Desarrollo de una aplicación por medio de un método de machine learning para la asistencia en la detección temprana del túnel carpiano
Este proyecto está enfocado en el desarrollo de un aplicativo basado en un algoritmo de Machine Learning para la asistencia en la detección temprana del síndrome del túnel carpiano. Para alcanzar este objetivo se construyó una base de datos, la cual fue elaborada por los autores de este proyecto con...
- Autores:
-
Prado Sarria, Juan José
Rodríguez Escobar, Julian Andrés
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2021
- Institución:
- Universidad Autónoma de Occidente
- Repositorio:
- RED: Repositorio Educativo Digital UAO
- Idioma:
- spa
- OAI Identifier:
- oai:red.uao.edu.co:10614/13530
- Acceso en línea:
- https://hdl.handle.net/10614/13530
https://red.uao.edu.co/
- Palabra clave:
- Ingeniería Mecatrónica
Ingeniería Biomédica
Síndrome del túnel carpiano
Aprendizaje automático (Inteligencia artificial)
Redes neurales (Computadores)
Machine learning
Neural networks (Computer science)
Regresión logística
Red neuronal multicapa
Curvas ROC
Multilayer Neural Network
Máquinas soporte vectorial
Machine learning
ROC Curves
Vector support machines
Logistic regression
- Rights
- openAccess
- License
- Derechos reservados - Universidad Autónoma de Occidente, 2021
| id |
REPOUAO2_7ed4f6a369043437b83945d28ab8529f |
|---|---|
| oai_identifier_str |
oai:red.uao.edu.co:10614/13530 |
| network_acronym_str |
REPOUAO2 |
| network_name_str |
RED: Repositorio Educativo Digital UAO |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Desarrollo de una aplicación por medio de un método de machine learning para la asistencia en la detección temprana del túnel carpiano |
| title |
Desarrollo de una aplicación por medio de un método de machine learning para la asistencia en la detección temprana del túnel carpiano |
| spellingShingle |
Desarrollo de una aplicación por medio de un método de machine learning para la asistencia en la detección temprana del túnel carpiano Ingeniería Mecatrónica Ingeniería Biomédica Síndrome del túnel carpiano Aprendizaje automático (Inteligencia artificial) Redes neurales (Computadores) Machine learning Neural networks (Computer science) Regresión logística Red neuronal multicapa Curvas ROC Multilayer Neural Network Máquinas soporte vectorial Machine learning ROC Curves Vector support machines Logistic regression |
| title_short |
Desarrollo de una aplicación por medio de un método de machine learning para la asistencia en la detección temprana del túnel carpiano |
| title_full |
Desarrollo de una aplicación por medio de un método de machine learning para la asistencia en la detección temprana del túnel carpiano |
| title_fullStr |
Desarrollo de una aplicación por medio de un método de machine learning para la asistencia en la detección temprana del túnel carpiano |
| title_full_unstemmed |
Desarrollo de una aplicación por medio de un método de machine learning para la asistencia en la detección temprana del túnel carpiano |
| title_sort |
Desarrollo de una aplicación por medio de un método de machine learning para la asistencia en la detección temprana del túnel carpiano |
| dc.creator.fl_str_mv |
Prado Sarria, Juan José Rodríguez Escobar, Julian Andrés |
| dc.contributor.advisor.none.fl_str_mv |
Ramírez Moreno, David Fernando |
| dc.contributor.author.none.fl_str_mv |
Prado Sarria, Juan José Rodríguez Escobar, Julian Andrés |
| dc.subject.spa.fl_str_mv |
Ingeniería Mecatrónica Ingeniería Biomédica Síndrome del túnel carpiano |
| topic |
Ingeniería Mecatrónica Ingeniería Biomédica Síndrome del túnel carpiano Aprendizaje automático (Inteligencia artificial) Redes neurales (Computadores) Machine learning Neural networks (Computer science) Regresión logística Red neuronal multicapa Curvas ROC Multilayer Neural Network Máquinas soporte vectorial Machine learning ROC Curves Vector support machines Logistic regression |
