Objetivo: Determinar la prevalencia de patologías bucales en bebés atendidos en el programa de seguimiento del Niño de Alto riesgo del INMP durante el período Enero 2016 a Diciembre 2017 Materiales y métodos: Se recolectó la información de 455 historias clínicas de pacientes pertenecientes al programa de atención estomatológica Niños de Alto Riesgo en el consultorio de Odontopediatría del Instituto Nacional Materno Perinatal. Los datos fueron analizados mediante estadística descriptiva para el análisis univariado donde se aplicaron las medidas estadísticas de frecuencia absoluta y relativa, y análisis bivariado donde se aplicó la prueba de Chi2 y Exacta de Fisher (α=0,05). Resultados: Del total de 455 pacientes, 319 (70.11%) fueron diagnosticados con patologías orales y 136 (29.89%) con boca sana. Además; 127 presentaron patologías en el tejido blando (39.81%) y 192 en el tejido duro (60.19%), siendo este último el más prevalente. Del total de 24 patologías encontradas en la cavidad oral de esta población, las tres más prevalentes fueron síndrome de erupción (18.24%), defecto de desarrollo del esmalte (17.14%) y anquiloglosia (12.97%). Conclusiones: La prevalencia de los pacientes con patologías bucales fue alta (70.11%) y pacientes diagnosticados con boca sana (29.89%). / Objective: The aim of this study was to determine the prevalence of oral pathologies in babies treated in the follow-up program of the High Risk Child of the INMP during the period January 2016 to December 2017 Materials and methods: Information was collected from 455 medical records of patients belonging to the stomatological care program Children of High Risk in the pediatric dentistry office of the National Maternal and Perinatal Institute. The data were analyzed by means of descriptive statistics for the univariate analysis where statistical measurements of absolute and relative frequency were applied, and bivariate analysis where the Chi2 and Fisher Exacta test were applied. (α = 0.05). Results: Of the total of 455 patients, 319 (70.11%) were diagnosed with oral pathologies and 136 (29.89%) with a healthy mouth. Further; 127 presented pathologies in the soft tissue (39.81%) and 192 in the hard tissue (60.19%), the latter being the most prevalent. Of the total of 24 pathologies found in the oral cavity of this population, the three most prevalent were eruption syndrome (18.24%), enamel development defect (17.14%) and ankyloglossia (12.97%). Conclusions: The prevalence of patients with oral pathologies was high (70.11%) and patients diagnosed with healthy mouth (29.89%). / CAPÍTULO 1: INTRODUCCIÓN…………………………………………… CAPÍTULO 2: PLANTEAMIENTO DE LA INVESTIGACIÓN………….. 2.1. Justificación…………………………………………………………… CAPÍTULO 3: OBJETIVOS…………………………………………………. 3.1. Objetivo general………………………………………………………. 3.2. Objetivos específicos………………………………………………… CAPÍTULO 4: MATERIALES Y MÉTODOS……………………………….. 4.1 Diseño del estudio……………………………………………………... 4.2 Población y/o Muestra………………………………………………….. 4.3 Operacionalización de variables………………………………………. 4.4 Técnicas y/o procedimientos………………………………………….. 4.5 Plan de análisis…………………………………………………………. 4.6 Consideraciones éticas…………………………………………………. CAPÍTULO 5: RESULTADOS…………………………………………………. CAPÍTULO 6: DISCUSIÓN…………………………………………………….. CAPÍTULO 7: CONCLUSIONES………………………………………………… CAPÍTULO 8: REFERENCIAS BIBLIOGRÁFICAS…………………………………. ANEXOS……………………………………………………………………. / Tesis

[ES] El objetivo principal de este trabajo es la estimación de las constantes elásticas de modelos constitutivos que gobiernan el comportamiento biomecánico de órganos como el hígado y la mama, in vivo y para paciente específico. Para ello, se han definido dos tipos de metodologías, las cuales se diferencian por el tipo de algoritmo empleado: algoritmos genéticos (método 1) y algoritmos de aprendizaje automático (método 2). A lo largo del presente trabajo se definen ambas metodologías desde su fase inicial, la obtención de las imágenes médicas necesarias, hasta su fase final, la definición del comportamiento biomecánico del órgano. Estas metodologías pueden ser aplicadas en cualquier órgano, independientemente de su localización (por ejemplo en un órgano interno como el hígado u órgano externo como la mama), así como de su composición (órgano compuesto de un único tipo de tejido u órgano multitejido). En ambos casos, los resultados han sido satisfactorios con una precisión aceptable para su uso en el ámbito médico. Además, el método 2 puede ser aplicado en tiempo real. / [CA] L'objectiu principal d'este treball és l'estimació de les constants elàstiques de models constitutius que governen el comportament biomecànic d'òrgans com el fetge i la mama, in vivo i per a pacient específic. Per a això, s'han definit dos tipus de metodologies, les quals es diferencien pel tipus d'algorisme emprat: algorismes genètics (mètode 1) i algorismes d'aprenentatge automàtic (mètode 2). Al llarg del present treball es definixen dues metodologies des de la seua fase inicial, l'obtenció de les imatges mèdiques necessàries, fins a la seua fase final, la definició del comportament biomecànic de l'òrgan. Estes metodologies poden ser aplicades en qualsevol òrgan, independentment de la seua localització (per exemple en un òrgan intern com el fetge o òrgan extern com la mama), així com de la seua composició (òrgan compost d'un únic tipus de teixit o òrgan multiteixit). En dues casos, els resultats han sigut satisfactoris amb una precisió acceptable per al seu ús en l'àmbit mèdic. A més, el mètode 2 pot ser aplicat en temps real. / [EN] The main objective of this work is the estimation of the elastic constants of constitutive models that govern the biomechanical behavior of organs such as the liver and breast, in vivo and for a specific patient. To this end, two types of methodologies have been defined, which are differentiated by the type of algorithm used: genetic algorithms (method 1) and machine learning (method 2). Throughout this work, both methodologies are defined from its initial phase, obtaining the necessary medical images, to its final phase, the definition of the biomechanical behavior of the organ. These methodologies can be applied to any organ, regardless of its location (for example in an internal organ such as the liver or an external organ such as the breast), as well as its composition (organ composed of a single type of tissue or multi-tissue organ). In both cases, the results have been satisfactory with acceptable precision for use in the medical field. Furthermore, method 2 can be applied in real time. / Martínez Sanchís, S. (2024). Estimación del comportamiento biomecánico del hígado y la mama in vivo utilizando algoritmos avanzados [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/206019