Elegir el grado universitario que van a cursar es una decisión muy importante para muchos jóvenes que carecen de experiencias previas en este sentido. El objetivo principal de este trabajo es construir el sistema de apoyo a la toma de decisión sobre una base de conocimiento modular. En este caso, los módulos que definen las directrices de capacitación se forman conjuntamente con los expertos y se fundan en el método de Holland. Permitirá al usuario, en primer lugar, definir una modalidad académica elegida en la escuela secundaria y solo después ser definido con una carrera universitaria, dentro de la rama de conocimiento establecida. Se ha desarrollado BPMN-modelo del proceso a la toma de decisiones para elegir la mejor carrera universitaria. Se han identificado los factores significativos con método de análisis jerárquico, el efecto de los cuales se correlaciona directamente con los resultados de elección de la carrera universitaria y, además, afectan al rendimiento de los estudiantes. Se ha desarrollado la ontología con las interrelaciones entre los factores clave. Se ha formado del principio modular un base de conocimiento. Se han elaborado satisfactoriamente las reglas de entrada a la universidad, las reglas de elección de la rama de los estudios universitarios, y las reglas para mejorar el rendimiento académico con la finalización satisfactoria de los estudios universitarios. Con los resultados obtenidos y que se presenten en el trabajo, podemos concluir que se pueda lograr el objetivo principal del estudio para optimizar tiempo dedicado a los estudios y mejorar la calidad de vida y el rendimiento académico de los estudiantes de una carrera universitaria. Además, permite poder anticipar los itinerarios a elegir durante la etapa de educación secundaria para así incrementar su preparación.

[ES] Los Cuidados Paliativos (PC) son cuidados médicos especializados cuyo objetivo esmejorar la calidad de vida de los pacientes con enfermedades graves. Históricamente,se han aplicado a los pacientes en fase terminal, especialmente a los que tienen undiagnóstico oncológico. Sin embargo, los resultados de las investigaciones actualessugieren que la PC afecta positivamente a la calidad de vida de los pacientes condiferentes enfermedades. La tendencia actual sobre la PC es incluir a pacientes nooncológicos con afecciones como la EPOC, la insuficiencia de funciones orgánicas ola demencia. Sin embargo, la identificación de los pacientes con esas necesidades escompleja, por lo que se requieren herramientas alternativas basadas en datos clínicos. La creciente demanda de PC puede beneficiarse de una herramienta de cribadopara identificar a los pacientes con necesidades de PC durante el ingreso hospitalario.Se han propuesto varias herramientas, como la Pregunta Sorpresa (SQ) o la creaciónde diferentes índices y puntuaciones, con distintos grados de éxito. Recientemente,el uso de algoritmos de inteligencia artificial, en concreto de Machine Learning (ML), ha surgido como una solución potencial dada su capacidad de aprendizaje a partirde las Historias Clínicas Electrónicas (EHR) y con la expectativa de proporcionarpredicciones precisas para el ingreso en programas de PC. Esta tesis se centra en la creación de herramientas digitales basadas en ML para la identificación de pacientes con necesidades de cuidados paliativos en el momento del ingreso hospitalario. Hemos utilizado la mortalidad y la fragilidad como los dos criterios clínicos para la toma de decisiones, siendo la corta supervivencia y el aumento de la fragilidad, nuestros objetivos para hacer predicciones. También nos hemos centrado en la implementación de estas herramientas en entornos clínicos y en el estudio de su usabilidad y aceptación en los flujos de trabajo clínicos. Para lograr estos objetivos, en primer lugar, estudiamos y comparamos algoritmos de ML para la supervivencia a un año en pacientes adultos durante el ingreso hospitalario. Para ello, definimos una variable binaria a predecir, equivalente a la SQ y definimos el conjunto de variables predictivas basadas en la literatura. Comparamos modelos basados en Support Vector Machine (SVM), k-Nearest Neighbours (kNN), Random Forest (RF), Gradient Boosting Machine (GBM) y Multilayer Perceptron (MLP), atendiendo a su rendimiento, especialmente al Área bajo la curva ROC (AUC ROC). Además, obtuvimos información sobre la importancia de las variables para los modelos basados en árboles utilizando el criterio GINI. En segundo lugar, estudiamos la medición de la fragilidad de la calidad de vida(QoL) en