenes para segmentar los eritrocitos en las fotografías microscópicas y medir en ellos área, perímetro, solidez, circularidad, excentricidad, textura y dimensión box-counting. Se usó una red neuronal artificial para clasificar los eritrocitos según sus características en siete clases, incluyendo normalidad y seis alteraciones patológicas. La red se entrenó de acuerdo con la clasificación de 262 eritrocitos realizada por un hematólogo experto. Los desarrollos se hicieron en matlab®, una poderosa plataforma de computación científica. Resultados: La red escogida alcanza el 97.3% de aciertos en los datos de validación. Las equivocaciones en la red corresponden a células de dudosa clasificación aún para un experto, por presentar características correspondientes a varias clasificaciones patológicas. Conclusiones: La aplicación desarrollada clasifica de manera rápida y acertada los diferentes tipos de glóbulos rojos presentes en una muestra microscópica de frotis de sangre periférica, siendo de utilidad como herramienta de apoyo diagnóstico.

Introduction: The process of erythrocyte classification in peripheral blood smear is normally done manually from microscopic observation. This implies not only a considerable investment of time and resources but also brings potential problems of subjectivity and difficulty in the reproducibility of diagnosis. Objective: To develop an application that allows the automatic classification of red blood cells in peripheral blood smears, as a diagnostic aid tool. Methodology: Image processing techniques were used in order to segment erythrocytes in the microscopic photographs and to measure characteristics as area, perimeter, solidity, circularity, eccentricity, texture and boxcounting dimension. An artificial neural network was used to classify the red blood cells in the images in seven classes, including normal and six pathological changes, according to their characteristics. The network was trained according to the classification of 262 erythrocytes by an expert hematologist. The developments were made in matlab®, a powerful scientific computing platform. Results: The chosen network reaches 97.3% correct in the validation data. Mistakes in the network correspond to cells with various pathological classifications features, which make them difficult to classify even for an expert. Conclusions: The developed application classifies quickly and accurately the different types of red blood cells in a microscopic sample of peripheral blood smear, so it could be useful as a diagnostic support tool.

Aproximación al desempeño operativo de un modelo de redes neuronales en el diagnóstico de la infertilidad masculina / Approach to operational performance of a neuronal network model in the diagnosis of male infertility

Objetivo: realizar una aproximación a la capacidad de las redes neuronales supervisadas para clasificar lizando los parámetros seminales convencionales. Materiales y métodos: estudio de corte transversal ensamblado sobre la base de datos del Grupo Reproducción de la Universidad de Antioquia, en el que se escogieron hombres con problemas re-productivos en los doce meses previos y hombres con antecedente de haber tenido hijos. Muestreo por conveniencia. Se tomaron en cuenta: la edad, el tiempo de abstinencia sexual, el volumen del eyaculado, el pH, los porcentajes de movilidad y de viabilidad, y la concentración espermática. Mediante una red neuronal supervisada se desarrolló un modelo de entrenamiento y un modelo de validación. Resultados: se incluyeron 204 hombres. Para el modelo de entrenamiento 129 hombres, 35 para la validación, 40 para probar el modelo y 25 para la validación externa. En el modelo de la red neuronal clasificó adecuadamente el 90% de los sujetos con problemas reproductivos y el 91% de los sujetos cuadamente el 40% de los sujetos con problemas reproductivos y el 100% de los sujetos fértiles. Conclusión: las redes neuronales surgen como una tecnología que podría ser valiosa para el estudio de la infertilidad masculina. Se requieren evaluaciones más rigurosas para definir su real utilidad en el estudio de la pareja infértil

Objective: To determine the ability of supervised neuronal networks at making the appropriate classification of fertile and infertile men using conventional seminal parameters. Materials and methods: Cross-sectional study assembled on the database of the Universidad de Antioquia Reproduction Group, with a selection of men experiencing reproductive problems within the previous 12 months, and men with a history of having had children. Convenience sampling. The data considered were age, time of sexual abstinence, ejaculate volume, pH, percentage of sperm motility, viability and concentration. Using a supervised neuronal network, a training model and a validation model were created. Results: Overall, 204 men were included, 129 for the training model, 35 for validation, 40 for testing the model and 25 for external validation. The neuronal network model made the correct classification of 90% of the subjects with reproductive problems, and 91% of the fertile subjects. In the validation model, the neuronal network made the correct classification of 40% of the subjects with reproductive problems, and 100% of the fertile subjects. Conclusion: Neuronal networks emerge as a technology that may prove to be valuable for the study of male infertility. More rigorous evaluations are required in order to determine their true usefulness in the study of infertile couples

Domótica asistencial: un desarrollo tecnológico de apoyo a la discapacidad / Home automation care: a technological development of disability support

El presente artículo muestra el desarrollo de un sistema tecnológico en el área de la Domótica asistencial, esta área se ocupa de desarrollar ayudas para automatizar la vivienda de personas en condición de disca-pacidad, con el propósito de mejorar su calidad de vida. El sistema desarrollado utiliza como señal de en-trada, las señales electromiográficas (EMG) de dos grupos musculares (flexor radial del carpo y masetero), por medio de estas señales, se controla un sistema electrónico capaz de dar órdenes para Encender/apagar la luz y Encender/apagar una alarma. El sistema utiliza la señal digitalizada como comando y controla las variables citadas, utilizando una red neuronal que ejecuta la labor asignada. Este dispositivo se convierte en una propuesta de desarrollo tecnológico de bajo costo, útil como apoyo a la discapacidad y al mejora-miento de la calidad de vida.

This paper shows the development of a technological system in the area of Home Automation care, this area is concerned with developing automated support for the housing of people living on disability, in order to improve their quality of life. The implemented system uses as input signal, the electromyographic signals (EMG) of two groups of muscles (flexor carpi radialis and masseter), through these signs, you con-trol an electronic system able to give orders for on / off light Turning on the alarm. The system uses the digitized signal as a command and controls these variables, using a neural network that performs the work assigned. This device becomes a proposed low-cost technology development, useful as an aid to disability and improving quality of life