RESUMO

SUMMARY: Since machine learning algorithms give more reliable results, they have been used in the field of health in recent years. The orbital variables give very successful results in classifying sex correctly. This research has focused on sex determination using certain variables obtained from the orbital images of the computerized tomography (CT) by using machine learning algorithms (ML). In this study 12 variables determined on 600 orbital images of 300 individuals (150 men and 150 women) were tested with different ML. Decision tree (DT), K-Nearest Neighbour (KNN), Logistic Regression (LR), Random Forest (RF), Linear Discriminant Analysis (LDA), and Naive Bayes (NB) algorithms of ML were used for unsupervised learning. Statistical analyses of the variables were conducted with Minitab® 21.2 (64-bit) program. ACC rate of NB, DT, KNN, and LR algorithms was found as % 83 while the ACC rate of LDA and RFC algorithms was determined as % 85. According to Shap analysis, the variable with the highest degree of effect was found as BOW. The study has determined the sex with high accuracy at the ratios of 0.83 and 0.85 through using the variables of the orbital CT images, and the related morphometric data of the population under question was acquired, emphasizing the racial variation.

Dado que los algoritmos de aprendizaje automático dan resultados más fiables, en los últimos años han sido utilizados en el campo de la salud. Las variables orbitales dan resultados muy exitosos a la hora de clasificar correctamente el sexo. Esta investigación se ha centrado en la determinación del sexo utilizando determinadas variables obtenidas a partir de las imágenes orbitales de la tomografía computarizada (TC) mediante el uso de algoritmos de aprendizaje automático (AA). En este estudio se probaron 12 variables determinadas en 600 imágenes orbitales de 300 individuos (150 hombres y 150 mujeres) con diferentes AA. Se utilizaron algoritmos de AA de árbol de decisión (DT), K-Nearest Neighbour, regresión logística (RL), Random Forest (RF), análisis discriminante lineal (ADL) y Naive Bayes (NB) para el aprendizaje no supervisado. Los análisis estadísticos de las variables se realizaron con el programa Minitab® 21.2 (64 bits). La tasa de ACC de los algoritmos NB, DT, KNN y RL se encontró en % 83, mientras que la tasa de ACC de los algoritmos ADL y RFC se determinó en % 85. Según el análisis de Sharp, la variable con el mayor grado de efecto se encontró como BOW. El estudio determinó el sexo con alta precisión en las proporciones de 0,83 y 0,85 mediante el uso de las variables de las imágenes de TC orbitales, y se adquirieron los datos morfométricos relacionados de la población en cuestión, enfatizando la variación racial.

Assuntos

RESUMO

Resumen Introducción : El Trastorno del Espectro Autista (TEA) es un trastorno del neurodesarrollo, y sus procedimien tos tradicionales de evaluación encuentran ciertas li mitaciones. El actual campo de investigación sobre TEA está explorando y respaldando métodos innovadores para evaluar el trastorno tempranamente, basándose en la detección automática de biomarcadores. Sin embargo, muchos de estos procedimientos carecen de validez ecológica en sus mediciones. En este contexto, la reali dad virtual (RV) presenta un prometedor potencial para registrar objetivamente bioseñales mientras los usuarios experimentan situaciones ecológicas. Métodos : Este estudio describe un novedoso y lúdi co procedimiento de RV para la evaluación temprana del TEA, basado en la grabación multimodal de bio señales. Durante una experiencia de RV con 12 esce nas virtuales, se midieron la mirada, las habilidades motoras, la actividad electrodermal y el rendimiento conductual en 39 niños con TEA y 42 compañeros de control. Se desarrollaron modelos de aprendizaje automático para identificar biomarcadores digitales y clasificar el autismo. Resultados : Las bioseñales reportaron un rendimien to variado en la detección del TEA, mientras que el modelo resultante de la combinación de los modelos de las bioseñales demostró la capacidad de identificar el TEA con una precisión del 83% (DE = 3%) y un AUC de 0.91 (DE = 0.04). Discusión : Esta herramienta de detección pue de respaldar el diagnóstico del TEA al reforzar los resultados de los procedimientos tradicionales de evaluación.

