Examinando por Autor "Arias, Victor"
Mostrando 1 - 2 de 2
Resultados por página
Opciones de ordenación
Ítem Cigarette smoking and metabolic syndrome components: a cross-sectional study from Maracaibo City, Venezuela [version 1; referees: 1 approved with reservations](F1000 Research Ltda, 2018-05-22) Bermudez, Valmore; Olivar, Luis Carlos; Torres, Wheeler; Navarro, Carla; Gonzalez, Robys; Morocho, Alicia; Mindiola, Andres; Chacin, Maricarmen; Arias, Victor; Añez, Roberto; Salazar, Juan; Riaño Garzon, Manuel; Diaz Camargo, Edgar; Judith Bautista, Maria; Rojas, JoselynBackground: A growing body of evidence suggests that cigarette smoking can cause the onset of metabolic syndrome prior to cardiovascular diseases. Therefore, the objective of this study was to evaluate the relationship between smoking habit and metabolic syndrome components in an adult population from Maracaibo city, Venezuela. Methods: The Maracaibo City Metabolic Syndrome Prevalence Study is a descriptive, cross-sectional study with random and multi-stage sampling. In this sub-study, 2212 adults from both genders were selected. On the basis of their medical background, they were classified as smokers, non-smokers and former smokers. Metabolic syndrome was defined according to Harmonizing 2009 criteria, using population-specific abdominal circumference cut-off points. The association between risk factors was evaluated using a logistic regression model. Results: In the studied population, 14.8% were smokers, 15.4% were former smokers. In the multivariate analysis, the presence of metabolic syndrome (smokers: OR, 1.54; 95% CI, 1.11–2.14; p=0.010) and its components were related to cigarette smoking, with the exception of hyperglycemia. High blood pressure was inversely associated with current smoking status (smokers: OR, 0.70 (0.51–0.95); p=0.025).Ítem Una introducción a las aplicaciones de la inteligencia artificial en Medicina: Aspectos históricos(Cooperativa servicios y suministros 212518 RS, 2019) Arias, Victor; Salazar, Juan; Gariciano, Carlos; Contreras, Julio; Chacón, Gerardo; Chacín-González, Maricarmen; Añez, Roberto; Rojas, Joselyn; Bermúdez-Pirela, ValmoreEn un sentido amplio la inteligencia artificial y el aprendizaje automático se ha aplicado a los datos médicos desde los inicios de la informática dado el profundo arraigo de esta área en la innovación, pero los últimos años han sido testigo de una generación cada vez mayor de datos relacionados con las ciencias de la salud, cuestión que ha dado nacimiento a un nuevo campo de las ciencias de la computación llamado big data. Los datos médicos a gran escala (en forma de bases de datos estructuradas y no estructuradas) si son apropiadamente adquiridos e interpretados pueden generar grandes beneficios al reducir los costos y los tiempos del servicio de salud, pero también podrían servir para predecir epidemias, mejorar los esquemas terapéuticos, asesorar a médicos en lugares remotos y mejorar la calidad de vida. Los algoritmos de deep learning son especialmente útiles para manejar esta gran cantidad de datos complejos, poco documentados y generalmente no estructurados; todo esto debido a que el deep learning puede irrumpir al crear modelos que descubren de forma automática las características principales, así como las que mejor predicen el comportamiento de otras variables dentro de una gran cantidad de datos complejos. En el futuro, la relación hombre-máquina en biomedicina será más estrecha; mientras que la máquina se encargará de tareas de extracción, limpieza y búsquedas de correlaciones, el médico se concentraría en interpretar estas correlaciones y buscar nuevos tratamientos que mejoren la atención y en última instancia la calidad de vida del paciente.