los candidatos a la intervención en PC. Para este segundo estudio, redujimosla franja de edad de la población a pacientes ancianos (≥ 65 años) como grupo objetivo. A continuación, creamos tres modelos diferentes: 1) la adaptación del modelo demortalidad a un año para pacientes ancianos, 2) un modelo de regresión para estimarel número de días desde el ingreso hasta la muerte para complementar los resultadosdel primer modelo, y finalmente, 3) un modelo predictivo del estado de fragilidad aun año. Estos modelos se compartieron con la comunidad académica a través de unaaplicación web b que permite la entrada de datos y muestra la predicción de los tresmodelos y unos gráficos con la importancia de las variables. En tercer lugar, propusimos una versión del modelo de mortalidad a un año enforma de calculadora online. Esta versión se diseñó para maximizar el acceso de losprofesionales minimizando los requisitos de datos y haciendo que el software respondiera a las plataformas tecnológicas actuales. Así pues, se eliminaron las variablesadministrativas específicas de la fuente de datos y se trabajó en un proceso para minimizar las variables de entrada requeridas, manteniendo al mismo tiempo un ROCAUC elevado del modelo. Como resultado, e / [CA] Les Cures Pal·liatives (PC) són cures mèdiques especialitzades l'objectiu de les qualsés millorar la qualitat de vida dels pacients amb malalties greus. Històricament, s'hanaplicat als pacients en fase terminal, especialment als quals tenen un diagnòstic oncològic. No obstant això, els resultats de les investigacions actuals suggereixen que lesPC afecten positivament a la qualitat de vida dels pacients amb diferents malalties. Latendència actual sobre les PC és incloure a pacients no oncològics amb afeccions comla malaltia pulmonar obstructiva crònica, la insuficiència de funcions orgàniques o lademència. No obstant això, la identificació dels pacients amb aqueixes necessitats éscomplexa, per la qual cosa es requereixen eines alternatives basades en dades clíniques. La creixent demanda de PC pot beneficiar-se d'una eina de garbellat per a identificar als pacients amb necessitats de PC durant l'ingrés hospitalari. S'han proposatdiverses eines, com la Pregunta Sorpresa (SQ) o la creació de diferents índexs i puntuacions, amb diferents graus d'èxit. Recentment, l'ús d'algorismes d'intel·ligènciaartificial, en concret de Machine Learning (ML), ha sorgit com una potencial soluciódonada la seua capacitat d'aprenentatge a partir de les Històries Clíniques Electròniques (EHR) i amb l'expectativa de proporcionar prediccions precises per a l'ingrés enprogrames de PC. Aquesta tesi se centra en la creació d'eines digitals basades en MLper a la identificació de pacients amb necessitats de cures pal·liatives durant l'ingréshospitalari. Hem utilitzat mortalitat i fragilitat com els dos criteris clínics per a lapresa de decisions, sent la curta supervivència i la major fragilitat els nostres objectiusa predir. Després, ens hem centrat en la seua implementació en entorns clínics i hemestudiat la seua usabilitat i acceptació en els fluxos de treball clínics.Aquesta tesi se centra en la creació d'eines digitals basades en ML per a la identificació de pacients amb necessitats de cures pal·liatives en el moment de l'ingrés hospitalari. Hem utilitzat la mortalitat i la fragilitat com els dos criteris clínics per ala presa de decisions, sent la curta supervivència i l'augment de la fragilitat, els nostresobjectius per a fer prediccions. També ens hem centrat en la implementació d'aquesteseines en entorns clínics i en l'estudi de la seua usabilitat i acceptació en els fluxos detreball clínics. Per a aconseguir aquests objectius, en primer lloc, estudiem i comparem algorismesde ML per a la supervivència a un any en pacients adults durant l'ingrés hospitalari.Per a això, definim una variable binària a predir, equivalent a la SQ i definim el conjuntde variables predictives basades en la literatura. Comparem models basats en Support Vector Machine (SVM), k-Nearest Neighbours (kNN), Random Forest (RF), Gradient Boosting Machine (GBM) i Multilayer Perceptron (MLP), atenent el seu rendiment,especialment a l'Àrea sota la corba ROC (AUC ROC). A més, vam obtindre informaciósobre la importància de les variables per als models basats en arbres utilitzant el criteri GINI. En segon lloc, estudiem el mesurament de la fragilitat de la qualitat de vida (QoL)en els candidats a la intervenció en PC. Per a aquest segon estudi, vam reduir lafranja d'edat de la població a pacients ancians (≥ 65 