Mostrar o rexistro simple do ítem
Análisis de datos multimodales para la toma de decisiones clínicas utilizando Inteligencia Artificial en el contexto de la COVID-19
dc.contributor.author | Iglesias Morís, Daniel | |
dc.contributor.author | Moura, Joaquim de | |
dc.contributor.author | Marcos, Pedro J. | |
dc.contributor.author | Míguez-Rey, Enrique | |
dc.contributor.author | Novo Buján, Jorge | |
dc.contributor.author | Ortega Hortas, Marcos | |
dc.date.accessioned | 2024-05-23T07:53:55Z | |
dc.date.available | 2024-05-23T07:53:55Z | |
dc.date.issued | 2023-12-14 | |
dc.identifier.citation | D. I. Morís, J. de Moura, P. J. Marcos, E. Míguez-Rey, J. Novo, and M. Ortega, "Análisis de datos multimodales para la toma de decisiones clínicas utilizando Inteligencia Artificial en el contexto de la COVID-19", BioIntegraSaúde (BIS 2023), 14 de decembro de 2023, A Coruña, 2023. | es_ES |
dc.identifier.uri | http://hdl.handle.net/2183/36588 | |
dc.description | BIOINTEGRASAÚDE 2023, celebrada en A Coruña o día 14 de Decembro de 2023, organizada polo Instituto de Investigación Biomédica da Coruña (INIBIC), o Instituto de Investigación Sanitaria de Santiago de Compostela (IDIS) e o Instituto de Investigación Sanitaria Galicia Sur (IISGS) | es_ES |
dc.description.abstract | [Abstract]: La COVID-19 es una enfermedad pulmonar infecciosa causante de la pandemia mundial del año 2020. En los momentos críticos de las emergencias sanitarias, el equipo médico debe tomar decisiones importantes en un contexto de recursos limitados. En este contexto, los métodos de diagnóstico asistido por ordenador pueden ayudar en esa toma de decisiones, permitiendo identificar a los pacientes de alto riesgo. Esto se puede realizar utilizando información extraída de historiales clínicos electrónicos, tests de laboratorio o estudios de imagen. En este trabajo, presentamos un nuevo método eficiente y totalmente automático para estimar el riesgo de pacientes COVID-19, utilizando la fusión de datos multimodales con características clínicas y características profundas extraídas a partir de imágenes de radiografía torácica. Esta estimación se efectúa en 2 escenarios críticos: riesgo de hospitalización y riesgo de fallecimiento. Los resultados demuestran un gran desempeño por parte de los clasificadores, estimando ambos riesgos con una gran precisión y utilizando únicamente un subconjunto muy reducido de un conjunto de características originales notablemente más extenso. Esta reducción de la dimensionalidad en el conjunto de datos es muy ventajosa en escenarios donde los recursos computacionales son limitados. Este método totalmente automático presenta un potencial prometedor para mejorar el proceso de toma de decisiones clínicas y una mejor gestión de los recursos médicos, no solo en el contexto de la COVID-19 sino también en otros escenarios clínicos. | es_ES |
dc.description.sponsorship | Este trabajo está financiado por el Ministerio de Ciencia e Innovación, Gobierno de España por medio del proyecto de investigación con los códigos [RTI2018-095894-B-I00, PID2019-108435RB-I00, TED2021-131201B-I00 y PDC2022-133132-I00]; Consellería de Educación, Universidade e Formación Profesional, Xunta de Galicia, Grupos de Referencia Competitiva, [código ED431C 2020/24], ayuda predoctoral [código ED481A 2021/196]. | es_ES |
dc.description.sponsorship | Xunta de Galicia; ED481A 2021/196 | es_ES |
dc.description.sponsorship | Xunta de Galicia; ED431C 2020/24 | es_ES |
dc.language.iso | spa | es_ES |
dc.relation | info:eu-repo/grantAgreement/AEI/Plan Estatal de Investigación Científica y Técnica y de Innovación 2017-2020/RTI2018-095894-B-I00/ES/DESARROLLO DE TECNOLOGIAS INTELIGENTES PARA DIAGNOSTICO DE LA DMAE BASADAS EN EL ANALISIS AUTOMATICO DE NUEVAS MODALIDADES HETEROGENEAS DE ADQUISICION DE IMAGEN OFTALMOLOGICA | es_ES |
dc.relation | info:eu-repo/grantAgreement/AEI/Plan Estatal de Investigación Científica y Técnica y de Innovación 2017-2020/PID2019-108435RB-I00/ES/CUANTIFICACIÓN Y CARACTERIZACIÓN COMPUTACIONAL DE IMAGEN MULTIMODAL OFTALMOLÓGICA: ESTUDIOS EN ESCLEROSIS MÚLTIPLE | es_ES |
dc.relation | info:eu-repo/grantAgreement/AEI/Plan Estatal de Investigación Científica y Técnica y de Innovación 2021-2023/TED2021-131201B-I00/ES/DIAGNÓSTICO DIGITAL: TRANSFORMACIÓN DE LA DETECCIÓN DE ENFERMEDADES NEUROVASCULARES Y DEL TRATAMIENTO DE LOS PACIENTES | es_ES |
dc.relation | info:eu-repo/grantAgreement/AEI/Plan Estatal de Investigación Científica y Técnica y de Innovación 2021-2024/PDC2022-133132-I00/ES/MEJORAS EN EL DIAGNÓSTICO E INVESTIGACIÓN CLÍNICO MEDIANTE TECNOLOGÍAS INTELIGENTES APLICADAS LA IMAGEN OFTALMOLÓGICA | es_ES |
dc.subject | Fusión de datos | es_ES |
dc.subject | Estimación de riesgo | es_ES |
dc.subject | Datos clínicos | es_ES |
dc.subject | Características profundas | es_ES |
dc.subject | COVID-19 | es_ES |
dc.subject | Radiología torácica | es_ES |
dc.title | Análisis de datos multimodales para la toma de decisiones clínicas utilizando Inteligencia Artificial en el contexto de la COVID-19 | es_ES |
dc.type | info:eu-repo/semantics/conferenceObject | es_ES |
dc.type | info:eu-repo/semantics/conferenceObject | es_ES |
dc.rights.access | info:eu-repo/semantics/openAccess | es_ES |
UDC.conferenceTitle | BIOINTEGRASAÚDE 2023 | es_ES |