Programa del congreso
Resúmenes y datos de las sesiones para este congreso. Seleccione una fecha o ubicación para mostrar solo las sesiones en ese día o ubicación. Seleccione una sola sesión para obtener una vista detallada (con resúmenes y descargas, si están disponibles).
|
Resumen diario |
| Sesión | |
|
Mi-P1: Sesión de pósteres I Lugar: Zona pósteres P1: Sesión de pósteres I | |
    | |
Aplicación de machine y deep learning para la predicción del estrés en cirugía de mínima invasión a través de la fusión de datos de EDA y ECG 1: Unidad de Bioingeniería y Tecnologías Médicas, Centro de Cirugía de Mínima Invasión Jesús Usón, Cáceres, España; 2: Escuela Politécnica, Universidad de Extremadura, Cáceres, España; 3: Dirección Científica, Centro de Cirugía de Mínima Invasión Jesús Usón, Cáceres, España El control de los parámetros relacionados con la actividad electrodermal (EDA) y del electrocardiograma (ECG) del cirujano pueden llegar a ser fundamentales para asegurar su salud durante la práctica quirúrgica mínimamente invasiva (CMI). Por ello, se observa la necesidad de estudiar estos factores de manera predictiva. El objetivo de este estudio es llevar a cabo una fusión de datos de los sensores EDA y ECG, de manera que, utilizando técnicas de machine learning (ML), se pueda determinar de manera automática situaciones de estrés, indicando advertencias o descansos durante las CMI con el fin de mejorar el desempeño quirúrgico. Para ello, se recopilaros datos durante 44 sesiones quirúrgicas completadas por 18 cirujanos. Una vez se recopilaron los datos de sensores EDA y ECG, se generó un dataset, sobre el que se aplicó una estrategia de fusión de datos. En este nuevo dataset se aplicaron dos técnicas de preprocesado, escalado y normalizado, obteniendo dos subconjuntos de datos que fueron divididos con un 80% de los datos para el entrenamiento y la validación cruzada y un 20% para test. Finalmente, sobre el conjunto de entrenamiento, se aplicaron cuatro técnicas de ML para obtener los modelos predictivos, los cuales fueron validados en el conjunto de test. Los resultados obtenidos mostraron que el modelo generado aplicando random forest alcanzo los mejores resultados. Dicho modelo fue validado correctamente, mostrando la posibilidad de predecir estos factores, previniendo riesgos para la salud del cirujano durante el desempeño quirúrgico, con el consiguiente beneficio para la calidad asistencial.
| |