anys) com a grup objectiu. Acontinuació, creem tres models diferents: 1) l'adaptació del model de mortalitat a unany per a pacients ancians, 2) un model de regressió per a estimar el nombre de dies desde l'ingrés fins a la mort per a complementar els resultats del primer model, i finalment,3) un model predictiu de l'estat de fragilitat a un any. Aquests models es van compartiramb la comunitat acadèmica a través d'una aplicació web c que permet l'entrada dedades i mostra la predicció dels tres models i uns gràfics amb la importància de lesvariables. En tercer lloc, vam proposar una versió del model de mortalitat a un any en formade calculadora en línia. Aquesta versió es va di / [EN] Palliative Care (PC) is specialized medical care that aims to improve patients' quality of life with serious illnesses. Historically, it has been applied to terminally ill patients, especially those with oncologic diagnoses. However, current research results suggest that PC positively affects the quality of life of patients with different conditions. The current trend on PC is to include non-oncological patients with conditions such as Chronic Obstructive Pulmonary Disease (COPD), organ function failure or dementia. However, the identification of patients with those needs is complex, and therefore alternative tools based on clinical data are required. The growing demand for PC may benefit from a screening tool to identify patients with PC needs during hospital admission. Several tools, such as the Surprise Question (SQ) or the creation of different indexes and scores, have been proposed with varying degrees of success. Recently, the use of artificial intelligence algorithms, specifically Machine Learning (ML), has arisen as a potential solution given their capacity to learn from the Electronic Health Records (EHRs) and with the expectation to provide accurate predictions for admission to PC programs. This thesis focuses on creating ML-based digital tools for identifying patients with palliative care needs at hospital admission. We have used mortality and frailty as the two clinical criteria for decision-making, being short survival and increased frailty, as our targets to make predictions. We also have focused on implementing these tools in clinical settings and studying their usability and acceptance in clinical workflows. To accomplish these objectives, first, we studied and compared ML algorithms for one-year survival in adult patients during hospital admission. To do so, we defined a binary variable to predict, equivalent to the SQ and defined the set of predictive variables based on literature. We compared models based on Support Vector Machine (SVM), k-Nearest Neighbours (kNN), Random Forest (RF), Gradient Boosting Machine (GBM) and Multilayer Perceptron (MLP), attending to their performance, especially to the Area under the ROC curve (AUC ROC). Additionally, we obtained information on the importance of variables for tree-based models using the GINI criterion. Second, we studied frailty measurement of Quality of Life (QoL) in candidates for PC intervention. For this second study, we narrowed the age of the population to elderly patients (≥ 65 years) as the target group. Then we created three different models: 1) for the adaptation of the one-year mortality model for elderly patients, 2) a regression model to estimate the number of days from admission to death to complement the results of the first model, and finally, 3) a predictive model for frailty status at one year. These models were shared with the academic community through a web application a that allows data input and shows the prediction from the three models and some graphs with the importance of the variables. Third, we proposed a version of the 1-year mortality model in the form of an online calculator. This version was designed to maximize access from professionals by minimizing data requirements and making the software responsive to the current technological platforms. So we eliminated the administrative variables specific to the dataset source and worked on a process to minimize the required input variables while maintaining high the model's AUC ROC. As a result, this model retained most of the predictive power and required only seven bed-side inputs. Finally, we evaluated the Clinical Decision Support System (CDSS) web tool on PC with an actual set of users. This evaluation comprised three domains: evaluation of participant's predictions against the ML baseline, the usability of the graphical interface, and user experience measurement. A first evaluation was performed, followed by a period of implementation of improvements and corrections to the pla / Blanes Selva, V. (2022). Clinical Decision Support Systems for Palliative Care Referral: Design and Evaluation of Frailty and Mortality Predictive Models [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/190993

