http://localhost:8080/xmlui/handle/123456789/1351 2026-04-15T01:00:29Z 2026-04-15T01:00:29Z Dos Reis, Mateos Vasiak Demestri Rigoni, Roberto Alfredo http://localhost:8080/xmlui/handle/123456789/1359 2026-04-14T19:05:35Z 2025-01-01T00:00:00Z

Título : Aplicación móvil para evaluar los pies de personas con diabetes mellitus utilizando inteligencia artificial. Autor : Dos Reis, Mateos Vasiak; Demestri Rigoni, Roberto Alfredo Resumen : La diabetes mellitus es una de las enfermedades crónicas más prevalentes a nivel mundial y una de las principales causas de complicaciones graves como el pie diabético, que puede derivar en úlceras e incluso amputaciones si no se detecta a tiempo. Con el objetivo de contribuir a su detección temprana, se desarrolló una aplicación móvil basada en inteligencia artificial que permite a los usuarios capturar o subir imágenes de sus pies para analizar la presencia de ´ulceras y clasificarlas según el sistema PEDIS, identificando posibles signos de riesgo. La hipótesis inicial planteaba que la aplicación lograría una precisión del 90 % en la detección de ´ulceras. Para su desarrollo, se aplicaron técnicas de redes neuronales convolucionales (CNN), entrenadas con un dataset público, complementado con aumento de datos. La arquitectura del sistema incluye una aplicación desarrollada en React Native y un backend distribuido: Flask para la inferencia del modelo de IA y Node.js para la gestión de usuarios y evaluaciones, con almacenamiento en una base de datos MySQL. Se evaluaron métricas como precisión, recall y F1-Score, obteniendo mejores resultados en los grados extremos de la clasificación, con una precisión general cercana al 80 %. Las principales limitaciones se observaron en la diferenciación de úlceras de grados intermedios, debido a la similitud de sus características. La herramienta fue validada por un especialista médico y recibió una valoración positiva por parte de usuarios reales en pruebas de usabilidad. Este trabajo demuestra el potencial de la inteligencia artificial aplicada a plataformas móviles como una herramienta accesible, complementaria y orientada al autocuidado en el monitoreo del pie diabético.

2025-01-01T00:00:00Z Ortigoza Andino, Aldo Gustavo Cuevas Martínez, Eduardo Ramón Arrúa Ginés, Jorge Luis http://localhost:8080/xmlui/handle/123456789/1358 2026-04-14T18:52:15Z 2025-01-01T00:00:00Z

Título : Identificación de neumonías virales y bacterianas en imágenes radiológicas mediante la utilización de RNA Autor : Ortigoza Andino, Aldo Gustavo; Cuevas Martínez, Eduardo Ramón; Arrúa Ginés, Jorge Luis Resumen : La neumonía es una enfermedad respiratoria grave que, si no se trata adecuadamente, puede ser letal, especialmente en niños menores de cinco años, donde representa la principal causa de mortalidad a nivel mundial. Su diagnóstico clínico, basado en la interpretación de radiografías de tórax, puede resultar complejo, sobre todo al intentar distinguir entre patógenos virales y bacterianos. Este trabajo tiene como objetivo desarrollar una herramienta informática basada en redes neuronales artificiales (RNA) para facilitar la identificación de neumonías virales y bacterianas a partir de radiografías de tórax. La investigación es aplicada, con un enfoque hipotético—deductivo y cuantitativo, desarrollando y validando sistemática mente hipótesis específicas sobre la eficacia de las redes neuronales convolucionales en la discriminación de patrones radiológicos. El trabajo se orienta al desarrollo de un prototipo funcional para la clasificación automática de imágenes médicas que permita asistir en el diagnóstico diferencial de neumonías. El modelo desarrollado es una red neuronal convolucional (CNN) que logra una precisión del 82,3% en el conjunto de pruebas y del 86,67% en la validación con un médico, sobre un conjunto de 30 imágenes. Durante el entrenamiento se alcanzó un 85% de precisión y un 81% en validación, con una diferencia del 4%, sin evidencias de sobreajuste. Se construyó además un sistema de interacción web con el modelo, utilizando HTML, CSS y JavaScript para la interfaz, y Flask como backend, lo que permite cargar imágenes, ejecutar inferencias y visualizar resultados de forma dinámica y ligera. Como parte del análisis comparativo, se contrastó el rendimiento del modelo con arquitecturas ampliamente utilizadas como ResNet50, VGG19 e InceptionV3, demostrando su competitividad bajo condiciones de prueba equivalentes. El médico evaluador considera útil la aplicación como herramienta de apoyo clínico y sugiere incluir en versiones futuras una categoría para neumonías mixtas, ampliando así su alcance.

