Evaluación del clasificador Naïve Bayes como herramienta de diagnóstico en Unidades de Cuidado Intensivo

En el proceso de diagnóstico médico se busca identificar el estado de salud de un paciente. Sin embargo, la complejidad fisiológica del ser humano genera una amplia gama de condiciones difíciles de establecer por el personal médico en pacientes patológicos. En las unidades de cuidado intensivo, dond...

Full description

Autores:
Chaparro, Javier A.
Giraldo, Beatriz F.
Rondón, Susana
Tipo de recurso:
Article of investigation
Fecha de publicación:
2013
Institución:
Escuela Colombiana de Ingeniería Julio Garavito
Repositorio:
Repositorio Institucional ECI
Idioma:
spa
OAI Identifier:
oai:repositorio.escuelaing.edu.co:001/2312
Acceso en línea:
https://repositorio.escuelaing.edu.co/handle/001/2312
https://revistas.unbosque.edu.co/index.php/RevTec/issue/view/131
Palabra clave:
Unidades de cuidados intensivos
Diagnóstico
Teoría bayesiana de decisiones estadísticas
Cuidados intensivos respiratorios
Intensive care units
Diagnosis
Bayesian statistical decision theory
Respiratory intensive care
Flujo respiratorio
Diagnóstico clínico
Extubación de pacientes
Clasificador bayesiano
Airflow
Clinical diagnosis
Patient extubation
Bayesian classifier
Rights
openAccess
License
https://creativecommons.org/licenses/by-nc-nd/4.0/
id ESCUELAIG2_309756afb386340ae22889bc72cfb661
oai_identifier_str oai:repositorio.escuelaing.edu.co:001/2312
network_acronym_str ESCUELAIG2
network_name_str Repositorio Institucional ECI
repository_id_str
dc.title.spa.fl_str_mv Evaluación del clasificador Naïve Bayes como herramienta de diagnóstico en Unidades de Cuidado Intensivo
dc.title.alternative.eng.fl_str_mv Evaluation of the Naïve Bayes clasificator as a tool of diagnosisin the intensive care units
title Evaluación del clasificador Naïve Bayes como herramienta de diagnóstico en Unidades de Cuidado Intensivo
spellingShingle Evaluación del clasificador Naïve Bayes como herramienta de diagnóstico en Unidades de Cuidado Intensivo
Unidades de cuidados intensivos
Diagnóstico
Teoría bayesiana de decisiones estadísticas
Cuidados intensivos respiratorios
Intensive care units
Diagnosis
Bayesian statistical decision theory
Respiratory intensive care
Flujo respiratorio
Diagnóstico clínico
Extubación de pacientes
Clasificador bayesiano
Airflow
Clinical diagnosis
Patient extubation
Bayesian classifier
title_short Evaluación del clasificador Naïve Bayes como herramienta de diagnóstico en Unidades de Cuidado Intensivo
title_full Evaluación del clasificador Naïve Bayes como herramienta de diagnóstico en Unidades de Cuidado Intensivo
title_fullStr Evaluación del clasificador Naïve Bayes como herramienta de diagnóstico en Unidades de Cuidado Intensivo
title_full_unstemmed Evaluación del clasificador Naïve Bayes como herramienta de diagnóstico en Unidades de Cuidado Intensivo
title_sort Evaluación del clasificador Naïve Bayes como herramienta de diagnóstico en Unidades de Cuidado Intensivo
dc.creator.fl_str_mv Chaparro, Javier A.
Giraldo, Beatriz F.
Rondón, Susana
dc.contributor.author.none.fl_str_mv Chaparro, Javier A.
Giraldo, Beatriz F.
