No abstract

Artificial intelligence techniques have been positioned in the resolution of problems in various areas of healthcare. Clinical decision support systems developed from this technology have optimized the healthcare of patients with chronic diseases through mobile applications. In this study, several models based on this methodology have been developed to calculate the basal insulin dose in patients with type I diabetes using subcutaneous insulin infusion pumps. Methods. A pilot experimental study was performed with data from 56 patients with type 1 diabetes who used insulin infusion pumps and underwent continuous glucose monitoring. Several models based on artificial intelligence techniques were developed to analyze glycemic patterns based on continuous glucose monitoring and clinical variables in order to estimate the basal insulin dose. We used neural networks (NNs), Bayesian networks (BNs), support vector machines (SVMs), and random forests (RF). We then evaluated the agreement between predicted and actual values using several statistical error measurements: mean absolute error (MAE), mean square error (MSE), root-mean-square error (RMSE), Pearson’s correlation coefficient (R), and determination coefficient (R2). Results. Twenty-four different models were obtained, one for each hour of the day, with each chosen technique. Correlation coefficients obtained with RF, SVMs, NNs, and BNs were 0.9999, 0.9921, 0.0303, and 0.7754, respectively. The error increased between 06:00 and 07:00 and between 13:00 and 17:00. Conclusions. The performance of the RF technique was excellent and got very close to the actual values. Intelligence techniques could be used to predict basal insulin dose. However, it is necessary to explore the validity of the results and select the target population. Models that allow for more accurate levels of prediction should be further explored.

En este artículo se presenta un nuevo método para la detección de homólogos remotos en proteínas llamado CDA (Análisis de Distribución de Característica). El método CDA utiliza distribuciones de las propiedades fisicoquímicas de los aminoácidos para cada proteína. Dadas las secuencias de entrenamiento de una familia SCOP (Clasificación Estructural de Proteínas), se calcula su correspondiente distribución característica promediando los valores de las distribuciones para las proteínas que la componen. La hipótesis en esta investigación es que cada familia de proteínas F tiene una distribución característica que separa sus secuencias del resto de las proteínas en un conjunto de datos. Se seleccionó un conjunto de 72 propiedades fisicoquímicas para crear diferentes distribuciones características de la misma familia. Cada distribución característica se usa como un clasificador de familias SCOP. Por último, se utiliza una clasificador Bayesiano para combinar la información de los clasificadores individuales y obtener una mejor decisión. Encontramos que cada familia tiene un conjunto de propiedades fisicoquímicas que permiten una mejor discriminación de sus secuencias. El método CDA alcanza una tasa de aciertos positivos de 0,793, una tasa de falsos positivos de 0,005 y un puntaje ROC de 0,918. El método propuesto mejora la precisión de algunas de las estrategias existentes tales como SVM-PCD y SVM-RQA.

No abstract

Las técnicas de inteligencia artificial como las redes neuronales artificiales (RNA) permiten resolver una gran variedad de problemas relacionados con diferentes áreas del conocimiento tales como la medicina, la Bioinformática e incluso las telecomunicaciones. En muchos casos, las redes neuronales se utilizan para predecir el comportamiento de una variable con base en datos históricos previos y en un conjunto de variables predictoras. En este artículo se aborda el problema particular de la reconstrucción de información faltante de las estaciones meteorológicas utilizando RNAs. La falta de este tipo de información afecta principalmente los estudios climáticos en los que se utiliza información meteorológica. Estos estudios pueden permitir evitar las amenazas significativas en el desarrollo sustentable de nuestra sociedad, los recursos naturales, especies y la misma vida del ser humano. En este artículo se proponen modelos basados en redes neuronales artificiales e información satelital para el llenado de datos faltantes en las estaciones meteorológicas y reconstrucción espacial de las variables de precipitación y temperatura para la región de Departamento de Valle del Cauca, Colombia. Los resultados obtenidos alcanzan los coeficientes de correlación de alrededor de 0.9, con errores más pronunciados en cerca de 50 mm/mes en precipitación y 2 °C en temperatura.