Introducción: El traumatismo craneoencefálico es la principal causa de mortalidad y de discapacid... more Introducción: El traumatismo craneoencefálico es la principal causa de mortalidad y de discapacidad en la infancia en los países desarrollados. A pesar de la plasticidad típica de la infancia, una lesión en una edad precoz de la vida puede dejar secuelas importantes y alterar la funcionalidad a largo plazo. El conocimiento del espectro funcional es importante para la planificación de recursos y tratamientos una vez fracasada la fase de prevención de los traumatismos. Material y métodos: Se realizó un estudio retrospectivo de los pacientes ingresados en una unidad específica de daño cerebral como consecuencia de un traumatismo craneoencefálico con el objetivo de determinar su funcionalidad tras un programa integral de rehabilitación. Resultados: Se revisaron 65 historias de niños con una media de edad de 10,38 años que habían sido ingresados para realizar un programa de rehabilitación. El 89,2% habían tenido un traumatismo craneoencefálico grave como consecuencia de accidentes de tráfico. La media de ingreso hospitalario durante la fase de rehabilitación intensiva fue de 79,35 días. Un 72% logró capacidad de marcha al alta, pero un 76,9% mostró alguna alteración cognitiva. A pesar de la mejoría física, solo un 29,2% de los niños pudieron regresar a su colegio. Un 21,5% de los niños permanecieron con secuelas que les impidieron cualquier tipo de escolarización. Conclusiones: Tras la fase aguda, la población infantil se caracterizó por una ausencia de complicaciones médicas y una buena recuperación a nivel físico y a nivel de movilidad. Sin embargo, la afectación cognitiva ha sido notoria y responsable de alteraciones en la escolarización normal del niño.
The need for the development of automatic tools to explore astronomical databases has been recogn... more The need for the development of automatic tools to explore astronomical databases has been recognized since the inception of CCDs and modern computers. Astronomers already have developed solutions to tackle several science problems, such as automatic classification of stellar objects, outlier detection, and globular clusters identification, among others. New scientific problems emerge, and it is critical to be able to reuse the models learned before, without rebuilding everything from the beginning when the sciencientific problem changes. In this paper, we propose a new meta-model that automatically integrates existing classification models of variable stars. The proposed meta-model incorporates existing models that are trained in a different context, answering different questions and using different representations of data. A conventional mixture of expert algorithms in machine learning literature cannot be used since each expert (model) uses different inputs. We also consider the computational complexity of the model by using the most expensive models only when it is necessary. We test our model with EROS-2 and MACHO data sets, and we show that we solve most of the classification challenges only by training a meta-model to learn how to integrate the previous experts.
Introducción: El traumatismo craneoencefálico es la principal causa de mortalidad y de discapacid... more Introducción: El traumatismo craneoencefálico es la principal causa de mortalidad y de discapacidad en la infancia en los países desarrollados. A pesar de la plasticidad típica de la infancia, una lesión en una edad precoz de la vida puede dejar secuelas importantes y alterar la funcionalidad a largo plazo. El conocimiento del espectro funcional es importante para la planificación de recursos y tratamientos una vez fracasada la fase de prevención de los traumatismos. Material y métodos: Se realizó un estudio retrospectivo de los pacientes ingresados en una unidad específica de daño cerebral como consecuencia de un traumatismo craneoencefálico con el objetivo de determinar su funcionalidad tras un programa integral de rehabilitación. Resultados: Se revisaron 65 historias de niños con una media de edad de 10,38 años que habían sido ingresados para realizar un programa de rehabilitación. El 89,2% habían tenido un traumatismo craneoencefálico grave como consecuencia de accidentes de tráfico. La media de ingreso hospitalario durante la fase de rehabilitación intensiva fue de 79,35 días. Un 72% logró capacidad de marcha al alta, pero un 76,9% mostró alguna alteración cognitiva. A pesar de la mejoría física, solo un 29,2% de los niños pudieron regresar a su colegio. Un 21,5% de los niños permanecieron con secuelas que les impidieron cualquier tipo de escolarización. Conclusiones: Tras la fase aguda, la población infantil se caracterizó por una ausencia de complicaciones médicas y una buena recuperación a nivel físico y a nivel de movilidad. Sin embargo, la afectación cognitiva ha sido notoria y responsable de alteraciones en la escolarización normal del niño.
The need for the development of automatic tools to explore astronomical databases has been recogn... more The need for the development of automatic tools to explore astronomical databases has been recognized since the inception of CCDs and modern computers. Astronomers already have developed solutions to tackle several science problems, such as automatic classification of stellar objects, outlier detection, and globular clusters identification, among others. New scientific problems emerge, and it is critical to be able to reuse the models learned before, without rebuilding everything from the beginning when the sciencientific problem changes. In this paper, we propose a new meta-model that automatically integrates existing classification models of variable stars. The proposed meta-model incorporates existing models that are trained in a different context, answering different questions and using different representations of data. A conventional mixture of expert algorithms in machine learning literature cannot be used since each expert (model) uses different inputs. We also consider the computational complexity of the model by using the most expensive models only when it is necessary. We test our model with EROS-2 and MACHO data sets, and we show that we solve most of the classification challenges only by training a meta-model to learn how to integrate the previous experts.
Uploads
Papers by Daniel León