Tesis por compendio / [ES] Los métodos multicriterio proporcionan un enfoque analítico y estructurado para la toma de decisiones en la gestión de la cadena de suministro, que permiten evaluaciones basadas en múltiples criterios, esenciales para gestionar socios comerciales sostenibles. El objetivo de esta tesis es contribuir a la gestión sostenible de la cadena de suministro desarrollando nuevos modelos y técnicas multicriterio para evaluar proveedores y clientes. Se han diseñado modelos que incorporan las preferencias empresariales para tomar decisiones colaborativas en la selección y clasificación transparente de alternativas basadas en criterios sostenibles. También se han desarrollado métodos para clasificar las alternativas en grupos ordenados y evaluar su calidad. Tanto los modelos como los métodos se han validado mediante casos empíricos y comparado con enfoques alternativos. La metodología se basa en una profunda revisión bibliográfica y en el conocimiento experto de profesionales en la cadena de suministro. Los modelos multicriterio propuestos emplean técnicas como el Analytic Hierarchy Process (AHP), la Multi-Attribute Utility Theory (MAUT) y PROMETHEE. También se han desarrollado tres algoritmos para la clasificación de alternativas (nominal y ordenada). En primer lugar, se ha propuesto un modelo multicriterio híbrido y se ha validado con datos reales para homologar y seleccionar proveedores de tecnología, así como para su priorización y clasificación. Este modelo integra métodos compensatorios (AHP, MAUT) y no compensatorios (PROMETHEE, FlowSort) en una jerarquía con criterios de sostenibilidad. La validación del modelo en un contexto real y su comparación con un modelo alternativo ha demostrado su capacidad para proporcionar información relevante y transparente en la toma de decisiones para la evaluación sostenible de proveedores de tecnología en el sector bancario. En segundo lugar, se ha diseñado un nuevo algoritmo, denominado Global Local Net Flow sorting (GLNF sorting), que clasifica alternativas en grupos ordenados a partir de los flujos netos generados en búsquedas globales y locales con PROMETHEE. Adicionalmente, se ha diseñado el algoritmo SILhouette for Sorting (SILS) para calcular un índice de calidad en las clasificaciones. Ambos algoritmos se han validado empíricamente en la segmentación de proveedores y sus resultados se han comparado con otros métodos publicados. Por una parte, GLNF sorting destaca al mejorar la discriminación entre proveedores cercanos a los perfiles limitantes de los grupos, aprovechando el nivel de similitud preferencial entre alternativas. Por otra, SILS mejora la calidad de las asignaciones y permite un análisis detallado que facilita la toma de decisiones. En tercer lugar, se ha propuesto un sistema de segmentación de clientes B2B basado en transacciones y colaboración, aplicando AHP y GLNF sorting. Validado con 8,157 clientes de una multinacional, se ha evaluado con SILS y estadística descriptiva. Comparado con K-means, el modelo genera clasificaciones más homogéneas y robustas. Esta herramienta permite a las empresas automatizar decisiones y llevar a cabo análisis detallados para mejorar las relaciones con los clientes, alineándose con sus estrategias de colaboración y enfoques de mercado. En cuarto lugar, las búsquedas globales y locales se han utilizado para proponer un algoritmo de clasificación nominal basado dos dimensiones, que proporciona una matriz estratégica muy útil para los gestores de cadena de suministro. Por último, se ha desarrollado el paquete de software PrometheeTools en R, que automatiza la aplicación de PROMETHEE, GLNF sorting y SILS para resolver problemas multicriterio de priorización y clasificación de alternativas. Este paquete se ha validado con éxito y destaca por su eficiencia en PROMETHEE con miles de alternativas. Está disponible en acceso abierto en el repositorio CRAN para su utilización por investigadores y profesionales interesados en toma de decisiones multicriterio. / [CA] Els mètodes multicriteri proporcionen un enfocament analític i estructurat per a la presa de decisions en la gestió de la cadena de subministrament, que permeten avaluacions basades en múltiples