Abstract Introduction : Autism Spectrum Disorder (ASD) is a neurodevelopmental condition which traditional as sessment procedures encounter certain limitations. The current ASD research field is exploring and endorsing innovative methods to assess the disorder early on, based on the automatic detection of biomarkers. How ever, many of these procedures lack ecological validity in their measurements. In this context, virtual reality (VR) shows promise for objectively recording biosignals while users experience ecological situations. Methods : This study outlines a novel and playful VR procedure for the early assessment of ASD, relying on multimodal biosignal recording. During a VR experience featuring 12 virtual scenes, eye gaze, motor skills, elec trodermal activity and behavioural performance were measured in 39 children with ASD and 42 control peers. Machine learning models were developed to identify digital biomarkers and classify autism. Results : Biosignals reported varied performance in detecting ASD, while the combined model resulting from the combination of specific-biosignal models demon strated the ability to identify ASD with an accuracy of 83% (SD = 3%) and an AUC of 0.91 (SD = 0.04). Discussion : This screening tool may support ASD diagnosis by reinforcing the outcomes of traditional assessment procedures.

RESUMO

Abstract The objective of this research is to present a comparative analysis using various lengths of time windows (TW) during emotion recognition, employing machine learning techniques and the portable wireless sensing device EPOC+. In this study, entropy will be utilized as a feature to evaluate the performance of different classifier models across various TW lengths, based on a dataset of EEG signals extracted from individuals during emotional stimulation. Two types of analyses were conducted: between-subjects and within-subjects. Performance measures such as accuracy, area under the curve, and Cohen's Kappa coefficient were compared among five supervised classifier models: K-Nearest Neighbors (KNN), Support Vector Machine (SVM), Logistic Regression (LR), Random Forest (RF), and Decision Trees (DT). The results indicate that, in both analyses, all five models exhibit higher performance in TW ranging from 2 to 15 seconds, with the 10 seconds TW particularly standing out for between-subjects analysis and the 5-second TW for within-subjects; furthermore, TW exceeding 20 seconds are not recommended. These findings provide valuable guidance for selecting TW in EEG signal analysis when studying emotions.

Resumen El objetivo de esta investigación es presentar un análisis comparativo empleando diversas longitudes de ventanas de tiempo (VT) durante el reconocimiento de emociones, utilizando técnicas de aprendizaje automático y el dispositivo de sensado inalámbrico portátil EPOC+. En este estudio, se utilizará la entropía como característica para evaluar el rendimiento de diferentes modelos clasificadores en diferentes longitudes de VT, basándose en un conjunto de datos de señales EEG extraídas de individuos durante la estimulación de emociones. Se llevaron a cabo dos tipos de análisis: entre sujetos e intra-sujetos. Se compararon las medidas de rendimiento, tales como la exactitud, el área bajo la curva y el coeficiente de Cohen's Kappa, de cinco modelos clasificadores supervisados: K-Nearest Neighbors (KNN), Support Vector Machine (SVM), Logistic Regression (LR), Random Forest (RF) y Decision Trees (DT). Los resultados indican que, en ambos análisis, los cinco modelos presentan un mayor rendimiento en VT de 2 a 15 segundos, destacándose especialmente la VT de 10 segundos para el análisis entre los sujetos y 5 segundos intrasujetos; además, no se recomienda utilizar VT superiores a 20 segundos. Estos hallazgos ofrecen una orientación valiosa para la elección de las VT en el análisis de señales EEG al estudiar las emociones.

RESUMO

RESUMEN La inteligencia artificial (IA) está basada en programas computacionales que pueden imitar el pensamiento humano y automatizar algunos procesos. En el ámbito médico se está estudiando hace más de 50 años, pero en los últimos años el crecimiento ha sido exponencial. El campo de las imágenes cardiovasculares es particularmente atractivo para aplicarla, dado que, guiadas por IA, personas no expertas pueden adquirir imágenes completas, automatizar procesos y mediciones, orientar diagnósticos, detectar hallazgos no visibles al ojo humano, realizar diagnósticos oportunistas de afecciones no buscadas en el estudio índice pero evaluables a través de las imágenes disponibles, o identificar patrones de asociación dentro de una gran cantidad de datos como fuente de generación de hipótesis. En el campo de la prevención cardiovascular, la IA se ha aplicado en diferentes escenarios con fines diagnósticos, pronósticos y terapéuticos en el manejo de algunos factores de riesgo cardiovascular, como las dislipidemias o la hipertensión arterial. Si bien existen limitaciones con el uso de la IA tales como el costo, la accesibilidad y la compatibilidad de los programas, la validez externa de los resultados en determinadas poblaciones, o algunos aspectos éticos-legales (privacidad de los datos), esta tecnología está en crecimiento vertiginoso y posiblemente revolucione la práctica médica actual.

