No abstract

La ruptura del tendón supraespinoso es una de las lesiones más comunes del manguito rotador. El objetivo de este estudio es evaluar el efecto de una ruptura del tendón en su capacidad de carga y estimar el tamaño de la ruptura a la cual el tendón no puede soportar carga en el rango fisiológico. Este estudio presenta un único índice que indica la capacidad de carga del tendón, Strength Index (SI)el cual se calcula usando un modelo computacional del tendón. También se calculó el tamaño crítico de la ruptura (CTS)  definido como el tamaño de la ruptura a la cual el tendón no puede soportar una carga máxima. SI y CTS fueron estimados para 8 rupturas de tamaño creciente y 7 diferentes esfuerzos últimos para incluir variabilidad por crecimiento de la ruptura y del paciente, respectivamente. El SI de tendón disminuyó con el aumento del tamaño de la ruptura. El CTS para el tendón modelado fue estimado entre 6 y 19 mm, asumiendo un esfuerzo último en un rango fisiológico entre 1,6 y 12,6 MPa. La posible aplicación clínica del índice CTS es limitada al surgimiento de nuevas técnicas que permitan la estimación acertada del esfuerzo último del tejido

Electrical Submersible Pumps reliability and run-life analysis has been extensively studied since its development. Current machine learning algorithms allow to correlate operational conditions to ESP run-life in order to generate predictions for active and new wells. Four machine learning models are compared to a linear proportional hazards model, used as a baseline for comparison purposes. Proper accuracy metrics for survival analysis problems are calculated on run-life predictions vs. actual values over training and validation data subsets. Results demonstrate that the baseline model is able to produce more consistent predictions with a slight reduction in its accuracy, compared to current machine learning models for small datasets. This study demonstrates that the quality of the date and it pre-processing supports the current shift from model-centric to data-centric approach to machine and deep learning problems.

No abstract