Maestría Estadística Aplicada y Ciencia de Datos

URI permanente para esta colección

https://hdl.handle.net/20.500.12495/11349

Examinar

Examinando Maestría Estadística Aplicada y Ciencia de Datos por Autor "Duitama Leal, Alejandro"

Mostrando 1 - 2 de 2
  • Miniatura
    Ítem
    Aplicación de procesamiento digital a imágenes de baja resolución para mejorar la detección del cáncer de mama mediante redes neuronales
    (2024-06) Patiño Callejas, Juan Sebastian; Duitama Leal, Alejandro
    El Carcinoma Ductal Invasivo (CDI) es una de las principales causas de morbilidad y mortalidad en mujeres, representando entre el 70 % y el 80 % de los casos de cáncer de mama. La detección inicial de este tipo de cáncer se realiza mediante mamografías. Cuando estas imágenes sugieren la presencia de una anomalía, se procede a un diagnóstico más preciso a través de biopsias. Los diagnósticos se basan en imágenes histológicas de alta resolución disponibles en centros especializados ubicados en grandes ciudades, lo que limita su acceso en regiones remotas. Además, su interpretación requiere la experiencia del radiólogo y patólogo, lo que puede resultar en una alta tasa de falsos positivos. Esto conlleva a exámenes adicionales que pueden ser invasivos, incrementando el estrés de los pacientes y los costos del sistema de salud. Para abordar esta limitación, se investigó la implementación de técnicas de procesamiento digital en imágenes histológicas de baja resolución utilizando redes neuronales para la detección del cáncer de mama. Se presenta un modelo que emplea imágenes de baja resolución (50x50 píxeles y 72 ppi) y redes neuronales convolucionales (CNN). Durante la investigación se exploraron diversas técnicas de procesamiento de imágenes basadas en color, bordes y umbrales.
  • No hay miniatura disponible
    Ítem
    Predicción del efecto inóculo a Cefazolina en Staphylococcus Aureus susceptible a Meticilina por un método de aprendizaje automático
    (2024-06) Martín López, Zaidy Ocnary; Quiroga Calderon, Cesar Hobany; Reyes Manrique, Lynda Jehny; Bermudez Munar, Jose Alejandro; Duitama Leal, Alejandro; Reyes Manrique, Jinnethe Cristina
    La resistencia a antibióticos constituye un desafío de importancia clínica, no solo en términos de tratamiento biológico y terapéutico de las infecciones, sino también debido a su impacto en la salud pública (1). El Staphylococcus aureus, es un agente bacteriano común en el microbioma humano. Sin embargo, tambiénocasiona gran variedad de entidades infecciosas, incluyendo, bacteriemia, endocarditis, así como infecciones osteoarticulares, cutáneas, de tejidos blandos, pleuropulmonares y relacionadas con dispositivos (2). La incidencia de bacteriemia por Staphylococcus aureus (SAB) en Estados Unidos oscila entre 20 y 50 casos por cada 100.000 habitantes al año, con una tasa de mortalidad entre el 10% y el 30%, superando en número de muertes combinadas al VIH/SIDA, la tuberculosis y la hepatitis viral, lo que representa un considerable costo en términos de salud pública (3,4). La Sociedad Americana de Enfermedades Infecciosas (IDSA) recomienda los antibióticos betalactámicos como tratamiento fundamental para infecciones causadas por Staphylococcus aureus susceptible a meticilina (SASM) (5,6). La cefazolina se ha convertido en una excelente alternativa de tratamiento por sus bajos efectos adversos y su costo (6). Sin embargo, ha surgido un fenómeno de resistencia conocido como el efecto inóculo a cefazolina (CzIE), asociado a la producción de la betalactamasa (BlaZ) (7), lo que plantea la necesidad de explorar alternativas terapéuticas. El uso de técnicas de aprendizaje automático (Machine Learning - ML) se presenta como una vía prometedora para evaluar la capacidad predictiva de modelos en este contexto, lo que podría tener implicaciones significativas en la práctica médica, permitiendo el uso adecuado de la cefazolina y por ende optimizando la toma de decisiones para el tratamiento antibiótico.