1. Repositorio Institucional UAQ
  2. Tesis
  3. Facultad de Ingeniería
  4. Maestría
  5. Maestría en Ciencias (Mecatrónica)
Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/12595
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttps://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorLuis Alberto Morales Hernándezes_ES
dc.creatorMelissa Yamileth Pérez Cruzes_ES
dc.date.accessioned2026-01-23T20:45:05Z-
dc.date.available2026-01-23T20:45:05Z-
dc.date.issued2026-01-06-
dc.identifier.urihttps://ri-ng.uaq.mx/handle/123456789/12595-
dc.descriptionEl desarrollo de la Inteligencia Artificial (IA) y el Aprendizaje Máquina (AM) ofrece hoy en día la posibilidad de analizar grandes volúmenes de datos y obtener información valiosa que, de otro modo, sería inalcanzable. El uso de estas metodologías se ha extendido a múltiples campos, especialmente en la medicina, donde han demostrado ser altamente fiables al analizar datos de pacientes y proporcionar diagnósticos más exactos y precisos. El presente trabajo busca reducir las limitaciones asociadas con los métodos tradicionales de diagnóstico del Síndrome de Intestino Irritable (SII), una enfermedad que afecta a una gran parte de la población mundial y cuyo diagnóstico suele requerir tiempo, recursos y no siempre resulta suficientemente preciso. El objetivo fue desarrollar una herramienta basada en IA para el diagnóstico del SII. Para ello, se utilizó una base de datos pública con información sobre las abundancias bacterianas de 39 personas (30 con SII y 9 sanas), de la cual se obtuvieron seis indicadores estadísticos de cada filo bacteriano y cinco índices de diversidad por paciente. Con estos datos se entrenaron cuatro métodos de AM: Redes Neuronales Artificiales Multicapa (ANNMLP), Máquinas de Soporte Vectorial (SVM), Bosque Aleatorio (RF) y K Vecinos más Cercanos (KNN). Los modelos se evaluaron mediante matrices de confusión, obteniendo métricas de exactitud, precisión, sensibilidad y puntaje F1. Aunque el desempeño de los métodos varió, todos mostraron resultados satisfactorios; por ello, la herramienta desarrollada permite trabajar con los cuatro algoritmos, ofreciendo adaptabilidad si el usuario desea emplear diferentes bases de datos. En general, todos los métodos alcanzaron una exactitud del 92%; sin embargo, los mejores resultados se obtuvieron con las ANN-MLP y las SVM, que lograron una precisión del 100%, superando al método de diagnóstico más utilizado actualmente, el criterio de Roma IV, cuya precisión es del 82.4%.es_ES
dc.formatpdfes_ES
dc.format.extent1 recurso en línea (90 páginas)es_ES
dc.format.mediumcomputadoraes_ES
dc.language.isospaes_ES
dc.publisherUniversidad Autonoma de Querétaroes_ES
dc.relation.requiresSies_ES
dc.rightsopenAccesses_ES
dc.subjectInteligencia artificiales_ES
dc.subjectAnálisis de datoses_ES
dc.subjectAprendizaje máquinaes_ES
dc.subjectDiagnósticoes_ES
dc.subjectSíndrome de intestino irritablees_ES
dc.subject.classificationINGENIERÍA Y TECNOLOGÍAes_ES
dc.titleDesarrollo y optimización geométrica de hemiprótesis de cadera con el método de elementos finitos e inteligencia artificiales_ES
dc.typeTesis de maestríaes_ES
dc.creator.tidORCIDes_ES
dc.contributor.tidORCIDes_ES
dc.creator.identificador0009-0002-0515-9806es_ES
dc.contributor.identificador0000-0002-6483-0543es_ES
dc.contributor.roleDirector de tesises_ES
dc.degree.nameMaestría en Ciencias (Mecatrónica)es_ES
dc.degree.departmentFacultad de Ingenieríaes_ES
dc.degree.levelMaestríaes_ES
dc.format.supportrecurso en líneaes_ES
dc.matricula.creator280963es_ES
dc.folioIGMAC-280963es_ES
Aparece en: Maestría en Ciencias (Mecatrónica)

Archivos:
Fichero Descripción Tamaño Formato  
IGMAC-235075.pdf2.23 MBAdobe PDFVisualizar/Abrir
Mostrar el registro sencillo del ítem


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.