| dc.subject.armarc.spa.fl_str_mv |
Aprendizaje automático (Inteligencia artificial) Redes neurales (Computadores) |
| dc.subject.armarc.eng.fl_str_mv |
Machine learning Neural networks (Computer science) |
| dc.subject.proposal.spa.fl_str_mv |
Regresión logística Red neuronal multicapa Curvas ROC Multilayer Neural Network |
| dc.subject.proposal.eng.fl_str_mv |
Máquinas soporte vectorial Machine learning ROC Curves Vector support machines Logistic regression |
| description |
Este proyecto está enfocado en el desarrollo de un aplicativo basado en un algoritmo de Machine Learning para la asistencia en la detección temprana del síndrome del túnel carpiano. Para alcanzar este objetivo se construyó una base de datos, la cual fue elaborada por los autores de este proyecto con información suministrada por un médico fisiatra quien realiza exámenes de electromiografía en su consultorio. Se proponen 3 algoritmos de Machine Learning elaborados a partir de librerías especializadas; el primer algoritmo propuesto es una red neuronal multicapa (MLP) en la cual se obtuvo una exactitud del 85.67% en validación; el segundo algoritmo propuesto es implementado en máquinas de soporte vectorial (SVM) cuya exactitud en validación alcanza 86.31%; el tercer algoritmo propuesto se desarrolla a partir de la regresión logística, alcanzando una exactitud del 78.34% en validación. Por último, se implementó una red neuronal multicapa (MLP) sin uso de librerías especializadas, en la cual se obtuvo una exactitud en validación del 83.75%. Por consiguiente, el algoritmo de Machine Learning que presentó un mejor rendimiento y funcionamiento a partir del análisis de métricas como son la precisión, sensibilidad, especificidad, PPV, NPV, F1-Score y análisis de las curvas ROC; es la red neuronal multicapa (MLP) elaborada a partir de librerías especializadas, siendo adecuada para la elaboración del aplicativo, permitiendo brindarle al especialista una asistencia en la detección de la enfermedad de forma clara y rápida. |
| publishDate |
2021 |
| dc.date.issued.none.fl_str_mv |
2021-12-06 |
| dc.date.accessioned.none.fl_str_mv |
2022-01-11T15:37:36Z |
| dc.date.available.none.fl_str_mv |
2022-01-11T15:37:36Z |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_71e4c1898caa6e32 |
| dc.type.coar.eng.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.eng.fl_str_mv |
Text |
| dc.type.driver.eng.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.redcol.eng.fl_str_mv |
https://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/10614/13530 |
| dc.identifier.instname.spa.fl_str_mv |
Universidad Autónoma de Occidente |
| dc.identifier.reponame.spa.fl_str_mv |
Repositorio Educativo Digital |
| dc.identifier.repourl.spa.fl_str_mv |
https://red.uao.edu.co/ |
| url |
https://hdl.handle.net/10614/13530 https://red.uao.edu.co/ |
| identifier_str_mv |
Universidad Autónoma de Occidente Repositorio Educativo Digital |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.cites.spa.fl_str_mv |
Prado Sarria, J. J. y Rodríguez Escobar, J. A. (2021). Desarrollo de una aplicación por medio de un método de machine learning para la asistencia en la detección temprana del túnel carpiano. [Tesis de Pregrado. Universidad Autónoma de Occidente]. https://hdl.handle.net/10614/13530 |
| dc.relation.references.none.fl_str_mv |