ABSTRACT Artificial intelligence (AI) is based on computer programs that imitate human thinking and automate certain processes. Artificial intelligence has been studied in the medical field for over 50 years, but in recent years, its growth has been exponential. The field of cardiovascular imaging is particularly attractive since AI can guide non-experts in image acquisition, automate processes and measurements, guide diagnoses, detect findings not visible to the human eye, make opportunistic diagnoses of unexpected conditions in the index test, or identify patterns of association within a large amount of data as a source of hypothesis generation. In the field of cardiovascular prevention, AI has been used for diagnostic, prognostic, and therapeutic purposes in managing cardiovascular risk factors such as dyslipidemia and hypertension. While there are limitations to the use of AI, such as cost, accessibility, compatibility of programs, external validity of results in certain populations, and ethical-legal aspects such as data privacy, this technology is rapidly growing and is likely to revolutionize current medical practice.

RESUMO

Abstract: Severe acute respiratory infection (SARI) outbreaks occur annually, with seasonal peaks varying among geographic regions. Case notification is important to prepare healthcare networks for patient attendance and hospitalization. Thus, health managers need adequate resource planning tools for SARI seasons. This study aims to predict SARI outbreaks based on models generated with machine learning using SARI hospitalization notification data. In this study, data from the reporting of SARI hospitalization cases in Brazil from 2013 to 2020 were used, excluding SARI cases caused by COVID-19. These data were prepared to feed a neural network configured to generate predictive models for time series. The neural network was implemented with a pipeline tool. Models were generated for the five Brazilian regions and validated for different years of SARI outbreaks. By using neural networks, it was possible to generate predictive models for SARI peaks, volume of cases per season, and for the beginning of the pre-epidemic period, with good weekly incidence correlation (R2 = 0.97; 95%CI: 0.95-0.98, for the 2019 season in the Southeastern Brazil). The predictive models achieved a good prediction of the volume of reported cases of SARI; accordingly, 9,936 cases were observed in 2019 in Southern Brazil, and the prediction made by the models showed a median of 9,405 (95%CI: 9,105-9,738). The identification of the period of occurrence of a SARI outbreak is possible using predictive models generated with neural networks and algorithms that employ time series.

Resumo: Surtos de síndrome respiratória aguda grave (SRAG) ocorrem anualmente, com picos sazonais variando entre regiões geográficas. A notificação dos casos é importante para preparar as redes de atenção à saúde para o atendimento e internação dos pacientes. Portanto, os gestores de saúde precisam ter ferramentas adequadas de planejamento de recursos para as temporadas de SRAG. Este estudo tem como objetivo prever surtos de SRAG com base em modelos gerados com aprendizado de máquina usando dados de internação por SRAG. Foram incluídos dados sobre casos de hospitalização por SRAG no Brasil de 2013 a 2020, excluindo os casos causados pela COVID-19. Estes dados foram preparados para alimentar uma rede neural configurada para gerar modelos preditivos para séries temporais. A rede neural foi implementada com uma ferramenta de pipeline. Os modelos foram gerados para as cinco regiões brasileiras e validados para diferentes anos de surtos de SRAG. Com o uso de redes neurais, foi possível gerar modelos preditivos para picos de SRAG, volume de casos por temporada e para o início do período pré-epidêmico, com boa correlação de incidência semanal (R2 = 0,97; IC95%: 0,95-0,98, para a temporada de 2019 na Região Sudeste). Os modelos preditivos obtiveram uma boa previsão do volume de casos notificados de SRAG; dessa forma, foram observados 9.936 casos em 2019 na Região Sul, e a previsão feita pelos modelos mostrou uma mediana de 9.405 (IC95%: 9.105-9.738). A identificação do período de ocorrência de um surto de SRAG é possível por meio de modelos preditivos gerados com o uso de redes neurais e algoritmos que aplicam séries temporais.

