Buscar


Mostrar el registro sencillo del ítem

dc.rights.license https://creativecommons.org/licenses/by-nc-nd/4.0 es_ES
dc.contributor Stéphanie Colette Thébault es_ES
dc.creator Omar Hernández de los Santos es_ES
dc.date.accessioned 2025-10-02T18:52:58Z
dc.date.available 2025-10-02T18:52:58Z
dc.date.issued 2025-09-29
dc.identifier.uri https://ri-ng.uaq.mx/handle/123456789/12341
dc.description La Diabetes Mellitus tipo 2 (DM tipo 2) representa una problemática creciente a nivel mundial debido a su alta prevalencia y complicaciones asociadas. La detección oportuna de factores de riesgo modificables es esencial para la prevención y control de esta enfermedad. Se reportó recientemente el uso de señales de electrorretinograma (ERG) basal para predecir la obesidad y el síndrome metabólico que son factores de riesgo modificables de la DM tipo 2, sin embargo, hace falta una base de datos más amplia y sin sesgo relacionado con la edad para que la sensibilidad y especificidad de la predicción sean relevantes para la clínica. Este trabajo abordó la necesidad de ampliar y equilibrar una base de datos de series de tiempo relativas a la función basal de la retina mediante la generación de espectros sintéticos provenientes del ERG basal, utilizando modelos generativos adversarios (GAN). Se diseño exitosamente un modelo llamado espectraGAN para la generación de espectros sintéticos. Se evaluaron cualitativa y cuantitativamente las muestras generadas, confirmando su similitud espectral y coherencia fisiológica con los datos orgánicos. Los resultados demostraron que la integración de datos sintéticos en nuestras categorías control y en riesgo de DM tipo 2 mejoró la predicción mediante el modelo basado en redes neuronales con la ondícula Morlet real (ROC-AUC de 0,68). Este efecto mejoró aún más cuando la base de datos se amplió 10 y 100 veces, con métricas en comparativa con otro modelos con un de rendimiento medio entre 0,75 y 0,80 y entre 0,76 y 0,89, respectivamente. Este estudio demuestra la relevancia de espectraGAN en la investigación biomédica y sugiere una alternativa prometedora, no invasiva y accesible para detectar tempranamente factores de riesgo modificables asociados con la DM tipo 2. es_ES
dc.format pdf es_ES
dc.format.extent 1 recurso en línea (122 páginas) es_ES
dc.format.medium computadora es_ES
dc.language.iso spa es_ES
dc.publisher Universidad Autonoma de Querétaro es_ES
dc.relation.requires Si es_ES
dc.rights openAccess es_ES
dc.subject Modelos generativos adversarios es_ES
dc.subject Espectros sintéticos es_ES
dc.subject Diabetes Mellitus tipo 2 es_ES
dc.subject.classification INGENIERÍA Y TECNOLOGÍA es_ES
dc.title Generación de componentes espectrales sintéticos del electrorretinograma mediante modelos generativos adversarios para predecir factores de riesgo en diabetes tipo 2 es_ES
dc.type Tesis de maestría es_ES
dc.creator.tid ORCID es_ES
dc.contributor.tid ORCID es_ES
dc.creator.identificador 0009-0003-2396-5948 es_ES
dc.contributor.identificador 0000-0003-3233-282X es_ES
dc.contributor.role Director de tesis es_ES
dc.degree.name Maestría en Ciencias en Inteligencia Artificial es_ES
dc.degree.department Facultad de Ingeniería es_ES
dc.degree.level Maestría es_ES
dc.format.support recurso en línea es_ES
dc.matricula.creator 311373 es_ES
dc.folio IGMAC-311373 es_ES


Ficheros en el ítem

Thumbnail
Nombre: IGMAC-311373.pdf
Tamaño: 3.005Mb
Formato: PDF
Ver/

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem