Maestría en Ingeniería de Telecomunicaciones

Permanent URI for this collection

https://noesis.uis.edu.co/handle/20.500.14071/9027

Browse

Browsing Maestría en Ingeniería de Telecomunicaciones by browse.metadata.advisor "Fajardo Ariza, Carlos Augusto"

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    Feasibility to Use Clustering Methods to Improve the Contrastive Learning Methods in the Detection of Atrial Fibrillation
    (Universidad Industrial de Santander, 2023-11-07) Navarro Luna, Alejandro; Fajardo Ariza, Carlos Augusto; Pertuz Arroyo, Said David; Sánchez Quiroga, Karen Yaneth
    Los avances recientes en el campo del aprendizaje profundo, una rama de la inteligencia artificial, han abierto nuevas puertas en la detección precisa de arritmias cardíacas. Las arritmias son trastornos en la frecuencia cardíaca o el ritmo cardíaco que pueden tener graves implicaciones para la salud, como la posibilidad de ataques cardíacos o accidentes cerebrovasculares. Detectar estas irregularidades de manera temprana es esencial para un diagnóstico y tratamiento efectivos. Sin embargo, un desafío crucial en este contexto es la disponibilidad de datos etiquetados, es decir, electrocardiogramas (ECG) que estén marcados específicamente para identificar arritmias. Obtener estas etiquetas es un proceso costoso y laborioso, ya que requiere la revisión manual de expertos médicos. Además, en muchas situaciones, puede haber una falta significativa de datos etiquetados, lo que limita la capacidad de entrenar modelos de aprendizaje profundo de manera efectiva. Para abordar este problema, se han desarrollado enfoques que se basan en técnicas no supervisadas y auto-supervisadas. Estos métodos aprovechan datos no etiquetados para mejorar el rendimiento de los modelos. Uno de los desarrollos más recientes y prometedores en este ámbito es el aprendizaje contrastivo. El aprendizaje contrastivo se emplea comúnmente como una etapa de pre-entrenamiento en la construcción de modelos de aprendizaje profundo para una variedad de tareas, incluida la detección de arritmias cardíacas. Sin embargo, en escenarios donde los datos etiquetados son escasos, se requiere una estrategia adicional para mejorar la eficacia del pre-entrenamiento contrastivo. En este estudio, proponemos una solución innovadora que implica agregar una etapa de agrupamiento de datos antes de aplicar el aprendizaje contrastivo. Esta etapa de agrupamiento tiene como objetivo seleccionar cuidadosamente un conjunto de señales de ECG no etiquetadas que refuercen la fase de pre-entrenamiento, lo que es especialmente beneficioso en situaciones donde la disponibilidad de datos etiquetados es limitada. Para evaluar la efectividad de nuestro enfoque, lo aplicamos al conjunto de datos Icentia11k, el conjunto de datos ECG de acceso público más extenso. Utilizamos métricas estándar en el campo de la detección de arritmias, como la puntuación F1 y el área bajo la curva (AUC), para comparar los resultados obtenidos con diferentes métodos de selección de datos, diversas cantidades de datos etiquetados y no etiquetados, y diferentes tamaños de modelos neuronales convolucionales. Nuestros resultados indican que nuestra metodología supera significativamente la estrategia base que utiliza únicamente el aprendizaje contrastivo. Concretamente, en el caso de un modelo entrenado solo con 5,000 datos etiquetados, nuestro enfoque logra una mejora notable, aumentando la puntuación F1 media en 4.9 puntos en promedio en las 10 iteraciones, y mejorando la métrica AUC en 0.4 puntos.
  • No Thumbnail Available
    Item
    Predicción de la mortalidad en unidades de cuidados intensivos para pacientes con sepsis mediante aprendizaje automático
    (Universidad Industrial de Santander, 2023-08-14) Santos Ortiz, Camilo Andrés; Fajardo Ariza, Carlos Augusto; Pertuz Arroyo, Said David; Sepúlveda Sepúlveda, Franklin Alexander; Bautista Rozo, Lola Xiomara
    La sepsis es una de las principales causas de mortalidad en las UCI de todo el mundo, por lo que es necesario identificar precozmente el riesgo para mejorar los resultados. Sin embargo, la complejidad de la sepsis limita la aplicabilidad clínica de los modelos predictivos. Para que los modelos de aprendizaje automático (ML) sean útiles en la práctica, deben ser robustos, tener un rendimiento consistente en diferentes entornos de la UCI y ser procesables, lo que significa que sean factibles de implementar con factores clínicos significativos en la rutina de la UCI. El objetivo de este estudio es identificar predictores clínicos significativos para desarrollar modelos procesables de predicción robusta de la mortalidad en pacientes con sepsis en diversos entornos clínicos. Este estudio retrospectivo analizó datos de 15.100 pacientes de UCI en el conjunto de datos MIMIC-IV v3.0 para el entrenamiento y 8.201 pacientes en el conjunto de datos eICU v2.0 para la validación externa. Se entrenaron ocho modelos ML y se seleccionó el modelo de mejor rendimiento en función del AUC más alto. Los factores clínicos significativos se identificaron mediante odds ratios y odds ratios ajustados para evaluar su asociación predictiva. El modelo con mejores resultados alcanzó un AUC de 0,84 (MIMIC-IV) y 0,75 (eICU). La selección secuencial de características redujo el modelo a 25 factores clínicos sin comprometer el rendimiento, como confirmó la prueba de DeLong (AUC = 0,84; valor p = 0,507). Nuestro estudio sugiere que las constantes vitales y los resultados de laboratorio son predictores significativos, lo que refuerza su relevancia clínica. Este estudio proporciona un modelo ML robusto y procesable para la predicción de la mortalidad en pacientes con sepsis en la UCI.