Rander Ruiz

Prof. Rander Ruiz

orcid

Research Focus & Metrics

Academic Career Length

10Years (2017-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
29 December 2023 in Biomédica
Verified
Journal Article
Open access
PDF file
William HoyosWilliam Hoyos
William Hoyos
KHKenia Hoyos
Kenia Hoyos
Rander RuizRander Ruiz
Rander Ruiz
Introducción. La diabetes es una enfermedad crónica que se caracteriza por el aumento de la concentración de la glucosa en sangre. Puede generar complicaciones que afectan la calidad de vida y aumentan los costos de la atención en salud. En los últimos años, las tasas de prevalencia y mortalidad han aumentado en todo el mundo. El desarrollo de modelos con gran desempeño predictivo puede ayudar en la identificación temprana de la enfermedad. Desarrollar un modelo basado en la inteligencia artificial para apoyar la toma de decisiones clínicas en la detección temprana de la diabetes. Materiales y métodos. Se llevó a cabo un estudio de corte transversal, utilizando un conjunto de datos que incluía edad, signos y síntomas de pacientes con diabetes y de individuos sanos. Se utilizaron técnicas de preprocesamiento para los datos. Posteriormente, se construyó el modelo basado en mapas cognitivos difusos. El rendimiento se evaluó mediante tres parámetros: exactitud, especificidad y sensibilidad. El modelo desarrollado obtuvo un excelente desempeño predictivo, con una exactitud del 95 %. Además, permitió identificar el comportamiento de las variables involucradas usando iteraciones simuladas, lo que proporcionó información valiosa sobre la dinámica de los factores de riesgo asociados con la diabetes. Los mapas cognitivos difusos demostraron ser de gran valor para la identificación temprana de la enfermedad y en la toma de decisiones clínicas. Los resultados sugieren el potencial de estos enfoques en aplicaciones clínicas relacionadas con la diabetes y respaldan su utilidad en la práctica médica para mejorar los resultados de los pacientes.

1 May 2017 in Revista de Salud Pública
Verified
Journal Article
Open access
Rander RuizRander Ruiz
Rander Ruiz
NMNubis Yamile Menco Morales
Nubis Yamile Menco Morales
LCLinda Maria Chams Chams
Linda Maria Chams Chams
Objetivo Realizar análisis microbiológico del queso costeño artesanal que se consume en las cabeceras municipales del departamento de Córdoba y evaluar las condicioneshigiénico-locativas existentes en expendios que favorecen su contaminación.Métodos Se realizó una investigación exploratoria y descriptiva en 120 expendios registrados en la Secretaria de Salud Departamental, de los 28 municipios del departamento de Córdoba-Colombia, durante los años 2012-2013. Se evaluaron las características organolépticas de 360 muestras y, mediante análisis microbiológico se determinó la presencia de coliformes totales, fecales, Staphylococcus coagulasa positiva y hongos. Los resultados se analizaron utilizando estadísticas univariadas y bivariadas con sus respectivas medidas de asociación según la naturaleza de cada variable (Programa EPI-INFO V. 6.04®).Resultados La valoración microbiológica de las 360 muestras demostró la contaminación con valores no aptos para el consumo, equivalentes a: coliformes totales (97,5 %), coliformes fecales (88,9 %), Staphylococcus coagulasa positiva (41,4 %), mohos (40,4 %) y levaduras (96,1 %). Entre las significancias observadas como factores predisponentes para su contaminación resaltan la carencia de registros sanitarios en los expendios, inadecuada limpieza de pisos, paredes y techos, condicionesde exposición, ventilación, iluminación y manipulación inadecuada del producto.Conclusión La significativa carga microbiológica observada en los quesos examinados y su valoración como no aptos para el consumo humano refleja las deficiencias higiénicas en la manipulación del producto, que asociada a los defectos locativos existentes en los sitios donde se comercializa, representa un riesgo para la salud del consumidor.

2 March 2024 in Diagnostics
Verified
Journal Article
Open access
PDF file
William HoyosWilliam Hoyos
William Hoyos
KHKenia Hoyos
Kenia Hoyos
Rander RuizRander Ruiz
Rander Ruiz
Dengue remains a globally prevalent and potentially fatal disease, affecting millions of people worldwide each year. Early and accurate detection of dengue complications is crucial to improving clinical outcomes and reducing the burden on healthcare systems. In this study, we explore the use of computational simulations based on fuzzy cognitive maps (FCMs) to improve the detection of dengue complications. We propose an innovative approach that integrates clinical data into a computational model that mimics the decision-making process of a medical expert. Our method uses FCMs to model complexity and uncertainty in dengue. The model was evaluated in simulated scenarios with each of the dengue classifications. These maps allow us to represent and process vague and fuzzy information effectively, capturing relationships that often go unnoticed in conventional approaches. The results of the simulations show the potential of our approach to detecting dengue complications. This innovative strategy has the potential to transform the way clinical management of dengue is approached. This research is a starting point for further development of complication detection approaches for events of public health concern, such as dengue.

27 May 2024 in TecnoLógicas
Verified
Journal Article
Open access
PDF file
William HoyosWilliam Hoyos
William Hoyos
Rander RuizRander Ruiz
Rander Ruiz
KHKenia Hoyos
Kenia Hoyos
La diabetes mellitus tipo 2 es una enfermedad crónica no transmisible, causada por un trastorno en el metabolismo de la glucosa, que provoca un aumento anormal de su concentración en la sangre. El diagnóstico tardío de esta enfermedad contribuye al aumento de las tasas de morbilidad y mortalidad a nivel mundial. El desarrollo de modelos basados en inteligencia artificial para la predicción de diabetes podría acelerar el diagnóstico. Por tanto, el objetivo del presente estudio fue implementar un modelo de predicción de diabetes mellitus tipo 2 basado en mapas cognitivos difusos entrenado con un algoritmo genético. La metodología empleada consistió en utilizar un conjunto de datos del Instituto Nacional de Diabetes y Enfermedades Digestivas y Renales de la población de indios PIMA, que contiene información demográfica y clínica de 768 pacientes. El 70 % de los datos se empleó para el entrenamiento y validación, y el 30 % restante se utilizó para las pruebas de rendimiento. El modelo de mapas cognitivos difusos puede predecir la enfermedad con un 99 % de exactitud, 98 % de precisión y recall de 100 %. Se concluye que el modelo presenta una buena capacidad para predecir y evaluar el comportamiento de las variables de interés en la diabetes mellitus tipo 2, mostrando su valor como herramienta de soporte en la identificación oportuna de la enfermedad y apoyo a la toma de decisiones por parte del profesional médico.