En este trabajo se estudia el comportamiento de fluencia lenta (creep) en hidrogeles de carboximetilcelulosa con diferentes niveles de concentración de glutaraldehído (3%, 4% y 5%) como entrecruzante. Se realizaron pruebas de fluencia lenta a temperatura ambiente con un esfuerzo constante de tensión de 0.025 MPa, con duración de 20 minutos. La medición de las deformaciones unitarias a lo largo del tiempo se llevó a cabo con un equipo de correlación digital de imágenes, el cual permite la medición de deformaciones de campo completo. Las curvas características de creep obtenidas se ajustaron al modelo reológico de Burgers para determinar los parámetros viscoelásticos de los hidrogeles estudiados. Comparando los parámetros viscoelásticos de los hidrogeles, se observó que el porcentaje de concentración de glutaraldehído afecta las propiedades elásticas y viscosas de este tipo de materiales. En general, se observó una disminución de los parámetros elásticos y viscosos con el aumento de la concentración de glutaraldehído.
5 June 2021 in Educación y Salud Boletín Científico Instituto de Ciencias de la Salud Universidad Autónoma del Estado de Hidalgo
Actualmente, el cáncer es una de las principales causas de mortalidad y morbilidad a pesar de los múltiples tratamientos disponibles. Por este motivo, continúa la búsqueda de tratamientos novedosos que no afecten negativamente a la calidad de vida del paciente. Las nanopartículas de oro son una alternativa que combina diagnóstico y tratamiento, este último se puede potenciar mediante el uso de moléculas biológicas para su obtención, así como con la conjugación con fármacos anticancerígenos.
Objectives: To determine whether β-HFC, in addition to its immunomodulatory effect as a therapeutic alternative in the combat of the mycetoma has an effect on the biochemical activity of N. brasiliensis. Methodology: determination of bacterial growth using N. brasilensis in the presence of β-HFC and biochemical analysis of its metabolism. Contribution: The immunomodulatory function of β-HFC in the treatment of chronic infections has recently been studied but it is not known whether it also has any antimicrobial effect, so in this paper the direct effect of β-HFC in N. brasiliensis will be elucidated in part.
The classification of breast cancer using machine learning techniques has become a critical tool in modern medical diagnostics. This study analyzes the performance of hybrid models that combine traditional machine learning algorithms (TMLAs) with a convolutional neural network (CNN)-based VGG16 model for feature extraction to improve accuracy for classifying eight breast cancer subtypes (BCS). The methodology consists of three steps. First, image preprocessing is performed on the BreakHis dataset at 400× magnification, which contains 1820 histopathological images classified into eight BCS. Second, the CNN VGG16 is modified to function as a feature extractor that converts images into representative vectors. These vectors constitute the training set for TMLAs, such as Random Forest (RF), Support Vector Machine (SVM), K-Nearest Neighbors (KNN), and Naive Bayes (NB), leveraging VGG16’s ability to capture relevant features. Third, k-fold cross-validation is applied to evaluate the model’s performance by averaging the metrics obtained across all folds. The results reveal that hybrid models leveraging a CNN-based VGG16 model for feature extraction, followed by TMLAs, achieve accuracy outstanding experimental accuracy. The KNN-based hybrid model stood out with a precision of 0.97, accuracy of 0.96, sensitivity of 0.96, specificity of 0.99, F1-score of 0.96, and ROC-AUC of 0.97. These findings suggest that, with an appropriate methodology, hybrid models based on TMLA have strong potential in classification tasks, offering a balance between performance and predictive capability.