[1] I. Oficina Internacional del Trabajo, “Lista de Enfermedades Profesionales (revisada 2010),” Ginebra, 2010. Accessed: Apr. 14, 2020. [En linea]. Disponible en: https://www.ilo.org/wcmsp5/groups/public/---ed_protect/---protrav/---safework/documents/publication/wcms_150327.pdf [2] A. Felipe Sánchez Medina, “Prevalence of Musculoskeletal Disorders on Workers of a Trading Company of Pharmaceutical Products Prevalência de desordens musculoesqueléticas em trabalhadores de uma empresa de comércio de produtos farmacêuticos,” Rev. Cienc. Salud. Bogotá, Colomb., vol. 16, no. 2, pp. 203–218, doi: 10.12804/revistas.urosario.edu.co/revsalud/a.6766. [3] Y. L. Vargas Chavez, “Perfil de salud laboral en Colombia a partir del análisis y caracterización de la enfermedad laboral reportada en el Sistema General de Riesgos Laborales. Periodo 2004 – 2014,” Universidad Nacional de Colombia, 2018. [4] R. Alejandro and O. Acosta, “Criterios para la evaluación de un programa para la prevención de los desórdenes músculoesqueléticos en entornos laborales,” 2014. [5] M. Maravalle, F. Ricca, B. Simeone, and V. Spinelli, “Carpal Tunnel Syndrome automatic classification: electromyography vs. ultrasound imaging,” TOP, vol. 23, no. 1, pp. 100–123, 2015, doi: 10.1007/s11750-014-0325-0. [6] I. P. Kleggetveit and E. Jørum, “Diagnosis of carpal tunnel syndrome,” Scand. J. Pain, vol. 18, no. 3, pp. 333–337, 2018, doi: 10.1515/sjpain-2018-0089. [7] M. H. Horng, C. W. Yang, Y. N. Sun, and T. H. Yang, “DeepNerve: A New Convolutional Neural Network for the Localization and Segmentation of the Median Nerve in Ultrasound Image Sequences,” Ultrasound Med. Biol., vol. 00, no. 00, pp. 1–14, 2020, doi: 10.1016/j.ultrasmedbio.2020.03.017. [8] J. I. Vargas Lopez, “Propuesta Para La Prevencion Del Sindrome Túnel Del Carpo Mediante La Aplicación De La Tecnología De Termografía Infrarroja,” Universidad Católica De Colombia, 2017. [9] M. Policy and U. S. Food, “Neurophysiologic testing and monitoring,” 2019. [10] M. H. Alanazy, “Clinical and electrophysiological evaluation of carpal tunnel syndrome: Approach and pitfalls,” Neurosciences, vol. 22, no. 3, pp. 169–180, 2017, doi: 10.17712/nsj.2017.3.20160638. [11] K. E. Leblanc and W. Cestia, “Carpal tunnel syndrome,” Am. Fam. Physician, vol. 83, no. 8, pp. 952–958, 2011, doi: 10.1016/j.yhls.2011.04.073. [12] Y. W. Wang, R. F. Chang, Y. S. Horng, and C. J. Chen, “MNT-DeepSL: Median nerve tracking from carpal tunnel ultrasound images with deep similarity learning and analysis on continuous wrist motions,” Comput. Med. Imaging Graph., vol. 80, p. 101687, 2020, doi: 10.1016/j.compmedimag.2019.101687. [13] G. Díaz Martínez, R. Moracén, O. Calisté Manzano, D. Yadira del Pilar Fong Berguelich, I. Gamboa Santana, and D. Odalis De Dios Savignon, “Sindrome De Tunel De Carpo. Diagnostico Ultrasonografico Y Electromiografico,” Rev. Inf. Científica, vol. 63, no. 3, 2009. [14] J. Hurwitz and D. Kirsch, Machine Learning For Dummies, vol. 35, no. 5. John Wiley & Sons, Inc., 2018. [15] N. Sáenz Bajo and M. Alvaro Ballesteros, “Redes neuronales: concepto, aplicaciones y utilidad en medicina,” Aten. Primaria, vol. 30, no. 2, pp. 119–120, 2002, doi: 10.1016/s0212-6567(02)78981-6. [16] I. Ozsahin and D. Uzun Ozsahin, Neural network applications in medicine. Elsevier Inc., 2020. [17] K. Ilbay, E. D. Übeyli, G. Ilbay, and F. Budak, “Recurrent neural networks for diagnosis of carpal tunnel syndrome using electrophysiologic findings,” J. Med. Syst., vol. 34, no. 4, pp. 643–650, 2010, doi: 10.1007/s10916-009-9277-6. [18] R. Sayin, S. Keskin, and M. Hamamci, “Evaluation of several classification methods in carpal tunnel syndrome,” J. Pak. Med. Assoc., vol. 67, no. 11, pp. 1654– 1657, 2017. [19] G. Thibodeau and K. Patton, Anatomía y Fisiología, Sexta Edic. Barcelona, España: Elsevier Inc, 2007. [20] D. R. Ramirez et al., “La mano. Aspectos anatómicos I. Generalidades, osteología y artrología,” Morfolia, vol. 12, no. 1, pp. 11–30, 2020. [21] A. Martinez and T. Alcantara, “Las Lesiones De La