Rondón, Susana
dc.contributor.researchgroup.spa.fl_str_mv Grupo de Investigación Ecitrónica
dc.subject.armarc.spa.fl_str_mv Unidades de cuidados intensivos
Diagnóstico
Teoría bayesiana de decisiones estadísticas
Cuidados intensivos respiratorios
topic Unidades de cuidados intensivos
Diagnóstico
Teoría bayesiana de decisiones estadísticas
Cuidados intensivos respiratorios
Intensive care units
Diagnosis
Bayesian statistical decision theory
Respiratory intensive care
Flujo respiratorio
Diagnóstico clínico
Extubación de pacientes
Clasificador bayesiano
Airflow
Clinical diagnosis
Patient extubation
Bayesian classifier
dc.subject.armarc.eng.fl_str_mv Intensive care units
Diagnosis
Bayesian statistical decision theory
Respiratory intensive care
dc.subject.proposal.spa.fl_str_mv Flujo respiratorio
Diagnóstico clínico
Extubación de pacientes
Clasificador bayesiano
dc.subject.proposal.eng.fl_str_mv Airflow
Clinical diagnosis
Patient extubation
Bayesian classifier
description En el proceso de diagnóstico médico se busca identificar el estado de salud de un paciente. Sin embargo, la complejidad fisiológica del ser humano genera una amplia gama de condiciones difíciles de establecer por el personal médico en pacientes patológicos. En las unidades de cuidado intensivo, donde habitualmente se utiliza la ventilación asistida, se presenta un alto grado de incertidumbre a la hora de identificar el momento adecuado de retirar el ventilador mecánico. Teniendo en cuenta esta problemática, presentamos el diseño y evaluación de una herramienta basada en inferencia bayesiana que brinda información al médico sobre la viabilidad de tener una extubación exitosa. Para su diseño y validación se utilizó una base de datos con señales de flujo respiratorio compuesta por 98 pacientes exitosamente extubados, y 38 que fracasaron. Las señales fueron caracterizadas inicialmente con un grupo de series temporales, y posteriormente, el patrón respiratorio en los dos grupos de estudio fue analizado con técnicas estadísticas y de modelado autorregresivo. De este último proceso se derivo un grupo de variables con las cuales se diseñó un clasificador tipo Naive Bayes. Los resultados fueron medidos en función de la exactitud, sensibilidad y especificidad del clasificador, logrando un 78% en la primera medida y un 75% y 74% en las dos segundas.
publishDate 2013
dc.date.issued.none.fl_str_mv 2013
dc.date.accessioned.none.fl_str_mv 2023-05-09T20:16:06Z
dc.date.available.none.fl_str_mv 2023-05-09T20:16:06Z
dc.type.spa.fl_str_mv Artículo de revista
dc.type.coarversion.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.version.spa.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.coar.spa.fl_str_mv http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.content.spa.fl_str_mv Text
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/article
dc.type.redcol.spa.fl_str_mv http://purl.org/redcol/resource_type/ART
format http://purl.org/coar/resource_type/c_2df8fbb1
status_str publishedVersion
dc.identifier.issn.spa.fl_str_mv 1692-1399
dc.identifier.uri.none.fl_str_mv https://repositorio.escuelaing.edu.co/handle/001/2312
dc.identifier.url.none.fl_str_mv https://revistas.unbosque.edu.co/index.php/RevTec/issue/view/131
identifier_str_mv 1692-1399
url https://repositorio.escuelaing.edu.co/handle/001/2312
https://revistas.unbosque.edu.co/index.php/RevTec/issue/view/131
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.citationendpage.spa.fl_str_mv 93
dc.relation.citationissue.spa.fl_str_mv 2
dc.relation.citationstartpage.spa.fl_str_mv 87
dc.relation.citationvolume.spa.fl_str_mv 12
dc.relation.indexed.spa.fl_str_mv N/A
dc.relation.ispartofjournal.eng.fl_str_mv Revista de Tecnología
dc.relation.references.spa.fl_str_mv Xiao-Hua Zhou, Nancy A. Obuchowski, Donna K. McClish. “Statistical Methods in Diagnostic Medicine”. Wiley, 2011
Zweing, M. H., Campbell, “Reciever-Operating Characteristic Plots: a fundamental evaluation tool in clinical medicine”. 1993, Clinical Chemistry, pp. 1272-1276.