Resumen: Brotes de síndrome respiratorio agudo grave (SRAG) ocurren todos los años, con picos estacionales que varían entre regiones geográficas. La notificación de los casos es importante para preparar las redes de atención a la salud para el cuidado y hospitalización de los pacientes. Por lo tanto, los gestores de salud deben tener herramientas adecuadas de planificación de recursos para las temporadas de SRAG. Este estudio tiene el objetivo de predecir brotes de SRAG con base en modelos generados con aprendizaje automático utilizando datos de hospitalización por SRAG. Se incluyeron datos sobre casos de hospitalización por SRAG en Brasil desde 2013 hasta 2020, salvo los casos causados por la COVID-19. Se prepararon estos datos para alimentar una red neural configurada para generar modelos predictivos para series temporales. Se implementó la red neural con una herramienta de canalización. Se generaron los modelos para las cinco regiones brasileñas y se validaron para diferentes años de brotes de SRAG. Con el uso de redes neurales, se pudo generar modelos predictivos para los picos de SRAG, el volumen de casos por temporada y para el inicio del periodo pre-epidémico, con una buena correlación de incidencia semanal (R2 = 0,97; IC95%: 0,95-0,98, para la temporada de 2019 en la Región Sudeste). Los modelos predictivos tuvieron una buena predicción del volumen de casos notificados de SRAG; así, se observaron 9.936 casos en 2019 en la Región Sur, y la predicción de los modelos mostró una mediana de 9.405 (IC95%: 9.105-9.738). La identificación del periodo de ocurrencia de un brote de SRAG es posible a través de modelos predictivos generados con el uso de redes neurales y algoritmos que aplican series temporales.

RESUMO

Introducción: la sintomatología depresiva es altamente prevalente en la población peruana. El uso del algoritmo de árbol de decisiones podría beneficiar en hallar grupos especialmente vulnerables a padecer síntomas depresivos. Objetivo: determinar los grupos especialmente vulnerables a tener síntomas depresivos según factores sociodemográficos mediante algoritmo de árbol de decisiones por aprendizaje automático. Material y métodos: se aplicó un diseño observacional, descriptivo, retrospectivo y transversal. Los datos provinieron de la encuesta nacional demográfica y de salud. La población fue 32.062 adultos. La variable dependiente fue: presencia de síntomas depresivos, y como variables explicativas: grupo etario, lengua materna, grupo étnico, nivel educativo, edad de inicio de consumo de alcohol, consumo de alcohol, estado conyugal, sexo. Se utilizó el algoritmo de árbol de decisiones mediante detección automática de interacciones mediante chi-cuadrado (CHAID). Resultados: las variables significativas en el algoritmo fueron: sexo, tipo de lengua materna, estado conyugal, grupo etario, nivel educativo alcanzado, clasificando de forma correcta 75,80% de los casos de síntomas depresivos. Los nodos asociados principalmente a la presencia de síntomas depresivos fueron: nodo 2 (sexo femenino), nodo 6 (adultos desde 39 años), nodo 13 (educación hasta secundaria). Según sexo, en mujeres, las variables principalmente asociadas fueron los correspondientes al nodo 2 (adultos desde los 39 años), nodo 5 (educación hasta secundaria) y nodo 13 (lengua materna originaria). En hombres, los nodos asociados principalmente a síntomas depresivos fueron el nodo 2 (lengua materna originaria), nodo 6 (adultos desde los 39 años) y nodo 11 (nivel educativo alcanzado hasta secundaria). Conclusiones: el principal grupo sociodemográfico asociado al desarrollo de síntomas depresivos son el sexo femenino, desde los 39 años y cuya educación ha llegado a la etapa escolar. El uso de algoritmos de aprendizaje automático es útil para crear herramientas de cribado de poblaciones vulnerables a padecer síntomas depresivos.