Mano En Urgencias,” Med. Integr., vol. 38, no. 8, pp. 363–372, 2001. [22] C. E. Medina Gonzales, M. Rodriguez Benet, and F. Maritnez Marco, “El complejo articular de la muñeca: aspectos anatofisiológicos y biomecánicos, características, clasificación y tratamiento de la fractura distal del radio,” MediSur, vol. 14, no. 4, pp. 430–446, 2016, Accessed: Mar. 01, 2021. [En linea]. Disponible en: http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1727- 897X2016000400011. [23] J. Rosa, “Semiologia De Antebrazo, Muñeca Y Mano,” La Habana, 2015. [24] C. A. Alva Coras, “Procesamiento de señales de electromiografia supercial para la deteccion de movimiento de dos dedos de la mano,” Universidad Ricardo Palma, 2012. [25] C. Alemán, R. Álvarez, and C. Santos, “Neuroconducción, electromiografía, estimulación repetitiva, reflejo h, onda f, reflejo de parpadeo.” [26] Síndrome del Túnel del Carpo - M Clínica. [27] R. Lopez, Machine Learning - Libro En linea de IAAR. Buenos Aires: GitHub. [28] E. F. Caicedo B and J. A. López S, Una aproximación práctica a las redes neuronales artificiales. Cali, Colombia: Universidad del Valle Programa Editorial, 2009. [29] A. Valdez, “Machine Learning para Todos,” ResearchGate, 2019. doi: 10.13140/RG.2.2.13786.70086. [30] S. Haykin, Neural Networks and Learning Machines, Tercera Ed., vol. 1– 3. Pearson, 2009. [31] F. Izaurieta and C. Saavedra, “Redes Neuronales Artificiales,” Concepción, Chile, 1999. doi: 10.1016/S0210-5691(05)74198-X. [32] N. Sánchez Anzola, “Máquinas de soporte vectorial y redes neuronales artificiales en la predicción del movimiento USD/COP spot intradiario,” Odeon, no. 9, pp. 113–172, 2015, doi: 10.18601/17941113.n9.04. [33] E. Andrade, “Estudio de los principales tipos de redes neuronales y las herramientas para su aplicación,” Universidad Politécnica Salesiana, 2013. [34] D. Alba and J. Calle, “Aplicación de técnicas de machine learning basado en información sísmica para profundizar la probabilidad de terremotos mediante el uso de regresión logística y redes neuronales,” Universidad de Guayaquil, 2016. [35] J. F. Lopez Silva, “Evaluación de Métodos de Aprendizaje Automático Aplicados al Proceso de Detección de Bacteria - Bacteriófago,” Universidad Autónoma de Occidente, 2019. [36] J. Cerda and L. Cifuentes, “Uso de curvas ROC en investigación clínica. Aspectos teórico-prácticos,” Rev. Chil. Infectol., vol. 29, no. 2, pp. 138–141, 2011, doi: 10.4067/S0716-10182012000200003. [37] F. Pedregosa et al., “sklearn.neural_network.MLPClassifier — scikit-learn 0.24.2 documentation.” https://sc |
| dc.rights.spa.fl_str_mv |
Derechos reservados - Universidad Autónoma de Occidente, 2021 |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.uri.eng.fl_str_mv |
https://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.rights.accessrights.eng.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 |
Derechos reservados - Universidad Autónoma de Occidente, 2021 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 |
92 páginas |
| dc.format.mimetype.eng.fl_str_mv |
application/pdf |
| dc.coverage.spatial.none.fl_str_mv |
Universidad Autónoma de Occidente, Cll 25 # 115-85 Km 2 Vía Cali - Jamundi |
| dc.publisher.spa.fl_str_mv |
Universidad Autónoma de Occidente |
| dc.publisher.program.spa.fl_str_mv |
Ingeniería Biomédica |
| dc.publisher.department.spa.fl_str_mv |
Departamento de Automática y Electrónica |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.place.spa.fl_str_mv |
Cali |
| institution |
Universidad Autónoma de Occidente |
| bitstream.url.fl_str_mv |