criteris, essencials per a gestionar socis comercials sostenibles. L'objectiu d'aquesta tesi és contribuir a la gestió sostenible de la cadena de subministrament desenvolupant nous models i tècniques multicriteri per a avaluar proveïdors i clients. S'han dissenyat models que incorporen les preferències empresarials per a prendre decisions col·laboratives en la selecció i classificació transparent d'alternatives basades en criteris sostenibles. També s'han desenvolupat mètodes per a classificar les alternatives en grups ordenats i avaluar-ne la qualitat. Tant els models com els mètodes s'han validat mitjançant casos empírics i comparat amb enfocaments alternatius. La metodologia es basa en una profunda revisió bibliogràfica i en el coneixement expert de professionals en la cadena de subministrament. Els models multicriteri proposats empren tècniques com ara el procés analític jeràrquic (AHP), la teoria d'utilitat multiatribut (MAUT) i PROMETHEE. També s'han desenvolupat tres algoritmes per a la classificació d'alternatives (nominal i ordenada). En primer lloc, s'ha proposat un model multicriteri híbrid i s'ha validat amb dades reals per a homologar i seleccionar proveïdors de tecnologia, així com per a la seua priorització i classificació. Aquest model integra mètodes compensatoris (AHP, MAUT) i no compensatoris (PROMETHEE, FlowSort) en una jerarquia amb criteris de sostenibilitat. La validació del model en un context real i la seua comparació amb un model alternatiu n'ha demostrat la capacitat per a proporcionar informació rellevant i transparent en la presa de decisions per a l'avaluació sostenible de proveïdors de tecnologia en el sector bancari. En segon lloc, s'ha dissenyat un nou algoritme, denominat Global Local Net Flow sorting (GLNF sorting), que classifica alternatives en grups ordenats a partir dels fluxos nets generats en cerques globals i locals amb PROMETHEE. Addicionalment, s'ha dissenyat l'algoritme SILhouette for Sorting (SILS) per a calcular un índex de qualitat en les classificacions. Ambdós algoritmes s'han validat empíricament en la segmentació de proveïdors i els seus resultats s'han comparat amb altres mètodes publicats. D'una banda, GLNF sorting destaca en millorar la discriminació entre proveïdors pròxims als perfils limitants dels grups, que aprofita el nivell de similitud preferencial entre alternatives. De l'altra, SILS millora la qualitat de les assignacions i permet una anàlisi detallada que facilita la presa de decisions. En tercer lloc, s'ha proposat un sistema de segmentació de clients B2B basat en transaccions i col·laboració, aplicant AHP i GLNF sorting. Validat amb 8,157 clients d'una multinacional, s'ha avaluat amb SILS i estadística descriptiva. Comparat amb K-means, el model genera classificacions més homogènies i robustes. Aquesta eina permet a les empreses automatitzar decisions i portar a cap anàlisis detallades per a millorar les relacions amb els clients, que s'alineen amb les seues estratègies de col·laboració i enfocaments de mercat. En quart lloc, les cerques globals i locals s'han utilitzat per a proposar un algoritme de classificació nominal basat en dues dimensions, que proporciona una matriu estratègica molt útil per als gestors de la cadena de subministrament. Finalment, s'ha desenvolupat el paquet de programari PrometheeTools en R, que automatitza l'aplicació de PROMETHEE, GLNF sorting i SILS per a resoldre problemes multicriteri de priorització i classificació d'alternatives. Aquest paquet s'ha validat amb èxit i destaca per la seua eficiència en PROMETHEE amb milers d'alternatives. Està disponible en accés obert en el repositori CRAN per a la utilització per investigadors i professionals interessats en la presa de decisions multicriteri. / [EN] Multicriteria methods provide an analytical and structured approach to decision making in supply chain management. These techniques allow multicriteria evaluations, which are essential for choosing and managing sustainable business partners. The aim of this thesis is to contribute to sustainable supply chain management by developing new multicriteria models and techniques to assess suppliers and customers. Models have been designed in order to incorporate business preferences to make collaborative decisions in the transparent selection and ranking of alternatives based on sustainable criteria. New methods have also been developed to classify alternatives into ordered groups and to assess their quality. Both models and methods have been validated using empirical cases and compared with alternative