303 research outputs found
Valoración microbiológica de queso costeño artesanal y evaluación higiénico-locativa de expendios en Córdoba, Colombia
No full textObjetivo Realizar análisis microbiológico del queso costeño artesanal que se consume en las cabeceras municipales del departamento de Córdoba y evaluar las condicioneshigiénico-locativas existentes en expendios que favorecen su contaminación.Métodos Se realizó una investigación exploratoria y descriptiva en 120 expendios registrados en la Secretaria de Salud Departamental, de los 28 municipios del departamento de Córdoba-Colombia, durante los años 2012-2013. Se evaluaron las características organolépticas de 360 muestras y, mediante análisis microbiológico se determinó la presencia de coliformes totales, fecales, Staphylococcus coagulasa positiva y hongos. Los resultados se analizaron utilizando estadísticas univariadas y bivariadas con sus respectivas medidas de asociación según la naturaleza de cada variable (Programa EPI-INFO V. 6.04®).Resultados La valoración microbiológica de las 360 muestras demostró la contaminación con valores no aptos para el consumo, equivalentes a: coliformes totales (97,5 %), coliformes fecales (88,9 %), Staphylococcus coagulasa positiva (41,4 %), mohos (40,4 %) y levaduras (96,1 %). Entre las significancias observadas como factores predisponentes para su contaminación resaltan la carencia de registros sanitarios en los expendios, inadecuada limpieza de pisos, paredes y techos, condicionesde exposición, ventilación, iluminación y manipulación inadecuada del producto.Conclusión La significativa carga microbiológica observada en los quesos examinados y su valoración como no aptos para el consumo humano refleja las deficiencias higiénicas en la manipulación del producto, que asociada a los defectos locativos existentes en los sitios donde se comercializa, representa un riesgo para la salud del consumidor.</jats:p
Implementación de mapas cognitivos difusos con algoritmos genéticos para predecir diabetes mellitus tipo 2
No full textLa diabetes mellitus tipo 2 es una enfermedad crónica no transmisible, causada por un trastorno en el metabolismo de la glucosa, que provoca un aumento anormal de su concentración en la sangre. El diagnóstico tardío de esta enfermedad contribuye al aumento de las tasas de morbilidad y mortalidad a nivel mundial. El desarrollo de modelos basados en inteligencia artificial para la predicción de diabetes podría acelerar el diagnóstico. Por tanto, el objetivo del presente estudio fue implementar un modelo de predicción de diabetes mellitus tipo 2 basado en mapas cognitivos difusos entrenado con un algoritmo genético. La metodología empleada consistió en utilizar un conjunto de datos del Instituto Nacional de Diabetes y Enfermedades Digestivas y Renales de la población de indios PIMA, que contiene información demográfica y clínica de 768 pacientes. El 70 % de los datos se empleó para el entrenamiento y validación, y el 30 % restante se utilizó para las pruebas de rendimiento. El modelo de mapas cognitivos difusos puede predecir la enfermedad con un 99 % de exactitud, 98 % de precisión y recall de 100 %. Se concluye que el modelo presenta una buena capacidad para predecir y evaluar el comportamiento de las variables de interés en la diabetes mellitus tipo 2, mostrando su valor como herramienta de soporte en la identificación oportuna de la enfermedad y apoyo a la toma de decisiones por parte del profesional médico
Using Computational Simulations Based on Fuzzy Cognitive Maps to Detect Dengue Complications
No full textDengue remains a globally prevalent and potentially fatal disease, affecting millions of people worldwide each year. Early and accurate detection of dengue complications is crucial to improving clinical outcomes and reducing the burden on healthcare systems. In this study, we explore the use of computational simulations based on fuzzy cognitive maps (FCMs) to improve the detection of dengue complications. We propose an innovative approach that integrates clinical data into a computational model that mimics the decision-making process of a medical expert. Our method uses FCMs to model complexity and uncertainty in dengue. The model was evaluated in simulated scenarios with each of the dengue classifications. These maps allow us to represent and process vague and fuzzy information effectively, capturing relationships that often go unnoticed in conventional approaches. The results of the simulations show the potential of our approach to detecting dengue complications. This innovative strategy has the potential to transform the way clinical management of dengue is approached. This research is a starting point for further development of complication detection approaches for events of public health concern, such as dengue
Implementación de mapas cognitivos difusos con algoritmos genéticos para predecir diabetes mellitus tipo 2