https://red.uao.edu.co/bitstreams/80bc24ab-a237-41e4-b849-2075617e45b1/download https://red.uao.edu.co/bitstreams/04b5b907-1091-4fd8-8735-5aceb27fb329/download https://red.uao.edu.co/bitstreams/badaaaab-7a05-4a12-ba6a-a5b0a79c2ec7/download https://red.uao.edu.co/bitstreams/3a072ed7-651c-49f4-a609-d807cab3214c/download https://red.uao.edu.co/bitstreams/62560f05-a9f4-4d48-8c88-e65994f635ac/download https://red.uao.edu.co/bitstreams/c836e490-bd3c-46e3-956c-f24464751b39/download https://red.uao.edu.co/bitstreams/61962f67-52bb-443d-a6e7-7bedf4c2980f/download |
| bitstream.checksum.fl_str_mv |
20b5ba22b1117f71589c7318baa2c560 557038d1a2cba817a854221e395fad36 f8d0bc49c8759852a1b7559d87b42ee5 19049c1a31656ba73f5c20b5c21f7cc8 55c7f632528328801392f2ed91ed337b c2080e99184423fe9eedcefb92dc1a0c 298ea7617c3bcd2d96062e02a85cc4a2 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Digital Universidad Autonoma de Occidente |
| repository.mail.fl_str_mv |
repositorio@uao.edu.co |
| _version_ |
1808478738959040512 |
| spelling |
Ramírez Moreno, David Fernandovirtual::4290-1Prado Sarria, Juan José09b9f35198fa3b575c2331ae44508881Rodríguez Escobar, Julian Andrés91a50d22ee3282de8b6bd1e411415408Universidad Autónoma de Occidente, Cll 25 # 115-85 Km 2 Vía Cali - Jamundi2022-01-11T15:37:36Z2022-01-11T15:37:36Z2021-12-06https://hdl.handle.net/10614/13530Universidad Autónoma de OccidenteRepositorio Educativo Digitalhttps://red.uao.edu.co/Este proyecto está enfocado en el desarrollo de un aplicativo basado en un algoritmo de Machine Learning para la asistencia en la detección temprana del síndrome del túnel carpiano. Para alcanzar este objetivo se construyó una base de datos, la cual fue elaborada por los autores de este proyecto con información suministrada por un médico fisiatra quien realiza exámenes de electromiografía en su consultorio. Se proponen 3 algoritmos de Machine Learning elaborados a partir de librerías especializadas; el primer algoritmo propuesto es una red neuronal multicapa (MLP) en la cual se obtuvo una exactitud del 85.67% en validación; el segundo algoritmo propuesto es implementado en máquinas de soporte vectorial (SVM) cuya exactitud en validación alcanza 86.31%; el tercer algoritmo propuesto se desarrolla a partir de la regresión logística, alcanzando una exactitud del 78.34% en validación. Por último, se implementó una red neuronal multicapa (MLP) sin uso de librerías especializadas, en la cual se obtuvo una exactitud en validación del 83.75%. Por consiguiente, el algoritmo de Machine Learning que presentó un mejor rendimiento y funcionamiento a partir del análisis de métricas como son la precisión, sensibilidad, especificidad, PPV, NPV, F1-Score y análisis de las curvas ROC; es la red neuronal multicapa (MLP) elaborada a partir de librerías especializadas, siendo adecuada para la elaboración del aplicativo, permitiendo brindarle al especialista una asistencia en la detección de la enfermedad de forma clara y rápida.This project is focused on the development of an application based on a Machine Learning algorithm to assist in the early detection of carpal tunnel syndrome. To achieve this objective, a database was built, which was prepared by the authors of this project with the information provided by a physiatrist who performs electromyography examinations in his office. 3 Machine Learning algorithms elaborated from specialized libraries are proposed; The first algorithm proposed is a multilayer neural network (MLP) in which accuracy of 85.67% was obtained in validation; the second algorithm proposed is implemented in vector support machines (SVM) whose validation accuracy reaches 86.31%; the third algorithm proposed is developed from logistic regression, reaching an accuracy of 78.34% in validation. Finally, a multilayer neural network (MLP) was implemented without the use of specialized libraries, in which a validation accuracy of 83.75% was obtained. Consequently, the Machine Learning algorithm that