Decreasing student attrition rates is one of the main objectives of most higher education institutions. However, to achieve this goal, universities need to accurately identify and focus their efforts on students most likely to quit their studies before they graduate. This has given rise to a need to implement forecasting models to predict which students will eventually drop out. In this paper, we present an early warning system to automatically identify first-semester students at high risk of dropping out. The system is based on a machine learning model trained from historical data on first-semester students. The results show that the system can predict “at-risk” students with a sensitivity of 61.97%, which allows early intervention for those students, thereby reducing the student attrition rate.
El registro de imágenes sobre todo en el ámbito de la medicina, han cobrado una gran importancia en las últimas décadas pues esto se mejora la planeación, intervención y posterior análisis de dichos procedimientos médicos, como es el caso de las cirugías guiadas por imágenes donde se requiere una especial precisión y confiabilidad. Registrar dos o más imágenes consiste en alinearlas de tal manera que queden orientadas de la misma forma, así se puede combinar la información de ambas en un mismo espacio y en una misma representación visual. El objetivo principal de este trabajo es comparar de forma sistemática algunas metodologías para el registro de imágenes multimodales utilizando medidas de similitud basadas en información mutua (IM).Se obtuvo que el registro de imágenes basada en IM es capaz de registrar imágenes multimodales y monomodales con poca susceptibilidad a los cambios de brillo o contraste en la imagen, pero con alta sensibilidad al ruido. También se estableció que las técnicas de optimización basadas en enjambres de partículas tienen un mejor desempeño para el resultado final de registro en comparación con las otras técnicas analizadas. Además, la técnica de interpolación cúbica (transformación espacial) mejora la confiabilidad del algoritmo en imágenes multimodales.
La Estimulación Cerebral Profunda (DBS) es un tratamiento efectivo para la enfermedad de Parkinson. Gran variedad de modelos matemáticos y computacionales para describir la propagación eléctrica debido a la DBS han sido propuestos, desafortunadamente, no existe claridad sobre las razones que justifican el uso de un modelo específico. En el presente trabajo se presenta una formulación matemática detallada de la propagación eléctrica debido a DBS que soporta un modelo basado en la ecuación de Laplace. Se realizan simulaciones para diferentes modelos geométricos del cerebro para determinar si la geometría, el tamaño y la ubicación de la tierra del modelo afectan la predicción de la estimulación eléctrica mediante el uso del Método de Elementos Finitos (FEM). Los análisis teórico y experimental muestran en primera instancia que la ecuación de Laplace es adecuada para describir la propagación eléctrica en el cerebro, y en segunda instancia que la estructura geométrica, tamaño y ubicación de la tierra afectan la magnitud del potencial eléctrico, particularmente para modos de estimulación monopolar. Los resultados muestran que para modelos básicos y más realistas pueden existir diferencias en la propagación de hasta un 2900%.
Introducción: las enfermedades cardiovasculares son la primera causa de muerte en el mundo. Por tanto, muchas investigaciones han sido dirigidas hacia la predicción del riesgo cardiovascular, con el fin de poder evitarlo. Asimismo, se ha buscado la implementación de sistemas que involucren el análisis de datos automatizados que permita que la información se ponga a disposición, no solo del personal administrativo y directivo, sino también del personal clínico, para mejorar el control de las patologías. Objetivo: construir una herramienta para la caracterización poblacional y la evaluación del riesgo cardiovascular en pacientes del centro-occidente de Colombia. Materiales y métodos: se propone la construcción de una plataforma de análisis de datos sociodemográficos y clínicos. El modelo general de diseño de la plataforma es el desarrollo evolutivo, que entrelaza actividades de especificación, desarrollo y validación. La plataforma presenta un modelo vista-controlador que permite la creación de plantillas dinámicas distribuidas en módulos de acceso controlados por perfiles de usuario. Resultados: se implementó el cálculo automatizado del riesgo de enfermedad cardiovascular y la emisión de alertas tempranas, lo cual mejoró la gestión de los procesos clínicos, así como el apoyo a la toma de decisiones administrativas, a través de la conformación de dos módulos interactivos en la plataforma. Conclusiones: la unión de saberes clínicos, administrativos y de ingeniería permitió la consolidación de una herramienta que contribuye en el monitoreo y trazabilidad de los pacientes, orientando la priorización de posibles intervenciones que impacten en la salud de estos.
Scientific and technological research, beyond its theoretical and methodological development, finds its greatest value when its outcomes are effectively integrated into social, economic, and productive contexts. In this regard, the social appropriation of knowledge is established as a strategic process to strengthen the connection between academia and society, enabling research findings to be translated into concrete solutions, applied innovations, and meaningful transformations across various sectors. This book presents two notable contributions that reflect the thematic and methodological diversity of the research developed within the Faculty of Engineering.