approaches. The methodology is based on an in-depth literature review, as well as the expertise of supply chain professionals. The proposed multicriteria models integrate techniques such as the Analytical Hierarchical Process (AHP), Multi-Attribute Utility Theory (MAUT) and the PROMETHEE method. Three new algorithms have also been developed for classifying alternatives into nominal and ordered groups (sorting problem). Firstly, a hybrid multicriteria model has been proposed and validated with real data for technology supplier qualifying, selection and ranking. This model integrates compensatory (AHP, MAUT) and non-compensatory (PROMETHEE, FlowSort) methods in a hierarchy with sustainability criteria to evaluate products, suppliers and manufacturers. Validation of the model in a real context and its comparison with an alternative model has demonstrated its ability to provide relevant and transparent information for decision making in the sustainable evaluation of technology suppliers in the banking sector. Secondly, a new algorithm has been designed, called Global Local Net Flow sorting (GLNF sorting), which classifies alternatives into ordered groups based on the net flows generated in global and local searches with PROMETHEE. In addition, the SILhouette for Sorting (SILS) algorithm has been designed to calculate a quality index in the classifications. Both algorithms have been empirically validated in supplier segmentation and their results compared with other published methods. On the one hand, the GLNF sorting algorithm excels in improving the discrimination between suppliers close to the limiting profiles by exploiting the level of preference similarity between alternatives. On the other, SILS improves the quality of alternative assignments to groups, allows for a detailed analysis of suppliers and facilitates decision making. Thirdly, a customer segmentation model based on transactions and collaboration has been proposed in the Business to Business context, applying AHP and GLNF sorting. Validated with 8,157 customers of a multinational company, it has been assessed by SILS and descriptive statistics. This model generates more homogeneous and robust groups than the K-means cluster method. This tool enables companies to automate decisions and perform detailed analysis to improve customer relationships, aligning with their collaboration strategies and market approaches. Fourthly, global and local searches have been used to propose an algorithm for nominal classification based on two dimensions, which provides a very useful strategic matrix for supply chain managers. Finally, the PrometheeTools software package has been developed in R, which automates the implementation of PROMETHEE, GLNF sorting and SILS to solve multicriteria problems of alternatives ranking and classification. This package has been successfully validated and stands out for the efficiency in PROMETHEE and especially when solving problems with thousands of alternatives. It is available by open access in the CRAN repository for use by researchers and practitioners interested in multicriteria decision making. / Barrera Jimenez, IF. (2024). Multicriteria Techniques for Sustainable Supply Chain Management [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/202879 / Compendio

[ES] El síndrome metabólico se define como un conjunto de trastornos (e.g., niveles elevados de presión arterial, niveles elevados de glucosa en sangre, exceso de grasa abdominal o niveles elevados de colesterol o triglicéridos) que afectan a un individuo al mismo tiempo. La presencia de uno de estos factores no implica un riesgo elevado para la salud, sin embargo, presentar varios de ellos aumenta la probabilidad de sufrir enfermedades secundarias como la enfermedad cardiovascular o la diabetes tipo II. Las enfermedades difusas hepáticas son todas aquellas enfermedades que afectan a las células funcionales del hígado, los hepatocitos, alterando, de este modo, la función hepática. En estos procesos, los hepatocitos se ven sustituidos por adipocitos y tejido fibroso. La enfermedad de hígado graso no alcohólico es una afección reversible originada por la acumulación de triglicéridos en los hepatocitos. El alcoholismo, la obesidad, y la diabetes son las causas más comunes de esta enfermedad. Este estado del hígado es reversible si se cambia la dieta del paciente, sin embargo, si este no se cuida, la enfermedad puede ir avanzando hacia estadios más severos, desencadenando fibrosis, cirrosis e incluso carcinoma hepatocelular (CHC). La temprana detección