Introduction: Depressive symptoms are highly prevalent in the Peruvian population. The use of the decision tree algorithm could be beneficial in finding groups especially vulnerable to suffering from depressive symptoms. Objective: To determine the groups especially vulnerable to having depressive symptoms according to sociodemographic factors using a machine learning decision tree algorithm. Material and methods: An observational, descriptive, retrospective and cross-sectional design was applied. Data came from the National Demographic and Health Survey. The population was 32,062 adults and the dependent variable was the presence of depressive symptoms, and as explanatory variables: age group, mother tongue, ethnic group, educational level, age of onset of alcohol consumption, alcohol consumption, marital status, sex. The decision tree algorithm using automatic chi-square interaction detection (CHAID) was used. Results: The significant variables in the algorithm were sex, type of mother tongue, marital status, age group, educational level achieved, correctly classifying 75.80% of the cases of depressive symptoms. The nodes mainly associated with the presence of depressive symptoms were: node 2 (female sex), node 6 (adults from 39 years old), and node 13 (education up to secondary school). According to sex, in women, the variables mainly associated were those corresponding to node 2 (adults from 39 years of age), node 5 (education up to secondary school) and node 13 (original mother tongue). In men, the nodes mainly associated with depressive symptoms were node 2 (native mother tongue), node 6 (adults from 39 years of age) and node 11 (educational level reached up to secondary school). Conclusions: The main sociodemographic group associated with the development of depressive symptoms is the female sex, from the age of 39 and whose education has reached the school stage. The use of machine learning algorithms is useful to create screening tools for populations vulnerable to suffering from depressive symptoms.

RESUMO

Objective: to describe the development of a predictive nursing workload classifier model, using artificial intelligence. Method: retrospective observational study, using secondary sources of electronic patient records, using machine learning. The convenience sample consisted of 43,871 assessments carried out by clinical nurses using the Perroca Patient Classification System, which served as the gold standard, and clinical data from the electronic medical records of 11,774 patients, which constituted the variables. In order to organize the data and carry out the analysis, the Dataiku® data science platform was used. Data analysis occurred in an exploratory, descriptive and predictive manner. The study was approved by the Ethics and Research Committee of the institution where the study was carried out. Results: the use of artificial intelligence enabled the development of the nursing workload assessment classifier model, identifying the variables that most contributed to its prediction. The algorithm correctly classified 72% of the variables and the area under the Receiver Operating Characteristic curve was 82%. Conclusion: a predictive model was developed, demonstrating that it is possible to train algorithms with data from the patient's electronic medical record to predict the nursing workload and that artificial intelligence tools can be effective in automating this activity.

Objetivo: describir el desarrollo de un modelo clasificador predictivo de la carga de trabajo de enfermería, utilizando inteligencia artificial. Método: estudio observacional retrospectivo, en fuentes secundarias de registros electrónicos de pacientes, con uso de aprendizaje automático. La muestra por conveniencia se constituyó de 43.871 evaluaciones realizadas por enfermeras asistenciales con el Sistema de Clasificación de Pacientes de Perroca, que sirvieron como patrón oro, y datos clínicos del expediente electrónico de 11.774 pacientes, que constituyeron las variables. Para la organización de los datos y la realización de los análisis se utilizó la plataforma de ciencia de datos Dataiku ® . El análisis de los datos ocurrió de forma exploratoria, descriptiva y predictiva. Estudio aprobado por el Comité de Ética e Investigación de la institución campo del estudio. Resultados: el uso de inteligencia artificial posibilitó el desarrollo del modelo clasificador de evaluación de la carga de trabajo de enfermería, identificando las variables que más contribuyeron para su predicción. El algoritmo clasificó correctamente el 72% de las variables y el área bajo la curva Receiver Operating Characteristic fue del 82%. Conclusión: hubo el desarrollo de un modelo predictivo, demostrando que es posible entrenar algoritmos con datos del expediente electrónico del paciente para predecir la carga de trabajo de enfermería y que las herramientas de inteligencia artificial pueden ser efectivas para la automatización de esta actividad.

Objetivo: descrever o desenvolvimento de um modelo classificador preditivo da carga de trabalho de enfermagem, utilizando inteligência artificial. Método: estudo observacional retrospectivo, em fontes secundárias de registros eletrônicos de pacientes, com uso de aprendizado de máquina. A amostra por conveniência constituiu-se de 43.871 avaliações realizadas por enfermeiras assistenciais com o Sistema de Classificação de Pacientes de Perroca, as quais serviram como padrão ouro, e os dados clínicos do prontuário eletrônico de 11.774 pacientes, que constituíram as variáveis. Para a organização dos dados e a realização das análises, utilizou-se a plataforma de ciência de dados Dataiku ® . A análise dos dados ocorreu de forma exploratória, descritiva e preditiva. Estudo aprovado pelo Comitê de Ética e Pesquisa da instituição campo do estudo. Resultados: o uso de inteligência artificial possibilitou o desenvolvimento do modelo classificador de avaliação da carga de trabalho de enfermagem, identificando as variáveis que mais contribuíram para a sua predição. O algoritmo classificou corretamente 72% das variáveis e a área sob a curva Receiver Operating Characteristic foi de 82%. Conclusão: houve o desenvolvimento de um modelo preditivo, demonstrando que é possível treinar algoritmos com dados do prontuário eletrônico do paciente para predizer a carga de trabalho de enfermagem e que as ferramentas da inteligência artificial podem ser efetivas para a automatização desta atividade.