presented better performance and operation from the analysis of metrics such as precision, sensitivity, specificity, PPV, NPV, F1-Score, and analysis of the ROC curves; is the multilayer neural network (MLP) elaborated from specialized libraries, being suitable for the elaboration of the application, allowing to offer the specialist assistance in the detection of the disease clearly and quickly.Proyecto de grado (Ingeniero Mecatrónico)-- Universidad Autónoma de Occidente, 2021Proyecto de grado (Ingeniero Biomédico)-- Universidad Autónoma de Occidente, 2021PregradoIngeniero(a) Biomédico(a)92 páginasapplication/pdfspaUniversidad Autónoma de OccidenteIngeniería BiomédicaDepartamento de Automática y ElectrónicaFacultad de IngenieríaCaliDerechos reservados - Universidad Autónoma de Occidente, 2021https://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_abf2Ingeniería MecatrónicaIngeniería BiomédicaSíndrome del túnel carpianoAprendizaje automático (Inteligencia artificial)Redes neurales (Computadores)Machine learningNeural networks (Computer science)Regresión logísticaRed neuronal multicapaCurvas ROCMultilayer Neural NetworkMáquinas soporte vectorialMachine learningROC CurvesVector support machinesLogistic regressionDesarrollo de una aplicación por medio de un método de machine learning para la asistencia en la detección temprana del túnel carpianoTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttps://purl.org/redcol/resource_type/TPhttp://purl.org/coar/version/c_71e4c1898caa6e32Prado Sarria, J. J. y Rodríguez Escobar, J. A. (2021). Desarrollo de una aplicación por medio de un método de machine learning para la asistencia en la detección temprana del túnel carpiano. [Tesis de Pregrado. Universidad Autónoma de Occidente]. https://hdl.handle.net/10614/13530[1] I. Oficina Internacional del Trabajo, “Lista de Enfermedades Profesionales (revisada 2010),” Ginebra, 2010. Accessed: Apr. 14, 2020. [En linea]. Disponible en: https://www.ilo.org/wcmsp5/groups/public/---ed_protect/---protrav/---safework/documents/publication/wcms_150327.pdf[2] A. Felipe Sánchez Medina, “Prevalence of Musculoskeletal Disorders on Workers of a Trading Company of Pharmaceutical Products Prevalência de desordens musculoesqueléticas em trabalhadores de uma empresa de comércio de produtos farmacêuticos,” Rev. Cienc. Salud. Bogotá, Colomb., vol. 16, no. 2, pp. 203–218, doi: 10.12804/revistas.urosario.edu.co/revsalud/a.6766.[3] Y. L. Vargas Chavez, “Perfil de salud laboral en Colombia a partir del análisis y caracterización de la enfermedad laboral reportada en el Sistema General de Riesgos Laborales. Periodo 2004 – 2014,” Universidad Nacional de Colombia, 2018.[4] R. Alejandro and O. Acosta, “Criterios para la evaluación de un programa para la prevención de los desórdenes músculoesqueléticos en entornos laborales,” 2014.[5] M. Maravalle, F. Ricca, B. Simeone, and V. Spinelli, “Carpal Tunnel Syndrome automatic classification: electromyography vs. ultrasound imaging,” TOP, vol. 23, no. 1, pp. 100–123, 2015, doi: 10.1007/s11750-014-0325-0.[6] I. P. Kleggetveit and E. Jørum, “Diagnosis of carpal tunnel syndrome,” Scand. J. Pain, vol. 18, no. 3, pp. 333–337, 2018, doi: 10.1515/sjpain-2018-0089.[7] M. H. Horng, C. W. Yang, Y. N. Sun, and T. H. Yang, “DeepNerve: A New Convolutional Neural Network for the Localization and Segmentation of the Median Nerve in Ultrasound Image Sequences,” Ultrasound Med. Biol., vol. 00, no. 00, pp. 1–14, 2020, doi: 10.1016/j.ultrasmedbio.2020.03.017.[8] J. I. Vargas Lopez, “Propuesta Para La Prevencion Del Sindrome Túnel Del Carpo Mediante La Aplicación De La Tecnología De Termografía Infrarroja,” Universidad Católica De Colombia, 2017.[9] M. Policy and U. S. Food, “Neurophysiologic testing and monitoring,” 2019.