2025-01-01T00:00:00Z Jara Barúa, Samuel de Jesús Villalba Aranda, Alexis Roque Almeida Delgado, Carlos Domingo http://localhost:8080/xmlui/handle/123456789/1357 2026-04-14T18:38:50Z 2025-01-01T00:00:00Z

Título : Sistema de Inteligencia Artificial para detección de hurto en tienda comercial. Autor : Jara Barúa, Samuel de Jesús; Villalba Aranda, Alexis Roque; Almeida Delgado, Carlos Domingo Resumen : El presente Trabajo Final de Grado aborda el desarrollo de un sistema inteligente orientado a la detección automatizada de hurtos en tiendas comerciales mediante técnicas de visión por computadora y aprendizaje profundo. El objetivo principal consiste en identificar comportamientos asociados al hurto en tiempo real a partir de secuencias de video capturadas por cámaras de seguridad convencionales. La solución propuesta se fundamenta en un modelo de clasificación de acciones basado en la arquitectura R3D-18, una ResNet-18 inflada a tres dimensiones, pre entrenada en Kinetics-400 y ajustada mediante fine-tuning para distinguir entre las clases hurto y normal. El sistema opera sobre clips de aproximadamente 3 segundos y analiza simultáneamente información espacial y temporal. El implementado integra un módulo de ingestión de video compatible con RTSP/ONVIF, preprocesamiento mediante OpenCV y PyAV, y un entorno de monitoreo local desarrollado en Tkinter, el cual permite visualizar las detecciones y emitir alertas inmediatas al personal de seguridad. La metodología corresponde a una investigación tecnológica con enfoque cuantitativo, incluyendo recolección y estructuración del dataset, entrenamiento del modelo y validación con métricas estándar. Los resultados muestran una precisión global cercana al 90%, con valores destacados para la clase hurto (precisión 0,963 y F1=0,931), lo que evidencia un desempeño sólido del sistema en el escenario evaluado. Se concluye que la propuesta es técnicamente viable y constituye una herramienta complementaria para el fortalecimiento de la prevención de pérdidas en el sector comercial, identificándose como líneas futuras la validación en entornos reales, la expansión del conjunto de datos y mejoras en los mecanismos de post procesamiento.

2025-01-01T00:00:00Z Adam Goncalves, Luana Regina González Vera, Elias Leandro Kang Cardozo, Daisy Isabel Ayoroa Martínez, René Andrés http://localhost:8080/xmlui/handle/123456789/1356 2026-04-14T18:31:43Z 2025-01-01T00:00:00Z

Título : Asignación de cama hospitalaria, basada en monitoreo en tiempo real mediante IoT y App móvil Autor : Adam Goncalves, Luana Regina; González Vera, Elias Leandro; Kang Cardozo, Daisy Isabel; Ayoroa Martínez, René Andrés Resumen : La gestión eficiente de camas hospitalarias representa un desafío crítico en sistemas de salud con recursos limitados. En Paraguay, el promedio de 1,3 camas por cada 1.000 habitantes está significativamente por debajo de las 3 recomendadas por la Organización Mundial de la Salud, evidencian do la necesidad de optimizar la utilización de la infraestructura existente. Los métodos tradicionales de monitoreo y asignación de camas, basados en registros manuales y comunicación telefónica, generan demoras, errores de registro y dificultades para coordinar el flujo de pacientes. Este trabajo presenta el desarrollo de un prototipo de sistema de gestión de camas hospitalarias mediante monitoreo en tiempo real, integrando tecnologías de Internet de las Cosas (IoT) y una aplicación móvil multiplataforma. El sistema emplea sensores térmicos AMG8833 conectados a microcontroladores ESP32 para detectar presencia en las camas y reportar cambios de estado. Los datos se transmiten a un backend desarrollado en Node.js que gestiona la información utilizando Firebase Firestore como base de datos en tiempo real. La aplicación móvil, desarrollada con Flutter, permite al personal hospitalario visualizar el estado actualizado de las camas, realizar asignaciones digitales de pacientes, confirmar procesos de limpieza y recibir notificaciones push ante eventos relevantes. El sistema implementa una arquitectura de comunicación que garantiza sincronización en tiempo real con latencias inferiores a 1 segundo entre el backend y los dispositivos móviles. La validación del sistema mediante pruebas de usabilidad con personal hospitalario arrojó un puntaje System Usability Scale (SUS) de 85,5%, clasificado como Excelente. Las pruebas de estabilidad demostraron funcionamiento continuo durante 8 horas sin errores críticos, con tiempos de respuesta promedio de 450 milisegundos. Los resultados confirman que la integración de tecnologías IoT con plataformas móviles centradas en experiencia de usuario mejora significativamente la eficiencia en la gestión de recursos hospitalarios, reduciendo errores operativos y facilitando la toma de decisiones del personal sanitario.

2025-01-01T00:00:00Z