No full textType 2 diabetes mellitus is a chronic non-communicable disease caused by a disorder in glucose metabolism, which results in an abnormal increase in glucose concentration in the blood. The late diagnosis of this disease contributes to the increased worldwide rates of morbidity and mortality. The development of models based on artificial intelligence for the prediction of diabetes could accelerate diagnosis. Therefore, the aim of the present study was to develop a prediction model for type 2 diabetes mellitus based on fuzzy cognitive maps trained with a genetic algorithm. The methodology employed consisted of using a dataset from the National Institute of Diabetes and Digestive and Kidney Diseases PIMA Indian population, which contains demographic and clinical information from 768 patients. For training and validation, 70 % of the data was used and the remaining 30 % was used for performance testing. The fuzzy cognitive map model can predict the disease with 99 % accuracy, 98 % precision, and 100 % recall. It is concluded that the model presents a good ability to predict and evaluate the behavior of the variables of interest in type 2 diabetes mellitus, showing its value as a support tool for the timely identification of the disease and support for decision making by the physician.La diabetes mellitus tipo 2 es una enfermedad crónica no transmisible, causada por un trastorno en el metabolismo de la glucosa, que provoca un aumento anormal de su concentración en la sangre. El diagnóstico tardío de esta enfermedad contribuye al aumento de las tasas de morbilidad y mortalidad a nivel mundial. El desarrollo de modelos basados en inteligencia artificial para la predicción de diabetes podría acelerar el diagnóstico. Por tanto, el objetivo del presente estudio fue implementar un modelo de predicción de diabetes mellitus tipo 2 basado en mapas cognitivos difusos entrenado con un algoritmo genético. La metodología empleada consistió en utilizar un conjunto de datos del Instituto Nacional de Diabetes y Enfermedades Digestivas y Renales de la población de indios PIMA, que contiene información demográfica y clínica de 768 pacientes. El 70 % de los datos se empleó para el entrenamiento y validación, y el 30 % restante se utilizó para las pruebas de rendimiento. El modelo de mapas cognitivos difusos puede predecir la enfermedad con un 99 % de exactitud, 98 % de precisión y recall de 100 %. Se concluye que el modelo presenta una buena capacidad para predecir y evaluar el comportamiento de las variables de interés en la diabetes mellitus tipo 2, mostrando su valor como herramienta de soporte en la identificación oportuna de la enfermedad y apoyo a la toma de decisiones por parte del profesional médico
Author Correction: A portrait of the Higgs boson by the CMS experiment ten years after the discovery
No full textIn the version of this article initially published, CMS Collaboration author names, affiliations and acknowledgements were omitted and have now been included in the HTML and PDF versions of the articl
VALUATION OF GROUNDWATER QUALITY CONTINGENT VALUES, PUBLIC POLICY NEEDS, AND DAMAGE FUNCTIONS
No full textIn a departure from past contingent valuation research of groundwater quality, this paper estimates a damage function for nitrate exposures based on actual water test results of individual wells. From the perspective of reliability, it is argued that such a full information approach more closely represents the goal of valuation research in this area -to estimate the economic values that people would place on improving water quality if they were actually experiencing contaminated water. The adoption of a damage function approach linking willingness to pay to actual exposures is also more useful to policy makers at the study site because it potentially provides benefit information to a broad range of policy options. Finally, because the damage function is based on objective data that could be obtained from other sources such as local well test programs, such an approach may be desirable from a benefits transfer perspective. Damages, as measured by willingness to pay for protecting individual well supplies within a 10 mg/L NO,-N health standards are estimated to be a concave function of nitrate exposure levels.Resource /Energy Economics and Policy,
Measurement of exclusive Upsilon photoproduction from protons in pPb collisions at root s(NN) = 5.02 TeV (vol 79, 277, 2019)
No full textIn this article the author name Luigi Calligaris was incorrectly written as A. Calligaris. The original article has been corrected
Measurement of the top quark mass with lepton+jets final states using pp collisions at root s = 13TeV (vol 78, 891, 2018)
No full textIn this article the author name Luigi Calligaris was incorrectly written as A. Calligaris. The original article has been corrected
Search for new physics in dijet angular distributions using proton-proton collisions at root s = 13TeV and constraints on dark matter and other models (vol 78, 789, 2018)
No full textIn this article the author name Luigi Calligaris was incorrectly written as A. Calligaris. The original article has been corrected
Erratum to: Search for new physics in dijet angular distributions using proton-proton collisions at
No full textErratum to: Eur. Phys. J. C (2018) 78:789 https://doi.org/10.1140/epjc/s10052-018-6242-x
In this article the author name Luigi Calligaris was incorrectly written as A. Calligaris. The original article has been
corrected
- …