Bermejo Fraile B. “Epidemiología clínica aplicada a la toma de decisiones en medicina”. Departamento de Salud. Gobierno de Navarra; 2001
Ghosh A.K. “Understanding Medical Uncertainty: A Primer for Physicians”. Septiembre 2004, Journal of the Association of Physicians of India, Vol. 52.
Silva L., Muñoz A. “Debate sobre métodos frecuentistas vs bayesianos”. Santiago de Compostela : s.n., 2000. XVII Reunión Científica SEE. pp. 482-494.
M.J. Tobin, “Advances in mechanical ventilator”, N. Engl. J. Med., Vol. 344, no. 26, pp.1986-1996, 2001.
Bruce, E. Bruce, Measures of Respiratory Pattern Variability, Bioengineering Approaches to Pulmonary Physiology and Medicine, pp. 149-159. 1996.
Chaparro, Javier y Giraldo, Beatriz, Análisis y clasificación del patrón respiratorio de pacientes en proceso de retirada del ventilador mecánico,Revista de Ingeniería Biomédica, Vol. 10, pp. 42-48, 2010.
Box G., Jenkins G., Reinsel G. Time Series Analysis, Forescasting and Control. s.l. : Prentice Hall International Inc., 1994.
Daniel Peña y Gonzalo Arnáiz, “Criterios de selección de modelos ARIMA”, Trabajos de Estadística y de Investigación Operativa, Vol. 32, no. 1.pp 70 – 93, 1981.
Fernández, E “Análisis de clasificadores bayesianos”. Trabajo Final de Especialidad en Ingeniería de Sistemas Expertos. Escuela de Postgrado. Instituto Tecnológico de Buenos Aires. 2004.
Vega, D. A., “Clasificadores Bayesianos en la Selección Embrionaria en Tratamientos de Reproducción”. San Sebastián, España: Universidad del País Vasco. 2008.
Barrientos R., Cruz N., Acosta H., et al, “Evaluación del Potencial de Redes Bayesianas en la Clasificación de Datos Médicos”, Revista Médica de la Universidad de Veraxruzana. Vol. 1 no. 8. 2008.
Chaparro J., Giraldo B., “Performance of Respiratory Pattern in Classifiers for Predict Weaning Process”, Memorias 34th Conferencia Annual de la Sociedad EMB-IEEE. San Diego California. 2012.
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.uri.spa.fl_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.creativecommons.spa.fl_str_mv Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.extent.spa.fl_str_mv 7 páginas
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.publisher.spa.fl_str_mv Universidad El Bosque
dc.publisher.place.spa.fl_str_mv Bogotá
dc.source.spa.fl_str_mv https://revistas.unbosque.edu.co/index.php/RevTec/issue/view/131
institution Escuela Colombiana de Ingeniería Julio Garavito
bitstream.url.fl_str_mv https://repositorio.escuelaing.edu.co/bitstream/001/2312/4/Evaluaci%c3%b3n%20del%20clasificador%20Na%c3%afve%20Bayes%20como%20herramienta%20de%20diagn%c3%b3stico%20en%20Unidades%20de%20Cuidado%20Intensivo.pdf.jpg
https://repositorio.escuelaing.edu.co/bitstream/001/2312/3/Evaluaci%c3%b3n%20del%20clasificador%20Na%c3%afve%20Bayes%20como%20herramienta%20de%20diagn%c3%b3stico%20en%20Unidades%20de%20Cuidado%20Intensivo.pdf.txt