[10] M. H. Alanazy, “Clinical and electrophysiological evaluation of carpal tunnel syndrome: Approach and pitfalls,” Neurosciences, vol. 22, no. 3, pp. 169–180, 2017, doi: 10.17712/nsj.2017.3.20160638.[11] K. E. Leblanc and W. Cestia, “Carpal tunnel syndrome,” Am. Fam. Physician, vol. 83, no. 8, pp. 952–958, 2011, doi: 10.1016/j.yhls.2011.04.073.[12] Y. W. Wang, R. F. Chang, Y. S. Horng, and C. J. Chen, “MNT-DeepSL: Median nerve tracking from carpal tunnel ultrasound images with deep similarity learning and analysis on continuous wrist motions,” Comput. Med. Imaging Graph., vol. 80, p. 101687, 2020, doi: 10.1016/j.compmedimag.2019.101687.[13] G. Díaz Martínez, R. Moracén, O. Calisté Manzano, D. Yadira del Pilar Fong Berguelich, I. Gamboa Santana, and D. Odalis De Dios Savignon, “Sindrome De Tunel De Carpo. Diagnostico Ultrasonografico Y Electromiografico,” Rev. Inf. Científica, vol. 63, no. 3, 2009.[14] J. Hurwitz and D. Kirsch, Machine Learning For Dummies, vol. 35, no. 5. John Wiley & Sons, Inc., 2018.[15] N. Sáenz Bajo and M. Alvaro Ballesteros, “Redes neuronales: concepto, aplicaciones y utilidad en medicina,” Aten. Primaria, vol. 30, no. 2, pp. 119–120, 2002, doi: 10.1016/s0212-6567(02)78981-6.[16] I. Ozsahin and D. Uzun Ozsahin, Neural network applications in medicine. Elsevier Inc., 2020.[17] K. Ilbay, E. D. Übeyli, G. Ilbay, and F. Budak, “Recurrent neural networks for diagnosis of carpal tunnel syndrome using electrophysiologic findings,” J. Med. Syst., vol. 34, no. 4, pp. 643–650, 2010, doi: 10.1007/s10916-009-9277-6.[18] R. Sayin, S. Keskin, and M. Hamamci, “Evaluation of several classification methods in carpal tunnel syndrome,” J. Pak. Med. Assoc., vol. 67, no. 11, pp. 1654– 1657, 2017.[19] G. Thibodeau and K. Patton, Anatomía y Fisiología, Sexta Edic. Barcelona, España: Elsevier Inc, 2007.[20] D. R. Ramirez et al., “La mano. Aspectos anatómicos I. Generalidades, osteología y artrología,” Morfolia, vol. 12, no. 1, pp. 11–30, 2020.[21] A. Martinez and T. Alcantara, “Las Lesiones De La Mano En Urgencias,” Med. Integr., vol. 38, no. 8, pp. 363–372, 2001.[22] C. E. Medina Gonzales, M. Rodriguez Benet, and F. Maritnez Marco, “El complejo articular de la muñeca: aspectos anatofisiológicos y biomecánicos, características, clasificación y tratamiento de la fractura distal del radio,” MediSur, vol. 14, no. 4, pp. 430–446, 2016, Accessed: Mar. 01, 2021. [En linea]. Disponible en: http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1727- 897X2016000400011.[23] J. Rosa, “Semiologia De Antebrazo, Muñeca Y Mano,” La Habana, 2015.[24] C. A. Alva Coras, “Procesamiento de señales de electromiografia supercial para la deteccion de movimiento de dos dedos de la mano,” Universidad Ricardo Palma, 2012.[25] C. Alemán, R. Álvarez, and C. Santos, “Neuroconducción, electromiografía, estimulación repetitiva, reflejo h, onda f, reflejo de parpadeo.”[26] Síndrome del Túnel del Carpo - M Clínica.[27] R. Lopez, Machine Learning - Libro En linea de IAAR. Buenos Aires: GitHub.[28] E. F. Caicedo B and J. A. López S, Una aproximación práctica a las redes neuronales artificiales. Cali, Colombia: Universidad del Valle Programa Editorial, 2009.[29] A. Valdez, “Machine Learning para Todos,” ResearchGate, 2019. doi: 10.13140/RG.2.2.13786.70086.[30] S. Haykin, Neural Networks and Learning Machines, Tercera Ed., vol. 1– 3. Pearson, 2009.[31] F. Izaurieta and C. Saavedra, “Redes Neuronales Artificiales,” Concepción, Chile, 1999. doi: 10.1016/S0210-5691(05)74198-X.[32] N. Sánchez Anzola, “Máquinas de soporte vectorial y redes neuronales artificiales en la predicción del movimiento USD/COP spot intradiario,” Odeon, no. 9, pp. 113–172, 2015, doi: 10.18601/17941113.n9.04.