Implementación de arquitectura para aplicación móvil como herramienta de detección de Leishmaniasis cutánea y otras enfermedades parasitarias

La Leishmaniasis es una enfermedad infecciosa causada por la picadura de un insecto endémico de las regiones tropicales y mediterráneas. En Colombia, la Leishmaniasis Cutánea se asocia comúnmente con territorios abandonados, pobres y en conflicto. El siguiente proyecto desarrolla una arquitectura pa...

Full description

Autores:
Pérez Fonseca, Nicolás
Jaime Castañeda, Noah Daniela
Romero Torres, Juan David
Talero Peñuela, Angel David
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2023
Institución:
Pontificia Universidad Javeriana
Repositorio:
Repositorio Universidad Javeriana
Idioma:
spa
OAI Identifier:
oai:repository.javeriana.edu.co:10554/67405
Acceso en línea:
http://hdl.handle.net/10554/67405
Palabra clave:
Computación en la nube
Macrófagos
Desarrollo móvil
Inteligencia artificial
Macrófagos
Cloud Computing
Macrophages
Mobile development
Artificial Intelligence
Macrophages
Ingeniería de sistemas - Tesis y disertaciones académicas
Aplicaciones móviles
Inteligencia artificial
Desarrollo móvil
Rights
openAccess
License
Atribución-NoComercial-SinDerivadas 4.0 Internacional
Description
Summary:La Leishmaniasis es una enfermedad infecciosa causada por la picadura de un insecto endémico de las regiones tropicales y mediterráneas. En Colombia, la Leishmaniasis Cutánea se asocia comúnmente con territorios abandonados, pobres y en conflicto. El siguiente proyecto desarrolla una arquitectura para apoyar el diagnóstico de Leishmaniasis cutánea mediante el uso de un modelo de identificación de macrófagos como validación de la arquitectura. La solución incluye una aplicación de Android para realizar un seguimiento de los registros del paciente en una base de datos SQL local. La aplicación también permite al especialista tomar fotografías de las muestras del paciente para enviarlas al modelo de identificación de macrófagos alojado en AWS para procesar las imágenes una por una y enviar los resultados. La arquitectura desarrollada es extensible ya que se pueden cargar más enfermedades en la aplicación y también se pueden agregar más modelos a la nube de AWS.