https://repositorio.escuelaing.edu.co/bitstream/001/2312/2/license.txt
https://repositorio.escuelaing.edu.co/bitstream/001/2312/1/Evaluaci%c3%b3n%20del%20clasificador%20Na%c3%afve%20Bayes%20como%20herramienta%20de%20diagn%c3%b3stico%20en%20Unidades%20de%20Cuidado%20Intensivo.pdf
bitstream.checksum.fl_str_mv 2f00464730ff1fd7e8d2ecaca55457d4
bc4a398932dc7d93cdc7acc5ae80a2c1
5a7ca94c2e5326ee169f979d71d0f06e
65883ec2ab2eebd8d532fc41d406a351
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Escuela Colombiana de Ingeniería Julio Garavito
repository.mail.fl_str_mv repositorio.eci@escuelaing.edu.co
_version_ 1808494277410422784
spelling Chaparro, Javier A.cb00ea7aeef23029941fc3e0cbe61491600Giraldo, Beatriz F.bc847576b2d8922bfb25e598e450d3aa600Rondón, Susana7c40ec5c88b4843100a4a8fe61cbaf18600Grupo de Investigación Ecitrónica2023-05-09T20:16:06Z2023-05-09T20:16:06Z20131692-1399https://repositorio.escuelaing.edu.co/handle/001/2312https://revistas.unbosque.edu.co/index.php/RevTec/issue/view/131En el proceso de diagnóstico médico se busca identificar el estado de salud de un paciente. Sin embargo, la complejidad fisiológica del ser humano genera una amplia gama de condiciones difíciles de establecer por el personal médico en pacientes patológicos. En las unidades de cuidado intensivo, donde habitualmente se utiliza la ventilación asistida, se presenta un alto grado de incertidumbre a la hora de identificar el momento adecuado de retirar el ventilador mecánico. Teniendo en cuenta esta problemática, presentamos el diseño y evaluación de una herramienta basada en inferencia bayesiana que brinda información al médico sobre la viabilidad de tener una extubación exitosa. Para su diseño y validación se utilizó una base de datos con señales de flujo respiratorio compuesta por 98 pacientes exitosamente extubados, y 38 que fracasaron. Las señales fueron caracterizadas inicialmente con un grupo de series temporales, y posteriormente, el patrón respiratorio en los dos grupos de estudio fue analizado con técnicas estadísticas y de modelado autorregresivo. De este último proceso se derivo un grupo de variables con las cuales se diseñó un clasificador tipo Naive Bayes. Los resultados fueron medidos en función de la exactitud, sensibilidad y especificidad del clasificador, logrando un 78% en la primera medida y un 75% y 74% en las dos segundas.In the process of medical diagnosis is to identify the health status of a patient. However, the complexity of the human physiological generates a variety of difficult conditions set by the medical staff in each patient. A high degree of uncertainty comes to identifying the right time to begin the withdrawal of mechanical ventilation in Intensive Care