[33] E. Andrade, “Estudio de los principales tipos de redes neuronales y las herramientas para su aplicación,” Universidad Politécnica Salesiana, 2013.[34] D. Alba and J. Calle, “Aplicación de técnicas de machine learning basado en información sísmica para profundizar la probabilidad de terremotos mediante el uso de regresión logística y redes neuronales,” Universidad de Guayaquil, 2016.[35] J. F. Lopez Silva, “Evaluación de Métodos de Aprendizaje Automático Aplicados al Proceso de Detección de Bacteria - Bacteriófago,” Universidad Autónoma de Occidente, 2019.[36] J. Cerda and L. Cifuentes, “Uso de curvas ROC en investigación clínica. Aspectos teórico-prácticos,” Rev. Chil. Infectol., vol. 29, no. 2, pp. 138–141, 2011, doi: 10.4067/S0716-10182012000200003.[37] F. Pedregosa et al., “sklearn.neural_network.MLPClassifier — scikit-learn 0.24.2 documentation.” https://scGeneralPublicationhttps://scholar.google.com/citations?user=RTce1fkAAAAJ&hl=esvirtual::4290-10000-0003-2372-3554virtual::4290-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000353744virtual::4290-161e20236-82c5-4dcc-b05c-0eaa9ac06b11virtual::4290-161e20236-82c5-4dcc-b05c-0eaa9ac06b11virtual::4290-1LICENSElicense.txtlicense.txttext/plain; charset=utf-81665https://red.uao.edu.co/bitstreams/80bc24ab-a237-41e4-b849-2075617e45b1/download20b5ba22b1117f71589c7318baa2c560MD53ORIGINALT10057_Desarrollo de una aplicación por medio de un método de machine learning para la asistencia en la detección temprana del túnel carpiano.pdfT10057_Desarrollo de una aplicación por medio de un método de machine learning para la asistencia en la detección temprana del túnel carpiano.pdfTexto archivo completo del trabajo de grado, PDFapplication/pdf1395233https://red.uao.edu.co/bitstreams/04b5b907-1091-4fd8-8735-5aceb27fb329/download557038d1a2cba817a854221e395fad36MD54TA10057_Autorización trabajo de grado.pdfTA10057_Autorización trabajo de grado.pdfAutorización publicación del trabajo de gradoapplication/pdf259903https://red.uao.edu.co/bitstreams/badaaaab-7a05-4a12-ba6a-a5b0a79c2ec7/downloadf8d0bc49c8759852a1b7559d87b42ee5MD55TEXTT10057_Desarrollo de una aplicación por medio de un método de machine learning para la asistencia en la detección temprana del túnel carpiano.pdf.txtT10057_Desarrollo de una aplicación por medio de un método de machine learning para la asistencia en la detección temprana del túnel carpiano.pdf.txtExtracted texttext/plain124225https://red.uao.edu.co/bitstreams/3a072ed7-651c-49f4-a609-d807cab3214c/download19049c1a31656ba73f5c20b5c21f7cc8MD56TA10057_Autorización trabajo de grado.pdf.txtTA10057_Autorización trabajo de grado.pdf.txtExtracted texttext/plain4080https://red.uao.edu.co/bitstreams/62560f05-a9f4-4d48-8c88-e65994f635ac/download55c7f632528328801392f2ed91ed337bMD58THUMBNAILT10057_Desarrollo de una aplicación por medio de un método de machine learning para la asistencia en la detección temprana del túnel carpiano.pdf.jpgT10057_Desarrollo de una aplicación por medio de un método de machine learning para la asistencia en la detección temprana del túnel carpiano.pdf.jpgGenerated Thumbnailimage/jpeg7296https://red.uao.edu.co/bitstreams/c836e490-bd3c-46e3-956c-f24464751b39/downloadc2080e99184423fe9eedcefb92dc1a0cMD57TA10057_Autorización trabajo de grado.pdf.jpgTA10057_Autorización trabajo de grado.pdf.jpgGenerated Thumbnailimage/jpeg13611https://red.uao.edu.co/bitstreams/61962f67-52bb-443d-a6e7-7bedf4c2980f/download298ea7617c3bcd2d96062e02a85cc4a2MD5910614/13530oai:red.uao.edu.co:10614/135302024-03-13 17:03:50.815https://creativecommons.org/licenses/by-nc-nd/4.0/Derechos reservados - Universidad Autónoma de Occidente, 2021open.accesshttps://red.uao.edu.coRepositorio Digital Universidad Autonoma de Occidenterepositorio@uao.edu.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 |