de todos estos procesos es de gran importancia en la mejora del pronóstico de los pacientes. Así, las técnicas de imagen en combinación con modelos computacionales permiten caracterizar el tejido mediante la extracción de parámetros objetivos, conocidos como biomarcadores de imagen, relacionados con estos procesos fisiológicos y patológicos, permitiendo una estadificación más precisa de las enfermedades. Además, gracias a las técnicas de inteligencia artificial, se pueden desarrollar algoritmos de segmentación automática que permitan realizar dicha caracterización de manera completamente automática y acelerar, de este modo, el flujo radiológico. Por todo esto, en la presente tesis doctoral, se presenta una metodología para el desarrollo de modelos de segmentación y cuantificación automática, siendo aplicada a tres casos de uso. Para el estudio del síndrome metabólico se propone un método de segmentación automática de la grasa visceral y subcutánea en imágenes de tomografía computarizada (TC), para el estudio de la enfermedad hepática difusa se propone un método de segmentación hepática y cuantificación de la grasa y hierro hepáticos en imágenes de resonancia magnética (RM), y, finalmente, para el estudio del CHC, se propone un método de segmentación hepática y cuantificación de los descriptores de la curva de perfusión en imágenes de RM. Todo esto se ha integrado en una plataforma que permite su integración en la práctica clínica. Así, se han adaptado los algoritmos desarrollados para ser ejecutados en contenedores Docker de forma que, dada una imagen de entrada, generen los parámetros cuantitativos de salida junto con un informe que resuma dichos resultados; se han implementado herramientas para que los usuarios puedan interactuar con las segmentaciones generadas por los algoritmos de segmentación automática desarrollados; finalmente, éstos se han implementado de forma que generen dichas segmentaciones en formatos estándar como DICOM RT Struct o DICOM Seg, para garantizar la interoperabilidad con el resto de sistemas sanitarios. / [CA] La síndrome metabòlica es defineix com un conjunt de trastorns (e.g., nivells elevats de pressió arterial, nivells elevats de glucosa en sang, excés de greix abdominal o nivells elevats de colesterol o triglicèrids) que afecten un individu al mateix temps. La presència d'un d'aquests factors no implica un risc elevat per a la salut, no obstant això, presentar diversos d'ells augmenta la probabilitat de patir malalties secundàries com la malaltia cardiovascular o la diabetis tipus II. Les malalties difuses hepàtiques són totes aquelles malalties que afecten les cèl·lules funcionals del fetge, els hepatòcits, alterant, d'aquesta manera, la funció hepàtica. En aquests processos, els hepatòcits es veuen substituïts per adipòcits i teixit fibrós. La malaltia de fetge gras no alcohòlic és una afecció reversible originada per l'acumulació de triglicèrids en els hepatòcits. L'alcoholisme, l'obesitat, i la diabetis són les causes més comunes d'aquesta malaltia. Aquest estat del fetge és reversible si es canvia la dieta del pacient, no obstant això, si aquest no es cuida, la malaltia pot anar avançant cap a estadis més severs, desencadenant fibrosis, cirrosis i fins i tot carcinoma hepatocel·lular (CHC). La primerenca detecció de tots aquests processos és de gran importància en la millora del pronòstic dels pacients. Així, les tècniques d'imatge en combinació amb models computacionals permeten caracteritzar el teixit mitjançant l'extracció paràmetres objectius, coneguts com biomarcadores d'imatge, relacionats amb aquests processos fisiològics i patològics, permetent una estratificació més precisa de les malalties. A més, gràcies a les tècniques d'intel·ligència artificial, es poden desenvolupar algorismes de segmentació automàtica que permeten realitzar aquesta caracterització de manera completament automàtica i accelerar, d'aquesta manera, el flux radiològic. Per tot això, en la present tesi doctoral, es presenta una metodologia per al desenvolupament de models de segmentació i quantificació automàtica, sent aplicada a tres casos d'ús. Per a l'estudi de la síndrome metabòlica es proposa un mètode de segmentació automàtica del greix visceral i subcutani en imatges de tomografia computada (TC), per a l'estudi de la malaltia hepàtica difusa es proposa un mètode segmentació hepàtica i quantificació del greix i ferro hepàtics en imatges de ressonància magnètica (RM), i, finalment, per a l'estudi del CHC, es proposa un mètode de segmentació hepàtica i quantificació dels