Units. Considering this problem, we present the design and evaluation of a Bayesian inference based tool that provides information to the physician about the feasibility of having a successful extubation. For design and validation database with respiratory flow signals composed successfully extubated 98 patients, 38 who failed was used. The signals were initially characterized with a group of time series, and then the breathing pattern in the two study groups was analyzed with statistical techniques and autoregressive modeling. This latter process a group of variables with which a Naive Bayes classifier type design was derived. Results were measured in terms of exactitude, sensitivity and specificity of the classifier, achieving 78% in the first step and 75% and 74% in the second two.7 páginasapplication/pdfspaUniversidad El BosqueBogotáhttps://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)http://purl.org/coar/access_right/c_abf2https://revistas.unbosque.edu.co/index.php/RevTec/issue/view/131Evaluación del clasificador Naïve Bayes como herramienta de diagnóstico en Unidades de Cuidado IntensivoEvaluation of the Naïve Bayes clasificator as a tool of diagnosisin the intensive care unitsArtículo de revistainfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_2df8fbb1Textinfo:eu-repo/semantics/articlehttp://purl.org/redcol/resource_type/ARThttp://purl.org/coar/version/c_970fb48d4fbd8a859328712N/ARevista de TecnologíaXiao-Hua Zhou, Nancy A. Obuchowski, Donna K. McClish. “Statistical Methods in Diagnostic Medicine”. Wiley, 2011Zweing, M. H., Campbell, “Reciever-Operating Characteristic Plots: a fundamental evaluation tool in clinical medicine”. 1993, Clinical Chemistry, pp. 1272-1276.Bermejo Fraile B. “Epidemiología clínica aplicada a la toma de decisiones en medicina”. Departamento de Salud. Gobierno de Navarra; 2001Ghosh A.K. “Understanding Medical Uncertainty: A Primer for Physicians”. Septiembre 2004, Journal of the Association of Physicians of India, Vol. 52.Silva L., Muñoz A. “Debate sobre métodos frecuentistas vs bayesianos”. Santiago de Compostela : s.n., 2000. XVII Reunión Científica SEE. pp. 482-494.M.J. Tobin, “Advances in mechanical ventilator”, N. Engl. J. Med., Vol. 344, no. 26, pp.1986-1996, 2001.Bruce, E. Bruce, Measures of Respiratory Pattern Variability, Bioengineering Approaches to Pulmonary Physiology and Medicine, pp. 149-159. 1996.Chaparro, Javier y Giraldo, Beatriz, Análisis y clasificación del patrón respiratorio de pacientes en proceso de retirada del ventilador mecánico,Revista de Ingeniería Biomédica, Vol. 10, pp. 42-48, 2010.Box G., Jenkins G., Reinsel G. Time Series Analysis, Forescasting and Control. s.l. : Prentice Hall International Inc., 1994.Daniel Peña y Gonzalo Arnáiz, “Criterios de selección de modelos ARIMA”, Trabajos de Estadística y de Investigación Operativa, Vol. 32, no. 1.pp 70 – 93, 1981.Fernández, E “Análisis de clasificadores bayesianos”. Trabajo Final de Especialidad en Ingeniería de Sistemas Expertos. Escuela de Postgrado. Instituto Tecnológico de Buenos Aires. 