Assuntos

RESUMO

Introducción: Los métodos de aprendizaje automático permiten manejar datos estructurados y no estructurados para construir modelos predictivos y apoyar la toma de decisiones. Objetivo: Identificar los métodos de aprendizaje automático aplicados para predecir el comportamiento epidemiológico de enfermedades arbovirales utilizando datos de vigilancia epidemiológica. Metodología: Se realizó búsqueda en EMBASE y PubMed, análisis bibliométrico y síntesis de la información. Resultados: Se seleccionaron 41 documentos, todos publicados en la última década. La palabra clave más frecuente fue dengue. La mayoría de los autores (88,3 %) participó en un artículo de investigación. Se encontraron 16 métodos de aprendizaje automático, el más frecuente fue Red Neuronal Artificial, seguido de Máquinas de Vectores de Soporte. Conclusiones: En la última década se incrementó la publicación de trabajos que pretenden predecir el comportamiento epidemiológico de arbovirosis por medio de diversos métodos de aprendizaje automático que incorporan series de tiempo de los casos, variables climatológicas, y otras fuentes de información de datos abiertos.

Introduction: Machine learning methods allow to manipulate structured and unstructured data to build predictive models and support decision-making. Objective: To identify machine learning methods applied to predict the epidemiological behavior of vector-borne diseases using epidemiological surveillance data. Methodology: A literature search in EMBASE and PubMed, bibliometric analysis, and information synthesis were performed. Results: A total of 41 papers were selected, all of them were published in the last decade. The most frequent keyword was dengue. Most authors (88.3 %) participated in a research article. Sixteen machine learning methods were found, the most frequent being Artificial Neural Network, followed by Support Vector Machines. Conclusions: In the last decade there has been an increase in the number of articles that aim to predict the epidemiological behavior of vector-borne diseases using by means of various machine learning methods that incorporate time series of cases, climatological variables, and other sources of open data information.

Assuntos

RESUMO

Introducción: La gran diversidad de especies maderables tropicales demanda el desarrollo de nuevas tecnologías de identificación con base en sus patrones o características anatómicas. La aplicación de redes neuronales convolucionales (CNN) para el reconocimiento de especies maderables tropicales se ha incrementado en los últimos años por sus resultados prometedores. Objetivo: Evaluamos la calidad de las imágenes macroscópicas con tres herramientas de corte para mejorar la visualización y distinción de las características anatómicas en el entrenamiento del modelo CNN. Métodos: Recolectamos las muestras entre el 2020 y 2021 en áreas de explotación forestal y aserraderos de Selva Central, Perú. Luego, las dimensionamos y, previo a la identificación botánica y anatómica, las cortamos en secciones transversales. Generamos una base de datos de imágenes macroscópicas de la sección transversal de la madera, a través del corte, con tres herramientas para ver su rendimiento en el laboratorio, campo y puesto de control. Resultados: Usamos tres herramientas de corte para obtener una alta calidad de imágenes transversales de la madera; obtuvimos 3 750 imágenes macroscópicas con un microscopio portátil que corresponden a 25 especies maderables. El cuchillo ''Tramontina'' es duradero, pero pierde el filo con facilidad y se necesita una herramienta para afilar, el cúter retráctil ''Pretul'' es adecuado para madera suave y dura en muestras pequeñas de laboratorio; el cuchillo ''Ubermann'' es apropiado para el campo, laboratorio y puesto de control, porque tiene una envoltura duradera y láminas intercambiables en caso de pérdida de filo. Conclusiones: La calidad de las imágenes es decisiva en la clasificación de especies maderables, porque permite una mejor visualización y distinción de las características anatómicas en el entrenamiento con los modelos de red neuronal convolucional EfficientNet B0 y Custom Vision, lo cual se evidenció en las métricas de precisión.