descriptors de la corba de perfusió en imatges de RM. Tot això s'ha integrat en una plataforma que permet la seua integració en la pràctica clínica. Així, s'han adaptat els algorismes desenvolupats per a ser executats en contenidors Docker de manera que, donada una imatge d'entrada, generen els paràmetres quantitatius d'eixida juntament amb un informe que resumisca aquests resultats; s'han implementat eines perquè els usuaris puguen interactuar amb les segmentacions generades pels algorismes de segmentació automàtica desenvolupats; finalment, aquests s'han implementat de manera que generen aquestes segmentacions en formats estàndard com DICOM RT Struct o DICOM Seg, per a garantir la interoperabilitat amb la resta de sistemes sanitaris. / [EN] Metabolic syndrome is defined as a group of disorders (e.g., high blood pressure, high blood glucose levels, excess abdominal fat, or high cholesterol or triglyceride levels) that affect an individual at the same time. The presence of one of these factors does not imply an elevated health risk; however, having several of them increases the probability of secondary diseases such as cardiovascular disease or type II diabetes. Diffuse liver diseases are all those diseases that affect the functional cells of the liver, the hepatocytes, thus altering liver function. In these processes, the hepatocytes are replaced by adipocytes and fibrous tissue. Non-alcoholic fatty liver disease is a reversible condition caused by the accumulation of triglycerides in hepatocytes. Alcoholism, obesity, and diabetes are the most common causes of this disease. This liver condition is reversible if the patient's diet is changed; however, if the patient is not cared for, the disease can progress to more severe stages, triggering fibrosis, cirrhosis and even hepatocellular carcinoma (HCC). Early detection of all these processes is of great importance in improving patient prognosis. Thus, imaging techniques in combination with computational models allow tissue characterization by extracting objective parameters, known as imaging biomarkers, related to these physiological and pathological processes, allowing a more accurate statification of diseases. Moreover, thanks to artificial intelligence techniques, it is possible to develop automatic segmentation algorithms that allow to perform such characterization in a fully automatic way and thus accelerate the radiological workflow. Therefore, in this PhD, a methodology for the development of automatic segmentation and quantification models is presented and applied to three use cases. For the study of metabolic syndrome, a method of automatic segmentation of visceral and subcutaneous fat in computed tomography (CT) images is proposed; for the study of diffuse liver disease, a method of liver segmentation and quantification of hepatic fat and iron in magnetic resonance imaging (MRI) is proposed; and, finally, for the study of HCC, a method of liver segmentation and quantification of perfusion curve descriptors in MRI is proposed. All this has been integrated into a platform that allows its integration into clinical practice. Thus, the developed algorithms have been adapted to be executed in Docker containers so that, given an input image, they generate the quantitative output parameters together with a report summarizing these results; tools have been implemented so that users can interact with the segmentations generated by the automatic segmentation algorithms developed; finally, these have been implemented so that they generate these segmentations in standard formats such as DICOM RT Struct or DICOM Seg, to ensure interoperability with other health systems. / Jimenez Pastor, AM. (2023). Aprendizaje profundo y biomarcadores de imagen en el estudio de enfermedades metabólicas y hepáticas a partir de resonancia magnética y tomografía computarizada [Tesis doctoral]. Universitat Politècnica de València. https://doi.org/10.4995/Thesis/10251/202602

Indiana University-Purdue University Indianapolis (IUPUI) / A variety of minority groups are present in the readings of Spanish and Latin American literature classes; however, there is a lack of representation of homosexual themes in the readings. This paper takes a look at what homosexual themes are present in the literature anthologies in current use, and then suggest a teaching unit and methodology for how one can implement these topics into a literature class. The paper provides a sound basis for teachers who are trying to introduce these issues into their classes. [Language - Spanish]