2004.Vega, D. A., “Clasificadores Bayesianos en la Selección Embrionaria en Tratamientos de Reproducción”. San Sebastián, España: Universidad del País Vasco. 2008.Barrientos R., Cruz N., Acosta H., et al, “Evaluación del Potencial de Redes Bayesianas en la Clasificación de Datos Médicos”, Revista Médica de la Universidad de Veraxruzana. Vol. 1 no. 8. 2008.Chaparro J., Giraldo B., “Performance of Respiratory Pattern in Classifiers for Predict Weaning Process”, Memorias 34th Conferencia Annual de la Sociedad EMB-IEEE. San Diego California. 2012.Unidades de cuidados intensivosDiagnósticoTeoría bayesiana de decisiones estadísticasCuidados intensivos respiratoriosIntensive care unitsDiagnosisBayesian statistical decision theoryRespiratory intensive careFlujo respiratorioDiagnóstico clínicoExtubación de pacientesClasificador bayesianoAirflowClinical diagnosisPatient extubationBayesian classifierTHUMBNAILEvaluación del clasificador Naïve Bayes como herramienta de diagnóstico en Unidades de Cuidado Intensivo.pdf.jpgEvaluación del clasificador Naïve Bayes como herramienta de diagnóstico en Unidades de Cuidado Intensivo.pdf.jpgGenerated Thumbnailimage/jpeg11380https://repositorio.escuelaing.edu.co/bitstream/001/2312/4/Evaluaci%c3%b3n%20del%20clasificador%20Na%c3%afve%20Bayes%20como%20herramienta%20de%20diagn%c3%b3stico%20en%20Unidades%20de%20Cuidado%20Intensivo.pdf.jpg2f00464730ff1fd7e8d2ecaca55457d4MD54open accessTEXTEvaluación del clasificador Naïve Bayes como herramienta de diagnóstico en Unidades de Cuidado Intensivo.pdf.txtEvaluación del clasificador Naïve Bayes como herramienta de diagnóstico en Unidades de Cuidado Intensivo.pdf.txtExtracted texttext/plain24400https://repositorio.escuelaing.edu.co/bitstream/001/2312/3/Evaluaci%c3%b3n%20del%20clasificador%20Na%c3%afve%20Bayes%20como%20herramienta%20de%20diagn%c3%b3stico%20en%20Unidades%20de%20Cuidado%20Intensivo.pdf.txtbc4a398932dc7d93cdc7acc5ae80a2c1MD53open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-81881https://repositorio.escuelaing.edu.co/bitstream/001/2312/2/license.txt5a7ca94c2e5326ee169f979d71d0f06eMD52open accessORIGINALEvaluación del clasificador Naïve Bayes como herramienta de diagnóstico en Unidades de Cuidado Intensivo.pdfEvaluación del clasificador Naïve Bayes como herramienta de diagnóstico en Unidades de Cuidado Intensivo.pdfArtículo de revistaapplication/pdf357516https://repositorio.escuelaing.edu.co/bitstream/001/2312/1/Evaluaci%c3%b3n%20del%20clasificador%20Na%c3%afve%20Bayes%20como%20herramienta%20de%20diagn%c3%b3stico%20en%20Unidades%20de%20Cuidado%20Intensivo.pdf65883ec2ab2eebd8d532fc41d406a351MD51open