Introduction: The great diversity of tropical timber species demands the development of new technologies capable of identifying them based on their patterns or anatomical characteristics. The application of convolutional neural networks (CNN) for the recognition of tropical timber species has increased in recent years due to the promising results of CNNs. Objective: To evaluate the quality of macroscopic images with three cutting tools to improve the visualization and distinction of anatomical features in the CNN model training. Methods: Samples were collected from 2020 to 2021 in areas of logging and sawmills in the Central Jungle, Peru. They were later sized and, after botanical and anatomical identification, cut in cross sections. A database of macroscopic images of the cross-section of wood was generated through cutting with three different tools and observing its performance in the laboratory, field, and checkpoint. Results: Using three cutting tools, we obtained high quality images of the cross section of wood; 3 750 macroscopic images were obtained with a portable microscope and correspond to 25 timber species. We found the ''Tramontina'' knife to be durable, however, it loses its edge easily and requires a sharpening tool, the ''Pretul'' retractable cutter is suitable for cutting soft and hard wood in small laboratory samples and finally the ''Ubermann'' knife is suitable for use in the field, laboratory, and checkpoint, because it has a durable sheath and interchangeable blades in case of dullness. Conclusion: The quality of the images is decisive in the classification of timber species, because it allows a better visualization and distinction of the anatomical characteristics in training with the EfficientNet B0 and Custom Vision convolutional neural network models, which was evidenced in the precision metrics.

Assuntos

RESUMO

RESUMEN Introducción: la preeclampsia (PE) es la principal causa de morbimortalidad materno-fetal en nuestro país. Alteraciones hemodinámicas precoces durante el embarazo podrían predecir la evolución a PE. El machine learning (ML) permite el hallazgo de patrones ocultos que podrían detectar precozmente el desarrollo de PE. Objetivos: desarrollar un árbol de clasificación con variables de hemodinamia no invasiva para predecir precozmente desarrollo de PE. Material y métodos: estudio observacional prospectivo con embarazadas de alto riesgo (n=1155) derivadas del servicio de Obstetricia desde enero 2016 a octubre 2022 para el muestreo de entrenamiento por ML con árbol de clasificación j48. Se seleccionaron 112 embarazadas entre semanas 10 a 16, sin tratamiento farmacológico y que completaron el seguimiento con el término de su embarazo con evento final combinado (PE): preeclampsia, eclampsia y síndrome HELLP. Se evaluaron simultáneamente con cardiografía de impedancia y velocidad de onda del pulso y con monitoreo ambulatorio de presión arterial de 24 hs (MAPA). Resultados: presentaron PE 17 pacientes (15,18%). Se generó un árbol de clasificación predictivo con las siguientes variables: índice de complacencia arterial (ICA), índice cardíaco (IC), índice de trabajo sistólico (ITS), cociente de tiempos eyectivos (CTE), índice de Heather (IH). Se clasificaron correctamente el 93,75%; coeficiente Kappa 0,70, valor predictivo positivo (VPP) 0,94 y negativo (VPN) 0,35. Precisión 0,94, área bajo la curva ROC 0,93. Conclusión: las variables ICA, IC, ITS, CTE e IH predijeron en nuestra muestra el desarrollo de PE con excelente discriminación y precisión, de forma precoz, no invasiva, segura y con bajo costo.

ABSTRACT Background: Preeclampsia (PE) is the main cause of maternal-fetal morbidity and mortality in our country. Early hemodynamic changes during pregnancy could predict progression to PE. Machine learning (ML) enables the discovery of hidden patterns that could early detect PE development. Objectives: The aim of this study was to build a classification tree with non-invasive hemodynamic variables for the early prediction of PE occurrence. Results: Seventeen patients (15.18%) presented PE. A predictive classification tree was generated with arterial compliance index (ACI), cardiac index (CI), cardiac work index (CWI), ejective time ratio (ETR), and Heather index (HI). A total of 93.75% patients were correctly classified (Kappa 0.70, positive predictive value 0.94 and negative predictive value 0.35; accuracy 0.94, and area under the ROC curve 0.93). Conclusion: ACI, CI, CWI, ETR and HI variables predicted the early development of PE in our sample with excellent discrimination and accuracy, non-invasively, safely and at low cost.