access001/2312oai:repositorio.escuelaing.edu.co:001/23122023-09-11 11:55:05.305open accessRepositorio Escuela Colombiana de Ingeniería Julio Garavitorepositorio.eci@escuelaing.edu.coU0kgVVNURUQgSEFDRSBQQVJURSBERUwgR1JVUE8gREUgUEFSRVMgRVZBTFVBRE9SRVMgREUgTEEgQ09MRUNDScOTTiAiUEVFUiBSRVZJRVciLCBPTUlUQSBFU1RBIExJQ0VOQ0lBLgoKQXV0b3Jpem8gYSBsYSBFc2N1ZWxhIENvbG9tYmlhbmEgZGUgSW5nZW5pZXLDrWEgSnVsaW8gR2FyYXZpdG8gcGFyYSBwdWJsaWNhciBlbCB0cmFiYWpvIGRlIGdyYWRvLCBhcnTDrWN1bG8sIHZpZGVvLCAKY29uZmVyZW5jaWEsIGxpYnJvLCBpbWFnZW4sIGZvdG9ncmFmw61hLCBhdWRpbywgcHJlc2VudGFjacOzbiB1IG90cm8gKGVuICAgIGFkZWxhbnRlIGRvY3VtZW50bykgcXVlIGVuIGxhIGZlY2hhIAplbnRyZWdvIGVuIGZvcm1hdG8gZGlnaXRhbCwgeSBsZSBwZXJtaXRvIGRlIGZvcm1hIGluZGVmaW5pZGEgcXVlIGxvIHB1YmxpcXVlIGVuIGVsIHJlcG9zaXRvcmlvIGluc3RpdHVjaW9uYWwsIAplbiBsb3MgdMOpcm1pbm9zIGVzdGFibGVjaWRvcyBlbiBsYSBMZXkgMjMgZGUgMTk4MiwgbGEgTGV5IDQ0IGRlIDE5OTMsIHkgZGVtw6FzIGxleWVzIHkganVyaXNwcnVkZW5jaWEgdmlnZW50ZQphbCByZXNwZWN0bywgcGFyYSBmaW5lcyBlZHVjYXRpdm9zIHkgbm8gbHVjcmF0aXZvcy4gRXN0YSBhdXRvcml6YWNpw7NuIGVzIHbDoWxpZGEgcGFyYSBsYXMgZmFjdWx0YWRlcyB5IGRlcmVjaG9zIGRlIAp1c28gc29icmUgbGEgb2JyYSBlbiBmb3JtYXRvIGRpZ2l0YWwsIGVsZWN0csOzbmljbywgdmlydHVhbDsgeSBwYXJhIHVzb3MgZW4gcmVkZXMsIGludGVybmV0LCBleHRyYW5ldCwgeSBjdWFscXVpZXIgCmZvcm1hdG8gbyBtZWRpbyBjb25vY2lkbyBvIHBvciBjb25vY2VyLgpFbiBtaSBjYWxpZGFkIGRlIGF1dG9yLCBleHByZXNvIHF1ZSBlbCBkb2N1bWVudG8gb2JqZXRvIGRlIGxhIHByZXNlbnRlIGF1dG9yaXphY2nDs24gZXMgb3JpZ2luYWwgeSBsbyBlbGFib3LDqSBzaW4gCnF1ZWJyYW50YXIgbmkgc3VwbGFudGFyIGxvcyBkZXJlY2hvcyBkZSBhdXRvciBkZSB0ZXJjZXJvcy4gUG9yIGxvIHRhbnRvLCBlcyBkZSBtaSBleGNsdXNpdmEgYXV0b3LDrWEgeSwgZW4gY29uc2VjdWVuY2lhLCAKdGVuZ28gbGEgdGl0dWxhcmlkYWQgc29icmUgw6lsLiBFbiBjYXNvIGRlIHF1ZWphIG8gYWNjacOzbiBwb3IgcGFydGUgZGUgdW4gdGVyY2VybyByZWZlcmVudGUgYSBsb3MgZGVyZWNob3MgZGUgYXV0b3Igc29icmUgCmVsIGRvY3VtZW50byBlbiBjdWVzdGnDs24sIGFzdW1pcsOpIGxhIHJlc3BvbnNhYmlsaWRhZCB0b3RhbCB5IHNhbGRyw6kgZW4gZGVmZW5zYSBkZSBsb3MgZGVyZWNob3MgYXF1w60gYXV0b3JpemFkb3MuIEVzdG8gCnNpZ25pZmljYSBxdWUsIHBhcmEgdG9kb3MgbG9zIGVmZWN0b3MsIGxhIEVzY3VlbGEgYWN0w7phIGNvbW8gdW4gdGVyY2VybyBkZSBidWVuYSBmZS4KVG9kYSBwZXJzb25hIHF1ZSBjb25zdWx0ZSBlbCBSZXBvc2l0b3JpbyBJbnN0aXR1Y2lvbmFsIGRlIGxhIEVzY3VlbGEsIGVsIENhdMOhbG9nbyBlbiBsw61uZWEgdSBvdHJvIG1lZGlvIGVsZWN0csOzbmljbywgCnBvZHLDoSBjb3BpYXIgYXBhcnRlcyBkZWwgdGV4dG8sIGNvbiBlbCBjb21wcm9taXNvIGRlIGNpdGFyIHNpZW1wcmUgbGEgZnVlbnRlLCBsYSBjdWFsIGluY2x1eWUgZWwgdMOtdHVsbyBkZWwgdHJhYmFqbyB5IGVsIAphdXRvci5Fc3RhIGF1dG9yaXphY2nDs24gbm8gaW1wbGljYSByZW51bmNpYSBhIGxhIGZhY3VsdGFkIHF1ZSB0ZW5nbyBkZSBwdWJsaWNhciB0b3RhbCBvIHBhcmNpYWxtZW50ZSBsYSBvYnJhIGVuIG90cm9zIAptZWRpb3MuRXN0YSBhdXRvcml6YWNpw7NuIGVzdMOhIHJlc3BhbGRhZGEgcG9yIGxhcyBmaXJtYXMgZGVsIChsb3MpIGF1dG9yKGVzKSBkZWwgZG9jdW1lbnRvLiAKU8OtIGF1dG9yaXpvIChhbWJvcykK

Publicaciones similares